特征提取
文章平均质量分 86
tostq
邮箱:tostq216@163.com
展开
-
KLT光流法及其特征点检测方法
KLT角点检测方法最初是用于满足Lucas-Kanade光流法选择合适特征点的要求,Lucas-Kanade光流法是通过先在前后两帧图像里分别建立一个固定大小窗口,然后找到让两个窗口间像素强度差的平方和最小的位移。然后将窗口内像素的移动近似为这样的位移向量,然后实际上,一方面像素移动并不会那么简单,另一方面窗口内像素并不都是同样的移动方式,因为这样的近似必然会带来误差。而现在的问题就是如何去选择合原创 2015-10-15 20:28:27 · 16291 阅读 · 0 评论 -
角点检测算法及其描述子评估介绍
我以前的博客里面介绍了大量的角点检测算法和其局部描述子设计方法,这里将摘录其各自的论文和相关综述文章内的实验估评估,然后给出自己的一些总结。(特别多的图>O一、角点检测子的效果评估1.1 Harris同SIFT、FAST、SURF等角点检测方法匹配效果1.2 S-LOCOCO同Harris及KLT的比较1.3 FAST同其它方法的比较原创 2015-11-30 13:53:56 · 5266 阅读 · 2 评论 -
描述子设计方法介绍
摘要前文中我们介绍了兴趣点是如何检测和最新的改进思路,这里我们介绍下局部描述子设计的方法,其主要是通过提取兴趣点周围区域的特征,然后将特征描述成向量形式(即描述子),目前看来兴趣点周围区域的特征提取过程,一般都是采用采样局部点(区域)的特征的方法,然后将兴趣点整个区域内所以采样点(区域)的特征组合在一起。如SIFT方法先将兴趣点附近分成了4*4的小块,然后统计这16个块中每块的8个方向梯度值,原创 2015-11-30 13:35:30 · 5317 阅读 · 0 评论 -
类神经网络的角点检测方法
今天阅读了一篇论文里面提到一种类神经网络模型Connectionist Model的角点检测方法,非常有意思,虽然说这篇论文里面介绍的方法结构特征复杂(图像的每个点都需要一对神经元的表示),而且只能针对于结构简单二值或灰度图像,但这个方法非常有启发性,该方法利用了多尺度空间及人工神经网络的思想。原创 2015-10-13 20:36:37 · 3138 阅读 · 2 评论 -
SURF算法详解及同SIFT算法的比较
SURF (Speeded Up Robust Features)也是一种类似于SIFT的兴趣点检测及描述子算法。其通过Hessian矩阵的行列式来确定兴趣点位置,再根据兴趣点邻域点的Haar小波响应来确定描述子,其描述子大小只有64维(也可以扩展到128维,效果更好),是一种非常优秀的兴趣点检测算法。本文主要从SURF原文出发,结合自己一些理解,并比较sift方法,对其算法原理进行总结。关键原创 2015-10-28 18:08:30 · 18823 阅读 · 0 评论 -
从多尺度空间到差分高斯金字塔
从多尺度空间到差分高斯金字塔摘要:1、 多尺度空间理论是如何构思的2、 高斯平滑的意义是什么3、 DoG同LoG为什么会被提出,它们的联系是什么4、 差分高斯金字塔为什么会分那么多组和层通常情况下,我们经常通过极值或梯度等来描述一个信号(或图像)的信息,然后尺度信息也是同等重要的,尺度越来越精细,会图像增加更多细节,反之尺度越粗,也会丢失许多细节,如此以来,研究人员原创 2015-10-12 09:31:06 · 8632 阅读 · 0 评论 -
基于曲线方向(梯度)变化的角点检测方法
除了通过计算曲线角度来确定角点外,还一种更为直观的方法,因为角点实际上边缘的连接处,所以我们可以直接检测某点边缘方向变化,如果一个点上有多个连接的边缘,或边缘变化较大,说明这个点是角点。本文将重点介绍三个方法,分别是GCM方法(基于边缘梯度自相关矩阵)、DOG方法和ANDD方法。一、通过梯度自相关矩阵的方法(GCM)首先计算边缘平面曲线上每点的梯度: 这里的dx和dy分别是原创 2015-10-27 22:58:48 · 7157 阅读 · 0 评论 -
基于曲线曲度或类曲度的角点检测方法总结
摘要:主要介绍了基于曲线曲度的角点检测方法,不仅介绍了早期的曲度计算方法,还包括了CSS方法、CPDA方法、样条曲线参数估计曲度方法、协方差矩阵估计曲度方法等,最后还给出了针对这些方法最新的一些改进,如基于小波、基于多尺度乘积、自适应角度阈值、动态迭代ROS等等。一旦我们知道边缘每点的曲度,那么我们就能非常好的区分角点。通过计算曲线曲度或者可以衡量曲度的其它量,自然而然成为我们检测角点原创 2015-10-27 19:40:37 · 9487 阅读 · 6 评论 -
尺度及仿射不变的Harris角特征点检测及匹配算法
角特征点检测是一种局部特征子,而局部特征子非常适合于图像匹配及识别(尤其是目标出现阻挡的情况),但问题是如何才能找到具有不变性的特征子(针对于旋转、仿射、光照、尺度等不变性特征)。原创 2015-10-10 09:22:34 · 14832 阅读 · 5 评论 -
特征点检测效果评估(matlab代码)
最近老师给我一个课题方向,要求研究特征提取的方法,找到提取出来的特征精度最高,这里的最高是指在多帧运动变化图片里应用此算法都能找到固定位置的特征,而且这个特征不限,可以是边缘、角点或区域块等,然后根据不同特征、其运动变化及图像成像质量提供不同的算法,以达到最优。这个方向刚开始的确十分头大,完全不知道从什么着手,是边缘提取算法呢?还是先作目标分割,大概想一两天,决定先从特征点(包括角点)提取算法做起原创 2015-09-24 20:11:58 · 10672 阅读 · 14 评论 -
基于模板的角点检测方法综述
基于模板的角点检测方法,不同基于梯度或导数的方法,它是直接针对于像素的灰度值(像素强度)的,这种方法的一般操作过程是先建立一个模板mask,通过模板来操作或比较图像局部的像素,从面判断其是否为角点,SUSAN方法就是这类方法的典型。(1)楔形建模方法最早期的方法,是将角点位置的区域建模成楔形区域,如下图所示,这个模型包含了角点、方向、对比度、钝度、曲度的变化,每一个楔形都包含了上述几个参数原创 2015-10-22 18:16:09 · 3287 阅读 · 0 评论 -
FAST-ER角点检测算法详解(改良的FAST算法)
FAST-ER是FAST算法原作者在2010年提出的,它在原来算法里提高特征点检测的重复度,重复意味着第一张图片内的检测的点,也可以在第二张图片上的相应位置被检测出来,重复度可以由如下式子定义:这里的Nrepeated指第一张图片内的检测点有多少能在第二张被检测到,而Nuseful定义为有用的特征点数。这里计算的一组图像序列的总的重复度,所以Nrepeated和Nuseful是图像序列原创 2015-10-22 16:21:19 · 7772 阅读 · 1 评论 -
基于图像像素梯度的角点检测方法综述
通过图像像素强度的梯度值来确定角点的位置,是非常直观的角点检测方法,下面我们将给出一个基于图像梯度(导数)方法的简介,在这类方法里用的比较多的便是Harris和KLT(Shi-Tomasi)方法了,我们将介绍其原理比较其不同,另外本文还提到了一些早期梯度检测方法(如DET)。原创 2015-10-19 17:31:36 · 6425 阅读 · 1 评论 -
SUSAN角点及边缘检测方法详解
SUSAN边缘及角点检测没有用到图像像素的梯度(导数),因为这个原因,所以即使在噪声存在情况下,也能有好的表现。因为只要噪声足够的少,没有包含到所有相似像素的点,那么噪声就可以被排除。在计算时,单个值的集合统一消除了噪声的影响,所以SUSAN对于噪声具有较好的鲁棒性。SUSAN是通过比较像素点邻域同其中心相似程度,所以也具有了光强变化不变性(因为像素点差别不会变化),及旋转不变性(旋转不会改变局部像素间的相似程度),及一定程度的尺度不变性(角点的角度在尺度放大并不会变化,这里的一定程度是指在尺度放大时,局原创 2015-10-21 15:50:57 · 22423 阅读 · 4 评论 -
FAST角点检测方法详解
FAST(Features from Accelerated Segment Test)由Edward Rosten和Tom Drummond在2006年首先提出,是近年来一总倍受关注的基于模板和机器学习的角点检测方法,它不仅计算速度快,还具有较高的精确度。本文将通过其2006年的原文,详细介绍FAST的基本原理。一、FAST算法原理FAST的方法主要是考虑像素点附近的圆形窗口上的原创 2015-10-21 23:14:06 · 24150 阅读 · 2 评论 -
LOCOCO角点检测方法(一种快速精确的Harris及KLT)介绍
虽然Harris及KLT(Kanade-Lucas-Tomasi)等方法被广泛等应用于角特征检测领域,但是由于这些算子计算复杂,很难达到实时运行,所以其应用也受到了限制。由此一种新的实时快速算法LOCOCO角点检测方法(2011年)被提出,它重新设计了Harris及KLT算法来减少其计算复杂度,并提出了一种子像素精确度的角点位置确定。Harris算法及KLT的方法非常类似,都是属于对图像像素强度梯度进行操作。其方法都是首先通过卷积一阶高斯梯度核来获得图像梯度,然后计算每个像素梯度矩阵及角响应(这里Harr原创 2015-10-19 11:06:12 · 4467 阅读 · 0 评论 -
Shi-Tomasi特征点(角点)检测及追踪方法
本文主要介绍了Shi-Tomasi特征点(角点)检测及追踪方法,这个方法是KLT方法的一种改进,其在检测特征点(角点)方法同KLT并没有什么不同,都通过比较梯度矩阵的最小特征值来确定特征点的,而主要的不同是在,匹配特征点时,其引入了仿射变换,让特征点在帧间匹配更为精确,并排除不好的特征点。另外还简要介绍了在估计图像运动向量的迭代方法—牛顿-拉夫逊方法或牛顿迭代法(Newton-Raphson method)原创 2015-10-16 14:36:32 · 9608 阅读 · 2 评论 -
兴趣点检测方法及其最新改进思路
自SIFT及SURF兴趣点检测及匹配方法被提出以来,近年来这方面的算法发展非常迅速,这方面的发展主要是两个方面,第一是兴趣点如何被检测,另一个方面是其描述子的设计。本文主要介绍兴趣点的检测方法其改进思路。兴趣点主要是有两类:一大类就是Harris角点(最为经典的就是FAST了,其将兴趣点认为是角点,通过角点提取方法来检测兴趣点,如最近的ORB、BRISK、FREAK等方法,都是利用FAST-9提取原创 2015-11-30 13:23:06 · 3640 阅读 · 1 评论