图6作业:一种滑动方向取向窗口大小的π/ 3侦测的主导方向小波变换的高斯权重Haar反应在每个采样点在一个圆形的兴趣点附近。
注意,对许多应用程序、旋转不变性是没有必要的。实验中使用垂直的SURF可以探测出目标在[3、4]。U-SURF是更快的计算可以增加区分度,同时保持一个鲁棒性向旋转约+/-15度
4.2 基于和的Haar小波反应描述器
对提取描述符,第一步是由构造一个广场周围地区的兴趣点集中选择沿取向和方向,在前一节。这扇窗户的大小是20秒左右。这样的例子阐述了空间地区图7。
图7.显示详细的涂鸦的场景表现了在不同规模下定向描述器窗口的大小。
这个区域被分成4x4的小块的子区域。这样可保留重要的空间信息。对每个子区域,我们计算Harr小波响应在5x5常规空间下的采样点。简单的原因,我们叫dx的Haar水平方向小波响应，dy为的Haar垂直方向小波反应（滤波器尺寸两秒）注意图4。“纵向”与“横向”这是定义在关系到所选择的兴趣点的定位(见图12)。对提高系统的鲁棒性几何变形和选择位置的错误时,首先相应dx和dy加权和高斯(σ= 3.3s)主要集中在兴趣。
图8. 为了建立了描述,基于兴趣点的(左)一个面向二次网格镶嵌4x4平方子区域，每个方块,计算小波反应。每个方块的2x2个子部分的实际领域相对应的描述符。这是dx，│dx│，dy，│dy│的和,相对的,计算网格的方向(右)。
然后，每个子区域的小波响应dx和dy之和组成第一组特征向量。为了把强度变换极性加入信息中，我们也取出响应的绝对值1dx1和1dy1。因此，每个有一个四维描述的子区域都有向量v，其结构为：
v?(?dx,?dy,??dx????dy?)
图9.子区域的描述可表示了依赖于强度的部分。左：万一均匀的区域,所有的值也相对较低。中：在x方向存在固有频率，Σ│dx│很高，但其他部分依然很低。如果强度逐渐在x方向增加，Σdx和Σ│dx│都高。
图9.显示性能的三个鲜明不同种类的形象描述符模式在一次区域强度。人能想象的组合模式,造成局部强度等有独特的描述符。
SURF是,在某种意义上说,类似的概念,SIFT,,他们都把注意力集中在空间分布的梯度信息。不过,SURF的几乎所有病例筛入优于如图所示,在第五部分。我们相信这是由于这样的事实,即SURF集成在一个子区域的梯度信息,而SIFT
取决于个人的方向的梯度。这使得SURF较不敏感的噪音,如图所示的例子,图10。
图10.由于全球一体化的SURF的描述符,它对于各种图像扰动比本地操作的SIFT描述会具有更强的鲁棒性。
为了到达这些SURF描述符,我们试着用越来越多小波的特点、二阶衍生物、高阶小波,利用主成分分析法(PCA),平均价值,平均值等。从全面的评估,该套原来的效果最好。然后我们不同
样本点的数量和分区。4 x4次区域分工的解决方案提供了最好的结果。考虑到更精细的分支机构似乎更少的鲁棒性和将增加匹配倍。另一方面,短描述符与3x3子区域(SURF-36）略微糟糕,但允许非常快速的匹配与其他文献中描述符相比还是可以被接受的。
我们还测试了另一种版本的添加了几个类似的特点的SURF描述符(SURF-128)。它和以前一样再一次使用相同和,但是现把这些值进一步分裂。dx和│dx之和被分开计算为在dy<0和dy≥0的两种情况。同样的,dy和│dy│和,是根据dx的标志,从而增加两倍数量的特点。描述符更与众不同,而不是慢的多,但速度慢一些计算是由于其高维度。
4.3 快速索引匹配
快速索引在匹配阶段,拉普拉斯的符号(如下，黑森矩阵的痕迹)的潜在利息点包括在内。典型地,兴趣点,都存在于滴状结构。拉普拉斯的符号区分明亮的斑点在深色的背景,从相反的情况。此功能可在没有额外的计算代价，因为在检测阶段已计算出。在匹配阶段,我们只比较功能是否有相同类型的对比,见图11。因此,该最低限度的信息使你更快的匹配、不减低描述符的性能。注意,这也是之优点为更先进的索引方法。例如k-d树,这个额外的信息定义了一个有意义的数
据、分裂平面相对于随机选择一个元素或采用特征统计。
图11.如果两个兴趣点的对比是不同的（白点在和背景上和黑点在白背景上），这不被认为是有价值的比较。
5.结语和工作展望
我们提出了一种快速、性能规模和旋转不变的兴趣点检测器和描述符。 重要的速度增益由于使用积分图像,这极大地降低了旋转所需的操作次数和度低的选择规模。结果表明,我们的Hessian近似是很优秀的,有时甚至比最先进的兴趣点探测器更好。高重复性利于摄像机自标定、一个精确的兴趣点探测对相机的自标定有直接影响,进而会影响到摄像机自标定的质量产生的三维模型。
最重要的改善是速度的检测器。甚至没有任何可能的实时计算,现在让计算几乎没有损失是可能的,这代表了性能是一个重要的优势对许多在线计算机视觉应用。
总结我们的描述,基于小波组件之和,优于目前性能最优异的方法。似乎自然的描述了潜在的图像强度模式与基于直方图的方法更独特的方法。简洁又使我们使用积分图像描述符在速度方面更有竞争力。此外,基于拉普拉斯变换的索引策略使匹配步骤更快而且不会引起的任何损失的性能。
通过实验对摄像机定标和目标识别突出SURF的潜力有着广泛的计算机视觉应用。在前者中,兴趣点的准确性和显著性的描述符主要表现为主要因素为获得更准确的三维重建,甚至在困难的情况下得到任何三维重建。在后者中,该性质描述符在一个简单的目标识别任务做得比它的竞争对手要好,。