基于监督学习的图像局部特征点检测子研究

近些年来,绝大多数图像局部特征表示方法的研究主要关注于设计和学习有效的刻画图像局部特征点的描述子(descriptor)方法,而优化局部特征点检测子(detector)的研究确很少被人关注,如何获取稳定的局部特征点仍然是一个具有挑战性的问题。传统的局部特征点检测方法主要基于手工规则选取稳定的特征点,规则不具有普遍性。本硕士论文主要是采用数据驱动的监督学习方法,研究并改进获取稳定的局部特征点的检测子算法。本文主要针对尺度不变特征变换(SIFT)算法进行研究,提出新的局部特征点检测子Rank-SIFT算法,来提高局部特征点的稳定性。在此方法中,采用基于学习的排序(Learning toRank)框架,通过设计图像局部特征点周围的差分、梯度以及边缘反应等特征,在同一场景的一组图片中定义并计算候选特征点稳定度评分,提取训练数据,训练Rank-SVM模型。用此模型来评估每个候选特征点的稳定程度,从而选择出稳定的特征点。同时本文构建了供评估实验用的图片数据库,设计基于重复度(Repeatability Score)和匹配度(Matching Score)两种评测标准,并分别在Oxford图像数据库和PASCAL数据库上进行大规模图像检索(Image Retrieval)和物体分类(Category Classi?cation)应用实验,评测提出方法的效果。实验结果证明:与传统方法SIFT相比,新方法Rank-SIFT能够稳步提高特征点的稳定性。同时本文中用稀疏编码的实验方法分析设计的每一维特征在稳定度判别中的重要程度。最后,实现基于网络在线图像局部特征点检测子系统,开发并公布开源软件工具包。