讀“H.Bay, T. Tuytelaars, L. V. Gool, SURF:Speed Up Robust Features[J],ECCV,2006”筆記

SURF:Speed Up Robust Features,加速魯棒特徵。

我覺得SURF是SIFT特徵的一種近似計算，在相似效能甚至更好效能的同時提高了演算法的速度。這些近似體現在......

----《Surf特徵提取分析》

SURF特徵
  SURF特徵比Haar特徵更為複雜，因此計算代價更高，但是由於其表達能力更強，因此能夠以更少數目的特徵來達到相同的區分度，在一定程度上彌補了其在速度上的不足。

計算方法
  簡化的SURF特徵是一種和Haar特徵相類似的特徵，但是其計算的是區域性區域中畫素點的梯度和，並在求和的過程中考慮了梯度方向（所謂梯度，最簡單的一種情形就是指同一行上兩個不同位置畫素值的差比上它們水平座標的差）。

----《傳統的手工特徵之SURF特徵》

背景引言

計算機視覺中，引入尺度不變的特徵，主要的思想是每個檢測到的特徵點都伴隨著對應的尺寸因子。當我們想匹配不同影象時，經常會遇到影象尺度不同的問題，不同影象中特徵點的距離變得不同，物體變成不同的尺寸，如果我們通過修正特徵點的大小，就會造成強度不匹配。為了解決這個問題，提出一個尺度不變的SURF特徵檢測，在計算特徵點的時候把尺度因素加入之中。SURF與SIFT演算法相似，SIFT演算法比較穩定，檢測特徵點更多，但是複雜度較高，而SURF要運算簡單，效率高，運算時間短一點。相關SIFT演算法請詳見博文

基本介紹

首先，我們引用[3]中對SURF描述為：“SURF (Speeded Up Robust Features)isa robust local feature detector, first presented by　Herbert Bay et al. in 2006, that can be used in computer vision tasks likeobject recognition or 3D reconstruction. It is partly inspired by the SIFT descriptor.The standard version of SURF is several times faster than SIFT and claimed by its authors to be more robust against different image transformations than SIFT. SURF is based on sums of2D Haar wavelet responses and makes an efficient use ofintegral images.It uses an integer approximation to the determinant of Hessian blob detector, which can be computed extremely quickly with an integral image (3 integer operations). For features, it uses the sum of　the Haar wavelet response around the point of interest. Again, these can be computed with the aid of the integral image".

從上述對SURF描述，可知：第一、SURF演算法是對SIFT演算法加強版，同時加速的具有魯棒性的特徵。第二、標準的SURF運算元比SIFT運算元快好幾倍，並且在多幅圖片下具有更好的魯棒性。SURF最大的特徵在於採用了harr特徵以及積分影象integral image的概念，這大大加快了程式的執行時間。

演算法描述

為了實現尺度不變性的特徵點檢測與匹配，SURF演算法則先利用Hessian矩陣確定候選點，然後進行非極大抑制，計算複雜度降低多了。整個演算法由以下幾個部分組成。

1.Hessian黑森矩陣構建

----《SURF特徵提取分析》