【局部特徵】ASIFT

      因爲相機正面白攝物體時，相機的光軸方向可能發生變化，帶來扭曲。而SIFT算法雖具備徹底的尺度不變性，但不具備徹底的仿射不變性，對拍攝角度發生大角度空間變化的圖像特徵提取有必定的侷限性。ASift經過模擬經度與緯度實現徹底的仿射不變，而後用SIFT算法把模擬圖像進行比較，最後實現特徵匹配。

ASIFT算法的具體步驟以下：

1.選取採樣參數，模擬不一樣經度與緯度的圖像。

2.計算模擬圖像的特徵。

3.結合全部的模擬圖像的特徵，進行特徵匹配。

注意：ASIFT提供的一種框架，其核心思想是模擬不一樣的經度與緯度的圖像，具體模擬圖像的特徵提取和匹配，可選擇SIFT、SURF等特徵。

ASIFT算法代碼資源：

http://www.ipol.im/pub/art/2011/my-asift/

https://github.com/Itseez/opencv/blob/master/samples/python2/asift.py

OpenCV只提供python實現的asift，若是須要在C++中使用asift，主要有兩種方法可參考。

1.利用做者提供的C++代碼，具體使用方法可參考做者提供的文檔。

2.將asift.py翻譯成C++代碼。

asift.py代碼相對清晰，轉換成基於OpenCV的C++代碼比較容易，我主要參用方法2，實現ASIFT算法。

遇到的問題：

1.處理分辨率較大圖片時，出現OpenCV Error: Insufficient memory的錯誤。

　　經分析，計算過程須要保存多張模擬圖片的特徵點和特徵描述子，須要大量內存，致使OpenCV分配內存時，沒有連續可用的內存塊，從而出現OpenCV Error: Insufficient memory的錯誤。

　　解決方法：下降待處理圖片的分辨率，並計算高分辨率到低分辨率轉換的單應性矩陣scaleH。利用ASift算法計算低分辨率圖片的匹配的單應性矩陣matchH。最終待處理圖片的單應矩陣H=matchH*scaleH。

2.計算複雜度問題。

　　因爲須要處理多幅模擬圖片的特徵點檢測，計算複雜度高。目前，主要有兩種思路：1).下降分辨率，減小計算量。2).利用硬件特性進行硬件計算。

ASift做者在文中提到的Two-Resolution Procedure.

(1).採用係數K*K二次採樣查詢圖片u和待搜索圖片v。u = S_kG_ku，v=S_kG_kv，G_k是反走樣高斯離散濾波器，S_K爲K*K二次採樣。

(2).低分辨率下的ASIFT算法：對查詢圖片u和搜索圖片應用ASIFT算法；

(3).肯定u和v中可能產最多匹配對的M種仿射變換；

(4).高分辨率下的ASIFT算法：在原始圖像u和v上使用ASIFT算法，但模擬傾科時只使用這M種仿射變換。

經實驗測試，發現Two-Resolution Procedure雖然能夠在必定下降複雜度，但其對匹配精度會有必定的影響，對於匹配精度要求高的應用不太合適。

Asift.py中，利用線程池加速多幅圖像的特徵點檢測，使得多幅圖像的特徵點檢測同時進行。

結合多線程的思想，我利用每一個線程，計算每幅圖像的特徵點的檢測，結果遇到內存不足的問題。

主要緣由：特徵點檢測過程須要內存空間存儲部分中間結果，當多線程同時計算時，所需內存增大，出現內存不足的問題。

解決方法：能夠根據待處理圖片的分辨率大小和系統提供內存資源的多少，自適應肯定多線程的數目。

利用GPU加速ASIFT計算，具體步驟以下：

(1).將待處理圖片傳輸到GPU端。

(2).將待處理圖片模擬變換，獲得模擬圖片，AffineImage_Kernel。

(3).計算模擬圖片的特徵點，KeyPointsDetect_Kernel。

(4).將計算所得的特徵點數據傳輸到CPU端。

(5).循環處理(2)、(3)、(4)步驟，直到全部模擬變換處理完。

(6).在CPU端完成特徵點匹配計算。

注意：(4)與(5)能夠異步執行，重疊計算與特徵點數據傳輸的時間。

基於GPU特徵點計算主要參考：

SiftGPU: http://cs.unc.edu/~ccwu/siftgpu/

CudaSift: https://github.com/Celebrandil/CudaSift

注意:經測試，發現SiftGPU和CudaSift檢測出的特徵點數目與OpenCV的SiftFeatureDetector檢測出特徵點數目差別較大。