特征提取
特征的种类在图像领域主要分为点,线,面。线特征和面特征对图像信息利用得更多,因而其分辨性更高。但遗憾的是,由于线特征和面特征提取的条件比较苛刻,因此在实际应用中并不广泛。(尽管在SLAM中也有点线结合的实例,在图像纹理较弱的情况下,线特征可以发挥更大的用处。但是却是在增加计算量的同时,提高的性能较为有限。)随着深度学习在图像方面的不断提升,基于全图学习得到的特征向量性能不断提高,甚至超越了手工设计的特征点。这也是前面所说的,由于对图像信息利用得更加全面,才使得特征向量的识别性能越来越好。
在视觉SLAM中,特征主要还是用点特征。
>>
点特征主要分为两大类:
- 基于手工设计的特征点:这类特征点主要是凭借人们对几何学以及数学上的一些认识,对图像中的某一块特殊区域进行建模得到描述函数。典型的比如SIFT,利用差分高斯金字塔计算图像中比较特殊的点,再通过该点的领域信息对其进行描述,得到最终的描述函数。
- 基于深度学习得到的特征向量:这类特征点主要是对深度学习网络进行设计,使其通过多个卷积和池化操作来取得图像中比较有用的信息。说起来是比较抽象的,个人理解,深度学习虽然看起来是个大箱子,但是实际上,各个卷基层都是一个函数 $f_{i}(x)$,最终的输出就是多个复合函数的函数值 $G =