SURF算法中为什么作者选择Hessian矩阵

潮生明月 2015-12-05 10:16:31

在SURF算法中，为什么作者要选择Hessian矩阵来选择兴趣点？

...全文

1003 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

yyalan2014 2016-08-18

打赏
举报

回复

晒月光的青蛙 2016-03-11

打赏
举报

回复

需要读SURF的论文，里面作者提到了为什么选Hessian矩阵 From studying the existing detectors and from published comparisons [29,30], we can conclude that Hessian-based detectors are more stable and repeatable than their Harris- based counterparts. Moreover, using the determinant of the Hessian matrix rather than its trace (the Laplacian) seems advantageous, as it res less on elongated, ill-localised structures. We also observed that approximations like the DoG can bring speed at a low cost in terms of lost accuracy.

针对surf算法原文的翻译，帮助大家快速阅读surf算法。 3快速Hessian检测器我们的检测器基于Hessian矩阵，因为它在计算时间和精度上表现良好。然而，我们依赖于Hessian的行列式，而不是使用不同的度量来选择位置和尺度（如在Hessian-Laplace检测器[11]中所做的那样）。给定图像I中的点x =（x，y），尺度σ中x中的Hessian矩阵H（x，σ）定义如下

SURF (Speeded Up Robust Feature)是一种高鲁棒性的局部特征点检测器。由Herbert Bay 等人在2006年提出。该算法可以用于计算机视觉领域例如物体识别或者三维重建。根据作者描述该算法比SIFT更快更加具有鲁棒性。该算法中采用积分图像、Haar小波变换和近似的Hessian矩阵运算来提高时间效率,采用Haar小波变换增加鲁棒性。

针对传统的人脸识别算法存在识别率低甚至无法识别的缺点,提出了一种基于SURF和双向FLANN的人脸识别算法。该算法首先用SURF算法中的快速Hessian矩阵检测特征点,并生成SURF特征的描述符;然后通过Hessian矩阵迹的正负性和双向FLANN匹配的搜索算法对图像SURF描述符进行匹配,以实现人脸的识别,从而达到考勤的目的。实验结果表明,该算法在剔除匹配识别中误匹配点对的同时提高了SURF算法识别速率与正确率,保证了算法在考勤系统中的实时性。

SURF算法作为一种新近出现的特征提取方法，在重复度、独特性、鲁棒性3个方面，均超越或接近以往提出的同类方法，并在计算效率上具有明显的优势。本代码采用SURF算法检测图像并进行坐标变换与图像拼接。采用SURF算法对图像进行检测，其主要是用Hessian矩阵对图像进行检测，对图像的特征提取之后找到图像的特征点。之后采用最近临快速匹配（NN）、随机抽样一致性（RANSAC）算法和最小二乘法参数优化（LM）对特征点进行提纯匹配。最后在两幅图像中进行坐标变换，达到统一坐标系和图像拼接的效果。

SURF算法的经典原文，SURF (Speeded Up Robust Features)也是一种类似于SIFT的兴趣点检测及描述子算法。其通过Hessian矩阵的行列式来确定兴趣点位置，再根据兴趣点邻域点的Haar小波响应来确定描述子，其描述子大小只有64维（也可以扩展到128维，效果更好），是一种非常优秀的兴趣点检测算法。我的博客里面有SURF的算法详解，欢迎相互交流>_<

4,446

社区成员

15,335

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章