兴趣点检测方法及其最新改进思路

自SIFT及SURF兴趣点检测及匹配方法被提出以来，近年来这方面的算法发展非常迅速，这方面的发展主要是两个方面，第一是兴趣点如何被检测，另一个方面是其描述子的设计。本文主要介绍兴趣点的检测方法其改进思路。兴趣点主要是有两类：一大类就是Harris角点（最为经典的就是FAST了，其将兴趣点认为是角点，通过角点提取方法来检测兴趣点，如最近的ORB、BRISK、FREAK等方法，都是利用FAST-9提取角点，然后再进行后面兴趣点描述子设计。除此之外，还有根据对称性进行兴趣点检测方式（这方面研究还是少了点），如波形传播法。这里我前面的博客里详细地介绍了各类角点检测方法，这里不再详细重复了）。另一类就是通过Hessian矩阵来找出局部不相似点作为兴趣点（SIFT和SURF都是利用这种思路）。对这类方法有个非常大的问题就是找到特征点太多，另外计算量也太大了，所以针对其主要有两种改进思路：

一、矩阵的计算近似

类SIFT和SURF方法都是利用近似Hessian矩阵的行列式来判断，在类SIFT方法中，非常一大类是关于如何设计运算快速、精确的Hessian矩阵。

如SURF方法是通过盒函数来近似。



而更多的方法是选择设计更高效的高斯梯度模板，如通过盒函数来近似高斯梯度模板（SURF），通过环形函数（CenSurE），通过分片三角函数（DART）等，这些新的近似函数模板极大地减少了计算图像卷积高斯梯度模板的运算量，另一方面也带来其它优良的特征。

如下是CenSurE方法的高斯梯度模板，其通过倾斜积分图像来计算高斯梯度。



DART方法利用分片三角函数，同时也减少了尺度空间运算量。



而有一类是考虑到高斯模板（或拉布拉斯变换）容易造成双极点或双边缘，所以应该设计新的滤波器，如RLOG利用分级的LOG滤波器将高斯模板分成两部分，将容易造成双极点的旁瓣变为零响应。



二、兴趣点的选择和优化

SIFT方法另一种改进方式就如何优化大量的兴趣点，从中选择出最优的兴趣点，Rank-SIFT利用RankSVM分类学习方式，从训练集对兴趣点进行分类（根据各种检测特征），找到重复度最优的兴趣点特征集。