SIFT中的最終描述符

Question

我是計算機視覺新手，開始學習計算機視覺社區中一個非常流行的話題，即SIFT。但我對一個實現細節感到困惑：

在檢測到關鍵點之後，我們必須構造4乘4局部直方圖，作爲最終的SIFT描述符，對嗎？每個局部直方圖包含4乘4像素的局部鄰域的方向。所以總的來說，我們有16次16等於256像素，它們位於關鍵點附近的一個鄰域內。所以這個鄰域是16乘16像素的網格。

但是這個鄰域如何確定細節？鄰居是否按照關鍵點的方向旋轉？根據檢測關鍵點的比例，此256像素鄰域內的像素是否分開？

感謝您的幫助！

Answer 1

首先，SIFT關鍵點以多個比例提取。描述符使用相應的比例進行計算。所以，我不會說'像素'，因爲它可能不明確。對於你的問題，我想引用original paper（6.1節）：

首先，圖像梯度幅度 和方向都是圍繞關鍵點的位置進行採樣，使用 關鍵點的規模，選擇高斯的水平模糊的圖像。

爲了實現定向 不變性，描述符的座標和梯度方向相對於關鍵點方向相對於 旋轉。

σ等於描述符窗口寬度的一半的高斯加權函數 用於爲每個樣本點的大小分配權重。

我希望這能回答你的問題。請不要猶豫，詢問是否有不清楚的地方。