局部特征系列：

• 局部特征(1)——入门篇

• 局部特征(2)——Harris角点 

• 局部特征(3)——SURF特征总结 

• 局部特征(4)——SIFT和SURF的比较 

• 局部特征(5)——如何利用彩色信息 Color Descriptors 

• 局部特征(6)——局部特征描述汇总 

 --------------------------------------------------------------

    局部特征 （local features），是近来研究的一大热点。大家都了解全局特征（global features），就是方差、颜色直方图等等。如果用户对整个图像的整体感兴趣，而不是前景本身感兴趣的话，全局特征用来描述总是比较合适的。但是无法分辨出前景和背景却是全局特征本身就有的劣势，特别是在我们关注的对象受到遮挡等影响的时候，全局特征很有可能就被破坏掉了。而所谓局部特征，顾名思义就是一些局部才会出现的特征，这个局部，就是指一些能够稳定出现并且具有良好的可区分性的一些点了。这样在物体不完全受到遮挡的情况下，一些局部特征依然稳定存在，以代表这个物体（甚至这幅图像），方便接下来的分析。我们可以看下面这个图，左边一列是完整图像，中间一列是一些角点（就是接下来我们要讲的局部特征），右边一列则是除去角点以外的线段。不知道你会不会也觉得你看中间一列的时候能更敏感地把他们想象成左边一列的原始物品呢？一方面说，如果我们用这些稳定出现的点来代替整幅图像，可以大大降低图像原有携带的大量信息，起到减少计算量的作用。另一方面，当物体受到干扰时，一些冗余的信息（比如颜色变化平缓的部分和直线）即使被遮挡了，我们依然能够从未被遮挡的特征点上还原重要的信息。

    把局部特征说的这么好听，你也许会问怎样的特征能够被当做局部特征点呢？我们不妨来看下面的这幅图：

    我们选择了3个部分：边缘的点、边缘的线、变化缓慢的天空，当我在左边的图像中选择哪个部分的时候，你最有可能从右边的图像中找到对应的部分来呢？很显然是边缘的点吧-------天空，那么多都是一样的；而边缘，一条直线往左看往右看都是差不多的，你让我选哪个点（这也叫做aperture problem）；而顶点相比之下更具有唯一性，所以局部特征最初的研究也就是从角点开始的（比如Harris Corner）。

    一种定量的检测方法，就是通过SSD去比较两个块区域以定义一个相似度，值越小，两个块越相似：

    当然我们应该知道，检测出的块应该和周围有一定的区分性，如何体现这种区分性，不妨做个试验：当前块和它的邻域做匹配，显然自己和自己匹配的时候值最小，而如果周围一定范围的值都特别小，那我们岂不是自己和自己都无法找到匹配，那还拿他当特征干啥？所以如果下式有明显极值，就可以把它当做特征点了。（式中的Δu表示当前块与比较邻域之间的位移）

    这个过程就是早期的Harris Corner的核心思想(如果读者想了解Harris Corner的具体细节，请参见该系列的下一篇博客)。

    总结一下，好的特征应该具有以下几个特点：

• •     重复性：不同图像相同的区域应该能被重复检测到，而且不受到旋转、模糊、光照等因素的影响；
  •     可区分性：不同的检测子，应该可以被区分出来，而为了区分它们，应运而生的就是与检测对应的描述子了；
  •     数量适宜：检测子可别太多，不然啥阿猫阿狗都能出来混，但也不能太少，要求太高可就招不到人才了；
  •     高定位（尺度和位置）：是在哪出现的，最好就在哪被找到，可别跑偏了；
  •     有效性：检测速度越快越好。

    在接下来的几篇文章里，我主要针对局部特征，特别是目前使用的特别火热的SIFT特征和SURF特征进行一些描述和总结。这两个特征都是鲁棒性特别好的局部特征，被广泛应用在模式识别方面。

    关于局部特征的更多介绍，请见http://download.csdn.net/download/jiang1st2010/4343689  

-----------------------

jiang1st2010

原文地址：http://iyenn.com/rec/1703373.html