最新 | Magic Leap提出新技术:迈向几何型深度 SLAM
http://www.sohu.com/a/160168358_642762
http://blog.csdn.net/lmg2015/article/details/78407201
https://www.cnblogs.com/ronny/p/4260167.html 图像局部特征点检测算法综述
http://www.360doc.com/content/15/1114/16/25664332_513168246.shtml Harris 角点检测原理详解
http://blog.csdn.net/hujingshuang/article/details/46898007 【特征检测】FAST特征点检测算法
https://www.cnblogs.com/ronny/p/4081362.html Binary Robust Independent Elementary Features
我们已经知道SIFT特征采用了128维的特征描述子,由于描述子用的浮点数,所以它将会占用512 bytes的空间。类似地,对于SURF特征,常见的是64维的描述子,它也将占用256bytes的空间。如果一幅图像中有1000个特征点(不要惊讶,这是很正常的事),那么SIFT或SURF特征描述子将占用大量的内存空间,对于那些资源紧张的应用,尤其是嵌入式的应用,这样的特征描述子显然是不可行的。而且,越占有越大的空间,意味着越长的匹配时间。
BRIEF算法优劣
优点
1、计算速度快
缺点
1、对噪声敏感(因为二进制编码是通过比较具体像素值来判定的)
2、不具备旋转不变性
3、不具备尺度不变性
https://www.cnblogs.com/ronny/p/4260167.html
5. 应用之图像匹配
图像匹配的研究目标是精确判断两幅图像之间的相似性。图像之间的相似性的定义又随着不同的应用需求而改变。例如,在物体检索系统中(找出含有亚伯拉罕·林肯的脸的图像),我们认为同一物体的不同图像是相近的。而在物体类别检索系统中(找出含有人脸的图像),我们则认为相同类的物体之间是相近的。
这里局部特征点的应用主要表现在第一种相似性上,也就是说我们需要设计某种图像匹配算法来判断两幅图像是否是对同一物体或场景所成的图像。理想的图像匹配算法应该认为两幅同一物体的图像之间相似度很高,而两幅不同物体的图像之间相似度很低,如下图所示。
image
由于成像时光照,环境,角度的不一致,我们获取的同一物体的图像是存在差异的,如同上图中的两辆小车的图像一样,角度不同,成像就不同。我们直接利用图像进行比较是无法进行判断小车是否为同一类的。必须进行特征点的提取,再对特征点进行匹配。
图像会存在哪些变换呢?一般来说包括了光照变化与几何变化,光照变化表现是图像上是全局或局部颜色的变化,而几何变化种类就比较多了,可以是平移、旋转、尺度、仿射、投影变换等等。所以我们在研究局部特征点时才要求特征点对这些变化具有稳定性,同时要有很强的独特性,可以让图像与其他类的图像区分性强,即类内距离小而类间距离大。