基于多特征SVMs分類器的手語識別*
——
加入技術交流群
SIFT特征
本文引用地址：http://cqxgywz.com/article/93422.htmDavid G.Lowe在2004年總結了現有的基于不變量技術的特征檢測方法，并正式提出了一種基于尺度空間的、對圖像縮放、旋轉甚至仿射變換保持不變性的圖像局部特征描述算子-SIFT算子[6,11]，即尺度不變特征變換。
SIFT算法首先在尺度空間進行特征檢測，并確定關鍵點(Keypoints)的位置和關鍵點所處的尺度，然后使用關鍵點鄰域梯度的主方向作為該點的方向特征，以實現算子對尺度和方向的無關性。
Lowe在圖像二維平面空間和DoG(Difference of Gaussian)尺度空間中同時檢測局部極值以作為特征點，以使特征具備良好的獨特性和穩定性。DoG算子定義為兩個不同尺度的高斯核的差分，其具有計算簡單的特點，是歸一化LoG (Laplacian of Gaussian)算子的近似。DoG算子如下式所示：
對于圖像上的點，計算其在每一尺度下DoG算子的響應值，這些值連起來得到特征尺度軌跡曲線。特征尺度曲線的局部極值點即為該特征的尺度。尺度軌跡曲線上完全可能存在多個局部極值點，這時可認為該點有多個特征尺度。
一幅圖像SIFT特征向量的生成算法總共包括4步：
(1)尺度空間極值檢測，初步確定關鍵點位置和所在尺度。
(2)通過擬和三維二次函數以精確確定關鍵點的位置和尺度，同時去除低對比度的關鍵點和不穩定的邊緣響應點(因為DoG算子會產生較強的邊緣響應)，以增強匹配穩定性、提高抗噪聲能力[6,11]。
(3)利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。
式(14)為(x,y)處梯度的模值和方向公式。其中L所用的尺度為每個關鍵點各自所在的尺度。
評論