计算机视觉 特征检测与匹配 特征描述符

1、概述

        检测到关键点特征后，我们必须匹配它们，即我们必须确定哪些特征来自不同图像中的相应位置。 在某些情况下，例如，对于视频序列或已校正的立体对，每个特征点周围的局部运动可能主要是平移的。在这种情况下，可以使用简单的误差度量，如平方差之和或归一化互相关，直接比较每个特征点周围小块的强度。因为特征点可能无法准确定位，所以可以通过执行增量运动细化来计算更准确的匹配分数，但这可能很耗时，有时甚至会降低性能。

        然而，在大多数情况下，特征的局部外观会在方向和尺度上发生变化，有时甚至会发生仿射变形。 提取局部尺度、方向或仿射框架估计，然后在形成特征描述符之前使用它来重新采样补丁，因此通常是更可取的。

        即使在补偿了这些变化之后，图像块的局部外观通常仍会因图像而异。我们如何才能使图像描述符对这种变化更加不变，同时仍然保持不同（非对应）补丁之间的可区分性？有学者回顾了一些视图不变的局部图像描述符，并通过实验比较了它们的性能。学者比较了前十年开发的大量学习特征描述符。

        下面，更详细地了解一下其中一些描述符。

2、偏置和增益归一化 (MOPS)

        英文：Bias and gain normalization (MOPS).

        对于例如图像拼接，简单的归一化强度补丁执行得相当好并且易于实现（下图）。为了补偿特征点检测器（位置、方向和尺度）中的轻微不准确，以相对于检测尺度五个像素的间隔对多尺度定向补丁（MOPS）进行采样，使用更粗略的图像金字塔级别来避免混叠。为了补偿仿射