linemod算法《Gradient Response Maps for Real-TimeDetection of Textureless Objects》

最新推荐文章于 2024-07-04 16:48:39 发布

Cv_Terry

最新推荐文章于 2024-07-04 16:48:39 发布

阅读量3.5k

点赞数 4

分类专栏：图像处理

本文链接：https://blog.csdn.net/ALZFterry/article/details/108694869

版权

图像处理专栏收录该内容

3 篇文章 1 订阅

订阅专栏

制作模板：

代码地址
GITHUB可以看看讨论区
MIPP对VS2013有BUG，我看的是old code

正文

通过旋转，缩放制作生成变换后的模板，然后对每一个模板进行梯度计算，梯度方向的量化。

具体制作模板步骤如下：

1.首先计算模板的梯度信息，如利用sobel算子计算x方向和y方向模板每个像素梯度值Gx，Gy。梯度的方向θ,还有每个像素点的梯度幅值。
2.梯度幅值大于某个阈值的点，我们认为是边缘点。并只保存边缘点的位置信息（x，y），梯度方向，梯度幅值。
3 .梯度方向的量化。实际用到了8个方向，《Gradient Response Maps for Real-TimeDetection of Textureless Objects》，这篇文章中量化为5个方向（拿5个方向举例）。这篇论文里提到量化梯度方向可以增加鲁棒性。我们拿论文里的梯度量化图举例子。
在这里插入图片描述
0-180°被量化成5个方向，且5个方向分别用二进制来表示。0-10°和180-190°被归为一个梯度方向。
4 .对图像金字塔下采样后的图像进行梯度方向量化的操作
5分别对通过旋转和缩放制作生成变换后的模板进行，1,2,3,4步骤操作。并保存。
在这里插入图片描述
这个是经过训练够生成文件信息。分别代表x，y以及和量化方向值（总共有八个方向用0-7表示）。

匹配过程：

1.对被搜索图像（原图）也要进行梯度的计算，并且对梯度的方向做方向的拓展。论文里说也是增加了梯度方向的鲁棒性。
拿论文里的5个梯度方向图举例子：
在这里插入图片描述
（a）待匹配图的梯度图，在这个的基础上，每个位置结合周边3x3邻域位置下的梯度，并汇总到一起，这样每个位置就包含多个梯度方向如图b所示，把这些方向转换为量化后的二进制数据就得到（c） Binarized Image，这里如果3x3邻域内有相关量化梯度方向，那么该位置的二进制数据在相应位置上为1，否则为0。
2.制作查找表;
这个算法匹配速度快的原因很大原因是制作了查找表。
同样拿论文里的图举例子：
在这里插入图片描述
如A图黑色方框，代表被搜索图像某个像素被扩展后的三个方向，分表代表与模板中某两个点（梯度方向分别为←，↑）计算的最大分值。因为模板图像有5个方向，所以我们共制作了5个查找表Lookup Table。查找表是为了我们后面匹配计算总分数的时候，可以直接在Lookup Table查找，省去计算的麻烦。

查找表的定义
在这里插入图片描述
Ti 中的 i代表，模板中5个方向，i=0，1，2，3，4
L代表被搜索图像中的被扩展后梯度方向的组和。例如上图黑色框里就是L的其中一个方向组合。
（ i）代表模板某像素点的方向。
（l）∈L。其中i，l的单位都是弧度。

3制作响应图Response Maps
在这里插入图片描述
个人理解：这张图是被搜索图（原图）各个位置下对应扩展方向的二进制表示，模板图像共有5个方向，那么相应生成5张响应图Response Maps

这个是←和↑方向下的响应图Response Maps，并且与被匹配图像同尺寸，每个位置是在特定方向下的最大分数（分数范围0-1）；
根据文中提到的相似度量衡函数：
在这里插入图片描述
ε（I,T,c）代表相似度分数，I代表被搜索图像，T代表一个邻域33的长度，c代表模板中心在被搜索图像（原图像）的滑动位置（代码里面没太看懂，感觉更应该是模板原点在被搜索图像的滑动位置）。
Ori（O，r），o代表模板图像，r代表模板中某个特征点的位置（例如x5，y=5由制作模板的时候保存）
Ori（I，t）I代表被搜索图像（原图像），t∈R（c+r），R（c+r）代表在被搜索图像c+r位置的上TT的邻域（这个其实是搜索T*T邻域内各个方向）
P代表模板图像各个特征位置
举个计算的例子：假设模板图像某特征点位置X=5,Y=5，方向↑，此时模板滑动到被搜索图像（原图像）X=50，y=50的位置，
那么在↑的Response Maps图中搜x=55，y=55的位置搜索最大余弦值即可。
模板滑动到被搜索图像X=50，y=50的位置，累加计算模板图像上各个特征值。即可得到在X=50，y=50的位置分数ε（I,T,c）。

线性存储
用到了线性储存，也是为了避免重复计算，获得加速效果。
参考：
《Gradient Response Maps for Real-TimeDetection of Textureless Objects》
https://blog.csdn.net/zmdsjtu/article/details/79933822
https://blog.csdn.net/zmdsjtu/article/details/79933822
https://blog.csdn.net/haithink/article/details/88396670