4
С.Н. Загоруйко, В.П. Носков
PCA-SIFT (PCA – Principal Component Analysis) [5–7] и т. д. Алгоритм
SIFT – один из самых известных. Получаемые с помощью него при-
знаки инвариантны относительно масштаба и поворота, устойчивы
к ряду аффинных преобразований, шуму, изменению в освещении.
Указанный алгоритм можно разделить на две части: 1) определение
«точек интереса»; 2) построение дескрипторов окрестностей этих
точек. Есть несколько способов определения «точек интереса», напри-
мер использование пирамиды Гаусса, построенной по изображению.
Далее изображения приводятся к одному размеру, и вычисляется их
разность. В качестве кандидатов «точек интереса» выбираются толь-
ко те пиксели, которые сильно отличаются от остальных. Это выпол-
няется путем сравнения каждого пикселя изображения с несколькими
соседними пикселями данного масштаба, с несколькими соседними
пикселями в большем и меньшем масштабе. Если яркость пикселя
является экстремумом, то он выбирается как «точка интереса». Затем
для каждой «точки интереса» определяется локальный дескриптор,
характеризующий направление градиентов в пикселях некоторой
окрестности.
Нахождение попарного соответствия дескрипторов проводится
с помощью быстрого приближенного поиска ближайших соседей.
Установленные дескрипторы фильтруются по расстоянию и исходя из
возможного перемещения сенсора. Пример двух изображений с парами
дескрипторов, полученными с помощью алгоритма SIFT, приведен на
рис. 3.
Вычисление геометрического преобразования (матрицы вращения
и вектора линейного перемещения) между предыдущей и новой точка-
ми съема изображений выполняется модифицированным итерационным
алгоритмом Iterative Closest Point (ICP) [8]. На каждой итерации этого
алгоритма осуществляется поиск двойного кватерниона
ˆ
q q s
, при
котором минимизируется функционал вида
Рис. 3.
Пары дескрипторов, найденные алгоритмом SIFT
на двух изображениях
