OpenCV:何时使用GridAdaptedFeatureDetector
OpenCV: When to use GridAdaptedFeatureDetector?
我正在尝试制作一个基于描述符的检测器。我正在使用OpenCV，我已经看到有许多特征类型和描述符类型，还有匹配器类型。此外，我还看到可以使用网格或金字塔等组合类型作为特征类型。
我还没有找到一个很好的解释(除了金字塔，它说这对"没有固有缩放的探测器"是好的)。我想对每种类型和每种组合(feature-descriptor-matcher)进行一个小的描述，以产生一个想法，而不是创建一个详尽的工作来搜索和验证每种可能的组合。
有人知道更多关于这个的信息吗?
术语特性通常用于两种不同的东西:
- <
- 特性em>探测器, <
- 特性em>描述符。
探测器的目标是…嗯…检测好的有趣点，即在视点和光照变化下稳定的点，并且在单应性估计或对象检测等任务中产生良好的性能。
描述符的目的是在上述视点和光照变化下，对检测点达到良好的匹配性能。
一些点是单独设计的 ，没有任何描述符。这是大多数最古老的兴趣点 (Moravec, Harris, good features)和一小部分最近的兴趣点(FAST)的情况。
然后，通过点检测器和描述符的协同设计实现了重大的性能改进，这就是SIFT和SURF所采用的方法。为简单起见，没有给描述符指定一个特定的名称(尽管您可以注意到SIFT描述符和HoG特性非常接近)。这些描述符是实值(即浮点向量)。 最后，为了使在有限的硬件条件下具有快速的运行时间，设计了一个原始的关键点检测器(fast)。FAST依赖于简单的二进制测试。然后，同样的二元测试方法被用于设计描述符，这就是你获得BRIEF、BRISK、FREAK、ORB……因此，您得到的是二进制描述符(比特流)。最后，如果你想总结:
- 您可以根据需要交叉描述符和检测器。只是要小心，当检测器没有刻度时，您可能必须为需要它的描述符(SIFT, SURF)猜测一个(或强加一个默认刻度);
- 任何匹配器都可以使用，只要每个图像具有相同类型的描述符。变化的是匹配器使用的特征距离;
- SIFT和SURF是实值，因此需要使用L2距离进行匹配。最近的描述符(BRIEF, BRISK, FREAK, ORB)是二进制，距离必须用汉明距离来测量。
相关文章：
- 没有找到相关文章
