特征提取的综合实验（多种角度比较ＳＩＦＴ、ＳＵＲＦ、ＢＲＩＳＫ、ＯＲB算法)

代码：https://files.cnblogs.com/files/jsxyhelu/main.zip

一、基本概念：

特征点提取在“目标识别、图像拼接、运动跟踪、图像检索、自动定位”等研究中起着重要作用；

主要算法包括：

特征点识别主要流程为:

1、检测关键点、提取描述向量和特征匹配；

2、通过检测关键点和提取描述向量构造出局部特征描述子，

3、然后进行特征匹配

特征点识别在以下6个方面进行比较

1、算法匹配速度比较 ubc

测试方法：在相同的匹配环境下，即使用同样配置的计算机，对相同的一对图像进行比较，测试算法的执行时间

2、旋转变换鲁棒性比较 bark

测试方法：对同一图像进行一定角度的旋转，旋转角度逐步递增，旋转后的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

3、模糊变换鲁棒性比较 bikes

测试方法：对同一图像用不同的高斯核进行模糊处理，模糊处理后的图像逐一与原始图像进

行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度 

4、光照变换鲁棒性比较 leuven

测试方法：对同一图像的亮度进行改变，逐

渐降低亮度，改变亮度后的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

5、尺度变换鲁棒性比较 bark

测试方法：对原图像的尺度大小进行改变，尺度变化后的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

6、视角变换鲁棒性比较 graf

测试方法：对原场景转一定角度进行拍摄，不同视角的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对

数的变化幅度 

二、数据集（借用了自己PPT的内容）

 

三、实验思路（借用了自己PPT的内容）

 

四、编写代码（借用了自己PPT的内容）

六、数据分析（借用了自己PPT的内容）

 

 

 

 

来自为知笔记(Wiz)