Типы элементов точек

Обнаружение признаков изображения является компоновочным блоком многих задач компьютерного зрения, таких как регистрация изображений, отслеживание и обнаружение объектов. Компьютерное зрение Toolbox™ включает в себя множество функций для обнаружения признаков изображения. Эти функции возвращают объекты точек, которые хранят информацию, специфичную для определенных типов элементов, включая координаты (x, y) (в Location свойство). Объект точек можно передать из функции обнаружения в различные другие функции, для которых в качестве входных данных требуются точки элемента. Алгоритм, используемый функцией обнаружения, определяет тип возвращаемого объекта точек.

Функции, возвращающие объекты точек

Объект Points	Возвращено	Тип элемента
`cornerPoints`	`detectFASTFeatures` Функции алгоритма ускоренного тестирования сегментов (FAST) Для определения углов используется приблизительная метрика. [1]	Углы Одномасштабное обнаружение Отслеживание точек, регистрация изображения с небольшим изменением масштаба или без него, обнаружение углов в сценах человеческого происхождения, таких как улицы и сцены внутри помещений.
	`detectMinEigenFeatures` Алгоритм минимального собственного значения Использует метрику минимального собственного значения для определения расположения углов [4].
	`detectHarrisFeatures` Алгоритм Харриса - Стивенса Более эффективный, чем алгоритм минимального собственного значения. [3]
`BRISKPoints`	`detectBRISKFeatures` Алгоритм бинарных инвариантных масштабируемых ключевых точек (BRISK) [6]	Углы Многомасштабное обнаружение Отслеживание точек, регистрация изображений, обработка изменений масштаба и поворота, обнаружение углов в сценах человеческого происхождения, таких как улицы и внутренние сцены
`SURFPoints`	`detectSURFFeatures` Алгоритм ускоренных надежных функций (SURF) [11]	Капли Многомасштабное обнаружение Обнаружение объектов и регистрация изображения с изменением масштаба и поворота
`ORBPoints`	`detectORBFeatures` Ориентированный метод FAST и Rotated BRIEF (ORB) [13]	Углы Многомасштабное обнаружение Отслеживание точек, регистрация изображений, обработка изменений в повороте, обнаружение углов в сценах человеческого происхождения, таких как улицы и сцены внутри помещений
`KAZEPoints`	`detectKAZEFeatures` KAZE - это не акроним, а название, производное от японского слова kaze, что означает ветер. Ссылка на поток воздуха, управляемый нелинейными процессами в больших масштабах. [12]	Функции многомасштабных больших двоичных объектов Уменьшенное размытие границ объекта
`MSERRegions`	`detectMSERFeatures` Алгоритм максимально устойчивых экстремальных областей (MSER) [7] [8] [9] [10]	Области равномерной интенсивности Многомасштабное обнаружение Регистрация, широкая калибровка базовой стерео, обнаружение текста, обнаружение объектов. Обрабатывает изменения масштаба и поворота. Более устойчивые к аффинным преобразованиям в отличие от других детекторов.

Функции, принимающие объекты точек

Функция Описание

relativeCameraPose

Вычислить относительное вращение и перемещение между позициями камеры

estimateFundamentalMatrix Оценка фундаментальной матрицы по соответствующим точкам в стереоизображениях

estimateGeometricTransform2D Оценка геометрического преобразования на основе совпадающих пар точек

estimateUncalibratedRectification Некалиброванная стереоректификация

extractFeatures Извлечение дескрипторов процентных пунктов

Метод Вектор элементов

BRISK Функция устанавливает Orientation имущества validPoints вывод объекта на ориентацию выделенных элементов в радианах.

FREAK Функция устанавливает Orientation имущества validPoints вывод объекта на ориентацию выделенных элементов в радианах.

SURF

Функция устанавливает Orientation имущества validPoints вывод объекта на ориентацию выделенных элементов в радианах.

При использовании MSERRegions объект с SURF способ, Centroid свойство объекта извлекает дескрипторы SURF. Axes свойство объекта выбирает масштаб дескрипторов SURF таким образом, что окружность, представляющая признак, имеет площадь, пропорциональную площади эллипса MSER. Шкала рассчитывается как 1/4*sqrt((majorAxes/2).* (minorAxes/2)) и насыщенные до 1.6, в соответствии с требованиями SURFPoints объект.

KAZE

Нелинейные элементы на основе пирамид.

При использовании MSERRegions объект с KAZE способ, Location свойство объекта используется для извлечения дескрипторов KAZE.

Axes свойство объекта выбирает масштаб дескрипторов KAZE таким образом, что окружность, представляющая признак, имеет площадь, пропорциональную площади эллипса MSER.

ORB Функция не устанавливает Orientation имущества validPoints вывод объекта в ориентацию извлеченных элементов. По умолчанию Orientation имущество validPoints имеет значение Orientation свойство входа ORBPoints объект.

Block

Простой квадратный район.

Block извлекает только окрестности, полностью содержащиеся в пределах границы изображения. Следовательно, выходные данные, validPoints, может содержать меньше точек, чем вход POINTS.

Auto

Функция выбирает Method на основе класса входных точек и реализует:

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 входной матрицы с координатами [x y] функция реализует Block способ.

extractHOGFeatures Извлечь гистограмму элементов ориентированных градиентов (HOG)

insertMarker Вставка маркеров в изображение или видео

showMatchedFeatures Отображение соответствующих характерных точек

triangulate 3-D местоположения неискаженных точек совпадения в стереоизображениях

undistortPoints Правильные координаты точек для искажения объектива

Ссылки

[1] Ростен, Э. и Т. Драммонд, «Машинное обучение для высокоскоростного обнаружения углов». 9-я Европейская конференция по компьютерному зрению. Том 1, 2006, стр. 430-443.

[2] Миколайчик, К. и С. Шмид. «Оценка производительности локальных дескрипторов». Транзакции IEEE по анализу шаблонов и машинному интеллекту. Том 27, выпуск 10, 2005, стр. 1615-1630.

[3] Харрис, C. и М. Дж. Стивенс. «Комбинированный детектор углов и кромок». Материалы четвертой конференции Alvey Vision. 1988 августа, с. 147-152.

[4] Ши, J. и К. Томэзи. «Хорошие возможности для отслеживания». Материалы Конференции IEEE по компьютерному зрению и распознаванию образов. июнь 1994 года, стр. 593-600.

[5] Туйтелаарс, Т. и К. Миколайчик. «Локальные детекторы инвариантных элементов: опрос». Основы и тенденции компьютерной графики и зрения. Том 3, выпуск 3, 2007, стр. 177-280.

[6] Лейтенеггер, С., М. Чли и Р. Зигварт. «BRISK: бинарные инвариантные масштабируемые ключевые точки». Материалы Международной конференции IEEE. ICCV, 2011.

[7] Нистер, Д. и Х. Стюениус. «Линейное время максимально стабильных экстремальных областей». Лекции по информатике. 10-я Европейская конференция по компьютерному зрению. Марсель, Франция: 2008, № 5303, стр. 183-196.

[8] Матас, Дж., О. Чум, М. Урба и Т. Пайдла. «Надежное стерео с широким исходным уровнем из максимально стабильных экстремальных областей». Материалы конференции British Machine Vision. 2002, стр 384–396.

[9] Обдрзалек Д., С. Басовник, Л. Мач, А. Микулик. «Обнаружение элементов сцены с использованием максимально стабильных цветовых областей». Коммуникации в информатике и информатике. Ла-Ферте-Бернар, Франция: 2009, том 82 CCIS (2010 12 01), стр. 107-115.

[10] Миколайчик, К., Т. Туйтелаарс, К. Шмид, А. Зиссерман, Т. Кадир и Л. Ван Гул. «Сравнение Affine Region Detectors». Международный журнал компьютерного зрения. Т. 65, № 1-2, ноябрь, 2005, стр. 43-72.

[11] Бэй, Х., А. Эсс, Т. Туйтелаарс и Л. Ван Гул. «SURF: повышение надежности функций». Компьютерное зрение и понимание изображений (CVIU) .Vol. 110, № 3, 2008, стр 346–359.

[12] Алькантарилла, П. Ф., А. Бартоли и А. Дж. Дэвисон. «Особенности KAZE», ECCV 2012, Часть VI, LNCS 7577 pp. 214, 2012

[13] Рублее, Э., В. Рабо, К. Конолиге и Г. Брадски. «ORB: Эффективная альтернатива SIFT или SURF». В материалах Международной конференции по компьютерному зрению 2011 года, 2564-2571. Барселона, Испания, 2011.

[14] Ростен, Э. и Т. Драммонд. «Слитые точки и линии для высокопроизводительного отслеживания», материалы Международной конференции IEEE по компьютерному зрению, том 2 (октябрь 2005 года): стр. 1508-1511.

Связанные темы

Обнаружение и извлечение локальных элементов

Связанные темы

Обнаружение объектов в загроможденной сцене с помощью сопоставления элементов точек

Документация