基于FAST检测及SIFT描述的特征检测算法

摘要

近年来，随着计算机视觉技术的飞速发展，尤其是智能通讯设备的大量普及，用户获得数字图像的方法越来越容易，图片数量呈现急速增长的态势。并且图片文件蕴含信息较量大，已成为当前最主要的信息传播方式。然而，面对海量的图片数据，在考虑角度、光照、尺度等因素变化的前提下，如何合理的选择特征检测、描述算法来降低图像噪声和背景的干扰，实现图像特征的可靠识别和图像的准确归类，是一个亟待解决的问题。本文就图像的特征检测及物体识别方法进行了研究，其主要内容包括如下三点:
　　第一，对待测场景的图像进行局部特征检测。通过对传统局部特征检测算法进行实验研究，对比各种算法检测特征点的个数及速度。实验结果表明，FAST算法可以在最短时间内检测出大量的特征点。
　　第二，采用SIFT算法进行特征点高维度尺度不变性的描述，并且在特征匹配阶段，定义特征点的信噪比，采用鲁棒性很高的贝叶斯分类器进行嘈杂背景中的物体识别。
　　第三，通过实验结果验证了FAST与SIFT的特征检测算法组合，兼具有FAST特征检测的高效性和SIFT特征点描述的准确性。

目录

声明

摘要

1 绪论

1．1 本课题研究的背景及意义

1．2 局部特征检测撅述

1．2．1 局部特征的定义及分类

1．2．2 局部特征检测研究现状

1．3 识别图像中物体的局部特征的技术难点

1．4 本章小结

1．4．1 本文主要内容安排

1．4．2 本文创新点及重要贡献

2 常见的局部特征检测算法

2．1 引言

2．2 常见局部特征检测算法

2．2．1 Harris特征检测算法及性能测试

2．2．2 SURF特征检测算法及性能测试

2．2．3 BRISK特征描述算法及性能测试

2．2．4 SIFT特征检测算法及性能检测

2．2．5 FAST特征检测算法及性能检测

2．2．6 常见特征检测算法小结

2．3 SIFT特征描述算法

2．3．1 确定SIFT采样区域

2．3．2 旋转图像至主方向

2．3．3 生成特征向量

3 基于贝叶斯分类器的目标识别算法

3．1 SNR特征的定义

3．2 局部特征与贝叶斯分类

3．2．1 待测场景的局部特征

3．2．2 贝叶斯分类器

3．3 基于朴素贝叶斯分类器的目标识别算法

4 特征点匹配及实验结果

4．1 特征点匹配概述

4．2 基于SNR特征的贝叶斯分类器

4．2．1 实验结果

4．2．2 实验结果评估

5 总结与展望

5．1 全文工作总结

5．2 未来研究展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢