特征检测和匹配

Posted on

一. 特征检测和匹配

常用算法框架

1. 关键点检测

不变性（光度、几何变化等）

1.1 角点特征检测（corner features）

  • 通常被视为两条边的交点
  • 常用方法：Harris / FAST等

1.2 斑点特征检测（blob features）

  • 主要描述的是一个区域（i.e. 远看一棵树可作为一个斑点）
  • 优点：稳定性更好；抗噪能力更强
  • 常用方法：DoG / SIFT / SURF / KAZE等

1.3 基于学习的特征检测

  • 独立算法较少见，一般与具体目标相结合训练网络
  • TILDE：利用DoG生成训练集
  • Quad-Networks：无监督学习
  • Key.Net：从已生成的手工特征点进一步学习，提取更稳定的特征点

2. 特征描述

描述每个特征点周围的局部外观，具备不变性和可区分性

2.1 手工特征描述

  • 常用方法：SIFT / BRIEF / ORB等

2.2 基于学习的特征描述

  • 常用方法：L2Net / HardNet / PN-Net等

3 端到端（end to end）

  1. 论文合集
  2. [2020年，IJCV]综述：Image Matching from Handcrafted to Deep Features
  3. 中文综述：图像特征检测与匹配方法

  4. 知乎讨论

  5. [2016, ECCV] LIFT LIFT
  6. [2018, NIPS] LF-Net LF-Net
  7. [2019] RF-Net RF-Net
  8. [2018, CVPR] Super Point
  9. [2019, CVPR] D2-Net 算法总结

3. 关键点匹配

3.1 暴力匹配

  • 距离选择

3.2 NN

  • 近似匹配，加速

3.3 RANSAC

  • 一致性优化算法
  • 解决误匹配的问题

3.3 SuperGlue

  • 利用GNN完成匹配

4. 应用

  • SLAM
  • SfM
  • AR
  • 图像检索
  • 图像配准

文章代码数据