圖像特征點提取算法研究.pdf

1、作為計算機視覺領域中最為重要的局部特征之一，圖像特征點奠定了諸多視覺任務的基石。圖像特征點具備的各種優(yōu)異性質如旋轉不變性，尺度不變性等使其廣泛地應用于各種視覺應用之中，如圖像拼接、圖像檢索、目標識別與匹配、三維重建、視覺里程計和虛擬現實等。傳統(tǒng)的特征點檢測算法大多都針對二維灰度圖像，但是隨著圖像表示技術以及圖像獲取技術的快速發(fā)展，出現了越來越多其他格式的圖像數據，如RGB-D圖像、三維圖像和全景圖像等。特別是對針對三維圖像和全景圖像而言

2、，其圖像數據與二維圖像數據從組織形式上有很大的區(qū)別，導致傳統(tǒng)二維灰度圖像的特征點檢測算法往往很難直接作用在這些圖像數據上。因此，針對這些新興的圖像數據如何有效地設計高效和魯棒的特征點檢測算法成為當下視覺領域中研究的熱點。
　　鑒于上述情況，本文首次系統(tǒng)性地探討了針對各種圖像數據的特征點檢測算法，從二維圖像到三維圖像再到全景等其他圖像，并且提出了幾種魯棒的三維特征點檢測算法。相關的研究工作及學術貢獻具體可以歸結為以下幾個方面：

3、>　?。?）歸納二維灰度圖像的特征點檢測算法。
　　在本文中，我們將傳統(tǒng)二維灰度圖像的特征點檢測算法大致劃分為三大類：基于圖像局部梯度信息的、基于模板或者學習的以及基于輪廓的特征點檢測算法。然后分析每一類算法的主要原理，算法的優(yōu)缺點以及相關應用場景。
　?。?）介紹三維及其他圖像數據的特點檢測算法。
　　探討了除二維灰度圖像數據之外的特征點檢測算法，包括三維特征點檢測算法、顏色空間特征點檢測算法、時空特征點檢測算法、深

4、度圖RGB-D圖像特征點檢測算法以及全景圖像特征點檢測算法。
　?。?）提出四種新的三維特征點檢測算法。
　　在前人相關工作的基礎上，提出了四種魯棒的三維特征點檢測算法。具體如下：(a)擴展基于輪廓的角點檢測算法CTAR[1]到三維網格模型中，并由此提出兩種基于支撐點的三維角點檢測算法；(b)基于三維網格模型的曲面局部幾何性質和l0范數的稀疏優(yōu)化方式選取三維特征點；(c)基于多尺度空間下的局部和全局信息，利用學習的方式選取具