毕业设计

（英文资料翻译）

英文题目： 1.Maximum Detector Response Markers for SIFT

and SURF

2.Research on Tension Control System Based on

Fuzzy Self-tuning PID Control

中文译文

最大的探测器响应标记SIFT 和 SURF

摘要：

在这篇文章中,我们介绍SIFT和SURF算法如何实现最大的探测器响应标记。它们可应用于检测触发的特征点的所需位置。不同与传统标记系统,我们提出的不是一个独立的，构成一组标记和全局适应的检测算法。相反，我们的标记适于现有的和已建立的探测器。特别是，我们介绍了最佳的标记适合SIFT和SURF算法。我们在广泛的合成和实验不同的成像条件下推导出最优的设计并展示他们的高检测能力。

1 介绍

在增强现实领域下，普遍的利用这样所谓的基准标记是为了获得可靠的提取2D-3D对应的后续任务，如姿态估计或目标识别是因此大大简化。由于其通用性和较低的安装成本,基准标记往往选择了在跟踪系统采用更昂贵的红外线或有源标记。其他领域的应用实例包括西伯利亚乌拉尔铝业公司用伺服机器人手术和监测生产物流。

在许多应用程序中,基准标记与图像特征源自突出补充分场景本身。许多算法存在特征提取。也许最广泛使用的SIFT和 SURF两个紧密相关的算法存在产量规模和旋转不变的图像特征点。它甚至可能是一些可靠的检测参考
分上的通常不能被检测到的非结构化表面。

在这项工作中,我们提出一种轻量级标记框架,将两级策略组成的标记检测和特征点提取到一个更高效的互译的方法我们的目标是大量的计算机视觉应用基于特征点,增强他们完全集成到现有的标记检测的过程。我们为SIFT和SURF算法发展的这个标记可最佳的证明它们由各自的探测器触发最大响应。

本文的其余部分的结构如下。在第2部分中,我们将简要概述现有的 SIFT 和SURF功能探测器标记系统的功能。第3部分介绍了这两个检测器的最佳的标记，然后实验对其验证。第4部分得出我们的结论。在第5部分对今后的工作进行了展望。

图1 我们的SIFT（左）和SURF标记

2 相关工作

2.1基准标记

基准标记被广泛应用于各种不同的领域。根据特定的应用，不同的设计已被提出。一个不同市场体系的概况和比较，可以在[13]中找到。基准标记系统通常由一组区分标签放置在现场,可以检测和解码相关的算法。根据标记的设计,检测包括几个重要的步骤如边缘检测、链接和直线拟合。解码指所检测到标记的识别。早期的系统使用相关的方法来匹配相对于数据库模板[4，5]的标记的外观。最先进的标记系统采用二进制错误校正码以允许独特和可靠的识别成千上万的不同标记[3]。最近,一直在努力对降低计算复杂度移动实时应用程序[12、11]。相比
这些高度专业化的系统，我们的建议标记方案提供了非常基本的，但高度有价值的功能：使得在不增加额外费用下使特征点检测可靠。

理想的传统标记系统有较低的误诊和漏诊率以及较低的标记间的混乱率。如果系统包括多个可区分的标志。即系统既不应当报告检测到的没有的标记,也不会报告错过或者误以为是实际存在的标记。

如前所述,最先进的标志政府系统,例如e.g.，ARTag[3]。使用纠错机制，就漏诊率和标记间的混乱率而言让他们达到无与伦比的性能。作为我们的轻量级标记系统只提供了一个标记,就SURE算法而言分清两个标记间的混乱不是一个问题。我们的主要目标是有一个高度可检测的低成本的标记,不一定是一个独特的检测

我们系统的主要优点是其显着的低漏诊率。正如我们在第四节展示,它几乎可以保证我们的标记会发现即使在急剧变化的成像条件下。这使得它们在应用于SIFT或SURF点需要被发现于到在期望的位置上时非常有用。

2.2 规模不变特征变换和加速稳健特征

SIFT[7]和SURF[1]都属于家庭规模不变特征的探测器。因此,他们分析一个在不同分辨率的输入图像是为了重复地找到独立于图像实际尺寸的特征斑点状结构。为此,两种算法使用多尺度检测分析所谓的运营商图像的尺度空间表示。在第二个步骤中,检测到的特征被分配一个来自周围像素邻域旋转不变的估算的描述符。感兴趣的读者参考SIFT和SURF的原始出版物可以获得关于他们的内部工作的更详细的信息。在下文中，我们将简要地回顾这两种与我们的标记设计相关的算法部分：检测运算，和描述符的组合物。

检测算子

它已被证明逐渐过滤高斯内核尤其适合构建自然图像的尺度空间表示[6]。此外,拉普拉斯运算已经被证明对兴趣点检测非常有用[8]。因此,为了找到离散等级水平的功能，SIFT 使用一个近似高斯分布的拉普拉斯运算。这是通过用卷积图像1取得的差分高斯增加（DoG）尺寸的滤波器。该SIFT检测滤波器的输出内容如下：

（1）

这里，是一个双变量高斯其中标准偏差代表比例。图2表示像典型的“翻转的墨西哥帽”造型。选择适当的离散尺度覆盖合理范围。在3维尺度空间滤波输出的局部极大值的特征被发现。因此，每个特征点是一个组合的位置和规模使最大化。

SURF是建立在SIFT的概念上，但为了加速检测过程，增加更加激进的近似值。由于使用积分图像使SURF的复杂性大大降低，SURF往往达到比其前任更优越的性能。代替拉普拉斯运算，SURF使用黑塞矩阵在尺度空间特征检测的决定因素。图3表示箱式滤波，和近似于高斯的二阶导数。尺度的再离散化依赖于所用的方块过滤器的规模 。由定义，矩阵的大小对应像素于。应用这些方块过滤器的图像1产生黑塞矩阵的输入，我们有以下

检测算子输出：

（2）

在这里说明重要的是，与之相对的是高斯差分滤波器 ，输入图像的SURF 检测算子是非线性的。

描述符

经检测，每个功能都分配有一个“指纹”，从梯度计算围绕它的像素位置分布。更明显的是这些描述符，更好的结果在随后的周期特征匹配步骤。在我们的情况下，描述符也将被用来识别标记的图像。

SIFT描述符由一个侧长12像素的正方形区域组成，其中是特征的范围。这区域是局部梯度方向，并且图4展示4x4的分支。为每个的16个次区域的一个加权8-bin直方图梯度的建立，最后这个描述符通过整理bin中的所有子块为一个长度为8 x 4 x 4 = 128向量的内容进行编译。由于 对尺度和旋转的自适应生成过程，SIFT描述符大多是不变的适度的几何变换。

SURF使用非常相似的描述符的布局，也基于区域的特征点周围的正方区域。这是与主导梯度对准，并且细分为16个子块（参照图4）。唯一的区别是，附近的区域选择20像素宽，并且每个子块只贡献4个描述符条目。代替直方图值，梯度的x和y分量的和和绝对值的和被用到。总的来说，SURF描述符包含64项条目。

图2 SIFT高斯差分滤波

图3 SURF用过滤器近似二阶导数高斯

图4 左：用于在与各自的大小比较的描述符标记支持计算

右：标记的描述符

3 优化标记设计

在这一节中，我们得到SIFT和 SURF探测器的最佳的输入图像，然后借
本身增添各自检测器的理想标记。在这种情况下，最优是指得到尽可能高的探测器输出。

3.1 SIFI标记

如果SIFI确定最优的任务标记是一个线性的过滤输出最大化。如2.2节所讨论的，该过滤器是方程（1）中的高斯差。

在信号处理中，使用了匹配滤波器恢复已知形状的噪声信号[ 9 ]。一个匹配的滤波器最大限度地提高信噪比，而其冲激响应则是给定信号的反向版本。在我们的例子中，我们给出了一只高斯差分滤波器，寻找能量有限的信号，叠加图像噪声，产生在滤波器输出的最大响应。

类比的匹配的滤波器设计，我们因此选择我们的SIFT 标记变成一个DoG。它的形状和外观如图2和1所示注意反向的高斯差是有效的“匹配信号”，因此进行标记。

图4显示了相关的随后可用于识别标记描述符。基于独特的形状，DoG内部的四个字块有利于描述符匹配。我们将考虑将这些描述符的部分作为标记的签名。

3.2 SUFR标记

另一方面SUFR使用非线性检测算子。因此，匹配滤波器的方法，我们在这种情况下，不再适合采用SIFI的方法。然而，我们可以用得到的输入图像将最大限度地提高探测器响应来解决相应的优化问题。

不失一般性，在我们的优化，我们将派生出9times;9像素的涉及81个变量

的SUFR标记。这个问题当然也可以用其他内核大小确定即15，21，27等等。然而，由于滤波器尺寸的平方而增加的问题的复杂性，应当指出，所得到的标记物将只是粗化的9x9的标记的版本。假设我们要在位置达到最大。然后在正方区域以为中心的81个像素是必须带进的考虑。这些唯一的像素事实上被经过深思的算子涵盖且它们的值必须进行调整例如使最大化。首先，我们安排我们的81个变量的矢量x且方块滤波器相应条目在向量和

。从（2）可得，滤波器输出可以写成如下形式。

其中，这导致了以下二次优化问题，如果我们另外要求像素值是有界的。

（3）

它可以表明将A=3排列，所以特征值分解与替代值产生等效的问题：

这里有有2个解决方案，与后替换表明，是本征向量相对应的A的最大特征值。将重新排列一个9x9的图像和调整其值跨越整个灰度值的范围最终指向SUFR标记，如图5和1。

由于它们的离散性，在SURF标记留下一个比SIFT更独特的描述签名（见图4）。特别值得注意的是，黑色和发亮版本的SUFR标记签名是可区分的。然而，两者对应于绝对梯度值的总和是相同的。

图5 最大响应的SURF标记最优化是15像素的内核尺寸。注意与图2的反转墨西哥帽的相似度

4 实验探测

我们已经在上一节得出的标记物是可证明只有理想的条件下观察时得到最佳，也就是即正面平行与视野，并在完全相同的大小下让操作员他们对其进行优化。我们的实验合成数据显示,如果成像大小介于尺度,扭曲和视角，我们的标记仍然可检测。我们所有的实验中,我们使用被安德烈实现的SIFT和 OpenCV实现的SURF。

4.1失真下的探测

在一般情况下，有两个相关的属性所提出的标记功能必须是杰出的。

可探测性：在图像中检测到的一个标记，如果它产生的尺度空间局部最大值，探测器将报告在标记位置的特征点。这是对我们的标记的最低要求。

独特的可检测性：如果成像标记甚至在尺度空间中触发全局最大值，或者如果高检测器响应和签名相似的组合将其标识为一个标记，它是唯一可检测的。我们在第4.2节所描述的实验表明我们的标记也有这个属性。

下面的实验的目标是我们的标志设计备份的理论最优性。更具体地说，我们要证明即使在不利的条件下，也就是说，除了在推导过程中假定的那些平均探测器响应的标记我们期望的是一个探测器响应所有这些影响不变。

我们使用以下设置：一个综合所产生的标记，无论是SIFT或SUFR是放置以一个统一在一个大小为513times;513像素的图像背景为中心。SUFR标记的初始大小是s=147像素且SIFT标记是像素。应用不同的扭曲的图像，我们运行各自的特征检测器和测量检测器的响应。在相同的时间，我们我们按照定位错误地面实况,如果标记被检测到超过3像素，我们宣布它未被发现。这是一个与所用标记尺寸相比，更严格的规定。我们调查的失真是

1. 缩放
2. 在平面旋转
3. 非平面旋转
4. 图象噪声

图6说明了SURF 标记所施加的失真，注意所描述的平面旋转，标记的检测没有通过我们的3像素精度测试。然而，检测本身是正确的。

图7至9示出了选定实例响应的行为。我们的整体观察的是，在一般的检测器响应停留在一个相当高的水平，在没有失真下接近最大值。在绘制的范围内的3像素的阈值是从来没有违反（除了在平面外的主要角度旋转场景）。然而，也有一些意想不到的效果，需要进一步调查。
第一个有趣的观察是实际标记量表（图

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[148410]，资料为PDF文档或Word文档，PDF文档可免费转换为Word