Укажите типы функции

Выявление признаков изображений является базовым блоком многих задач компьютерного зрения, таких как регистрация изображений, отслеживание и обнаружение объектов. Computer Vision Toolbox™ включает множество функций для выявления признаков изображений. Эти функции возвращают объекты точек, которые хранят информацию, характерную для конкретных типов функций, включая (x, y) координаты (в Location свойство. Можно передать объект точек от функции обнаружения до множества других функций, которые требуют характерных точек как входных параметров. Алгоритм, что функция обнаружения использование определяет тип точек, возражает, что это возвращается.

Функции, которые возвращают объекты точек

Объект точекВозвращенныйТип функции
cornerPointsdetectFASTFeatures
Алгоритм от ускоренного теста сегмента (FAST) функций
Использует аппроксимированную метрику, чтобы определить углы. [1]

Углы
Обнаружение одно шкалы
Укажите отслеживание, отобразите регистрацию с минимальным изменением шкалы, угловое обнаружение в сценах человеческого источника, таких как улицы и внутренние сцены.

detectMinEigenFeatures
Минимальный алгоритм собственного значения
Метрика собственного значения минимума использования, чтобы определить угловые местоположения. [4]
detectHarrisFeatures
Алгоритм Харриса-Стивенса
Более эффективный, чем минимальный алгоритм собственного значения. [3]
BRISKPointsdetectBRISKFeatures
Алгоритм Бинарного устойчивого инвариантного масштабируемого Keypoints (BRISK) [6]

Углы
Многошкальное обнаружение
Укажите отслеживание, отобразите регистрацию, изменения указателей по своим масштабам и вращение, угловое обнаружение в сценах человеческого источника, таких как улицы и внутренние сцены

SURFPointsdetectSURFFeatures
Алгоритм ускоренных устойчивых функций (SURF) [11]

Блобы
Многошкальное обнаружение
Обнаружение объектов и регистрация изображений со шкалой и изменениями вращения

ORBPointsdetectORBFeatures
Ориентированный FAST и Вращаемый BRIEF (ORB) метод [13]

Углы
Многошкальное обнаружение
Укажите отслеживание, отобразите регистрацию, изменения указателей попеременно, угловое обнаружение в сценах человеческого источника, таких как улицы и внутренние сцены

KAZEPointsdetectKAZEFeatures
KAZE не является акронимом, а именем, выведенным из японского слова kaze, что означает ветер. Ссылка к потоку воздуха, которым управляют нелинейные процессы в крупном масштабе. [12]

Многошкальные функции блоба

Уменьшаемое размывание границ объекта

MSERRegions

detectMSERFeatures
[7] [8] [9] [10] алгоритма максимально устойчивых экстремальных областей (MSER)

Области универсальной интенсивности
Многошкальное обнаружение
Регистрация, широкая базовая калибровка стерео, текстовое обнаружение, обнаружение объектов. Указатели превращаются в шкалу и вращение. Более устойчивый к смежным преобразованиям в отличие от других детекторов.

Функции, которые принимают объекты точек

ФункцияОписание
relativeCameraPose

Вычислите относительное вращение и перевод между положениями камеры

estimateFundamentalMatrixОцените основную матрицу от соответствующих точек в стереоизображениях
estimateGeometricTransform2DОценка геометрического преобразования по совпадающим парам точек
estimateUncalibratedRectificationНекалиброванное исправление стерео
extractFeaturesИзвлеките дескрипторы точки интереса
МетодХарактеристический вектор
BRISKФункция устанавливает Orientation свойство validPoints выведите объект к ориентации извлеченных функций в радианах.
FREAKФункция устанавливает Orientation свойство validPoints выведите объект к ориентации извлеченных функций в радианах.
SURFФункция устанавливает Orientation свойство validPoints выведите объект к ориентации извлеченных функций в радианах.

Когда вы используете MSERRegions объект с SURF метод, Centroid свойство объекта извлекает дескрипторы SURF. Axes свойство объекта выбирает шкалу дескрипторов SURF, таким образом, что круг, представляющий функцию, имеет область, пропорциональную области эллипса MSER. Шкала вычисляется как 1/4*sqrt((majorAxes/2).* (minorAxes/2)) и насыщаемый к 1.6, как требуется SURFPoints объект.

KAZEНелинейные находящиеся в пирамиде функции.

Функция устанавливает Orientation свойство validPoints выведите объект к ориентации извлеченных функций в радианах.

Когда вы используете MSERRegions объект с KAZE метод, Location свойство объекта используется, чтобы извлечь дескрипторы KAZE.

Axes свойство объекта выбирает шкалу дескрипторов KAZE, таким образом, что круг, представляющий функцию, имеет область, пропорциональную области эллипса MSER.

ORBФункция не устанавливает Orientation свойство validPoints выведите объект к ориентации извлеченных функций. По умолчанию, Orientation свойство validPoints установлен в Orientation свойство входа ORBPoints объект.
BlockПростой квадрат neighbhorhood.

Block метод извлекает только окружения, полностью содержавшие в границе изображения. Поэтому выход, validPoints, может содержать меньше точек, чем вход POINTS.

AutoФункция выбирает Method на основе класса точек ввода и реализаций:
FREAK метод для cornerPoints входной объект.
SURF метод для SURFPoints или MSERRegions входной объект.
FREAK метод для BRISKPoints входной объект.
ORB метод для ORBPoints входной объект.

Для M-by-2 входная матрица [x y] координаты, функция реализует Block метод.

extractHOGFeaturesИзвлеките гистограмму ориентированных градиентов функции
insertMarkerВставьте маркеры в изображение или видео
showMatchedFeaturesОтобразите соответствующие характерные точки
triangulate3-D местоположения неискаженных соответствующих точек в стереоизображениях
undistortPointsПравильная точка координирует для искажения объектива

Ссылки

[1] Rosten, E. и Т. Драммонд, “Машинное обучение для Высокоскоростного Углового Обнаружения”. 9-я европейская Конференция по Компьютерному зрению. Издание 1, 2006, стр 430–443.

[2] Mikolajczyk, K. и К. Шмид. “Оценка результатов деятельности локальных дескрипторов”. Транзакции IEEE согласно Анализу Шаблона и Искусственному интеллекту. Издание 27, Выпуск 10, 2005, стр 1615–1630.

[3] Харрис, C. и М. Дж. Стивенс. “Объединенный Детектор Угла и Ребра”. Продолжения 4-й Конференции по Видению Alvey. Август 1988, стр 147–152.

[4] Ши, J. и К. Томэзи. “Хорошие Функции, чтобы Отследить”. Продолжения Конференции по IEEE по Компьютерному зрению и Распознаванию образов. Июнь 1994, стр 593–600.

[5] Tuytelaars, T. и К. Миколэджчик. “Локальные Инвариантные Анализаторы: Обзор”. Основы и Тренды в Компьютерной графике и Видении. Издание 3, Выпуск 3, 2007, стр 177–280.

[6] Leutenegger, S., М. Чли и Р. Сигварт. “BRISK: бинарный устойчивый инвариантный масштабируемый Keypoints”. Продолжения международной конференции IEEE. ICCV, 2011.

[7] Nister, D. и Х. Стьюениус. "Линейное Время Максимально Устойчивые Экстремальные области". Читайте лекции Примечаниям в Информатике. 10-я европейская Конференция по Компьютерному зрению. Марсель, Франция: 2008, № 5303, стр 183–196.

[8] Матас, J. O. Приятель, М. Арба, и Т. Пэдждла. "Устойчивый широко-базовый стерео из максимально устойчивых экстремальных областей". Продолжения британской Конференции по Машинному зрению. 2002, стр 384–396.

[9] Обдрзэлек Д., С. Бэзовник, Л. Мах и А. Микулик. "Обнаруживая Элементы Сцены Используя Максимально Устойчивые Цветные области". Коммуникации в Информатике и вычислительной технике. Ля-Ферт-Бернар, Франция: 2009, CCIS Издания 82 (2010 12 01), стр 107–115.

[10] Mikolajczyk, K., Т. Тейтелэарс, К. Шмид, А. Зиссермен, Т. Кэдир и Л. ван Гул. "Сравнение Аффинных Детекторов области". Международный журнал Компьютерного зрения. Издание 65, № 1-2, ноябрь 2005, стр 43–72.

[11] Отсек, H. A. Эс, Т. Тейтелэарс и Л. ван Гул. “SURF:Speeded Устойчивые Функции”. Компьютерное зрение и Распознавание изображений (CVIU).Vol. 110, № 3, 2008, стр 346–359.

[12] Alcantarilla, P.F., А. Бартоли и А.Дж. Дэйвисон. "Функции KAZE", ECCV 2012, Часть VI, LNCS 7 577 стр 214, 2012

[13] Rublee, E., В. Рабо, К. Конолидж и Г. Брадский. "ORB: эффективная альтернатива SIFT или SURF". В Продолжениях 2 011 Международных конференций по вопросам Компьютерного зрения, 2564–2571. Барселона, Испания, 2011.

[14] Rosten, E. и Т. Драммонд. "Плавя Точки и Линии для Высокоэффективного Отслеживания", Продолжения Международной конференции IEEE по вопросам Компьютерного зрения, Издание 2 (октябрь 2005): стр 1508–1511.

Похожие темы

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте