李志强, 朱 明

(中国科学技术大学 信息科学技术学院, 合肥 230027)

图像特征点及描述子提取是计算机视觉方向研究核心问题之一, 提取图像特征点可以将大量的图像信息稀疏化, 从而更好地进行信息压缩, 而提取描述子则是对特征点周围信息进行描述, 生成特征向量, 用以和其他区域进行区分.图像特征点及描述子提取正被广泛应用于图像匹配[1], 3D重建[2]和SLAM[3]等诸多领域, 优秀的图像特征点及描述子提取算法可以对计算机视觉的发展发挥巨大的作用.

自2012年以来, 深度学习[4]以其提取特征更丰富、鲁棒性更强、精度更高和不需要手工设计特征等优点在图像分类[5]、目标检测[6]和图像分割[7]等领域有了飞速发展.近些年来, 深度学习与特征点及描述子提取的结合也是该领域研究的一大热点问题.

1 概述

目前的特征点及描述子提取算法主要有以下两类:完全手工设计特征和通过深度学习提取特征.

完全手工设计特征指的是特征点及描述子提取的算法完全通过手工设计获得, 图像信息获取完全依靠手工设计的算法获取, 如SIFT和SURF算法.Lowe[1]提出的SIFT算法是通过构建图像高斯金字塔进而构建DOG金字塔, 在DOG金字塔中寻找满足条件的极值点作为特征点.SIFT算法是通过统计特征点邻域梯度分布信息提取出特征点主方向, 将坐标轴旋转到主方向, 计算以特征点为中心16×16窗口内像素梯度的幅度和方向, 归一化后形成128维特征向量作为描述子.而Bay等人[8]针……