2DPCA-SIFT：一种有效的局部特征描述方法

摘要：

PCA-SIFT (Principal component analysis - scale invariant feature transform)方法通过对归一化梯度向量进行PCA 降维,在保留特征不变性的同时,有效地降低了特征矢量的维数,从而提高了局部特征的匹配速度。但PCA-SIFT 中对本征向量空间的求解非常耗时,极大地限制了PCA-SIFT 的灵活性与应用范围。本文提出采用2DPCA 对梯度向量块进行降维的特征描述方法。该方法相比于PCA-SIFT,可以快速地求解本征空间。实验结果表明：2DPCA-SIFT 在多种图像变换匹配和图像检索实验中可以实现与PCA-SIFT相当的性能,并且从计算效率上看,2DPCA-SIFT具有更好的扩展性。

关键词：2DPCA降维、局部特征描述、图像匹配、图像检索

分类号：TP3;TN9

资助基金：国家自然科学基金61272220;江苏省自然科学青年基金BK2012399资助@@@@Supported by National Natural Science Foundation of China61272220;Natural Science Foundation of Jiangsu ProvinceBK2012399

在线出版日期：2014-05-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：675-682