基于多特征融合的敌对目标检测新方法(5)

一个关键点可能会被指定具有多个方向（一个主方向，一个以上辅方向）,这可以增强匹配的鲁棒性. 一般取

16, 8.通过以上几步, 可检测出图像的ＳＩＦＴ 关键点，每个关键点有三个信息：位置、所处尺

度和方向，由此可以确定一个ＳＩＦＴ 特征区域． 3.3.3 特征点描述子生成

ＳＩＦＴ 描述子是对一个ＳＩＦＴ 特征区域的描述，其生成步骤如下：

1、 首先将坐标轴旋转为ＳＩＦＴ 特征区域的方向，以确保旋转不变性．

2、 接下来以关键点为中心取8×8的窗口。图8左部分的中央黑点为当前关键点的位置，每个小格代表

关键点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中蓝色的圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图5右部分所示。此图中一个关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。

图8 ＳＩＦＴ 特征区域的关键点邻域梯度信息生成ＳＩＦＴ 描述子

实际计算过程中，为了增强匹配的稳健性，Lowe建议对每个关键点使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形成128维的SIFT特征向量。此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。

3.3.4 SIFT的金字塔方法

原始图形 SIFT图像5913个特征点 原图像 SIFT图像252个特征点 SIFT形成的特征描述子特征点个数不同、无序、而且位置互异.而SVM分类器需要向量同维,因此无法直接使用SVM针对SIFT特征进行分类.

针对该问题,国外进行了很多研究.2007年Kristen提出的金字塔核匹配方法,运算简单而且准确度较高,因此本文采取该方法解决SIFT分类问题.

该方法将特征子数据投影到不同的尺度空间,求同一尺度空间的重叠值.然后再求相邻尺度空间重叠值的

L

交叉值.其采用的核函数如下: K

wN

i

i 0

i

.其核函数具体计算方法如下图.