Типы функций точки

Обнаружение функции изображений является базовым блоком многих задач компьютерного зрения, таких как регистрация изображений, отслеживание и обнаружение объектов. Computer Vision Toolbox™ включает в себя множество функций для обнаружения признаков изображения. Эти функции возвращают объекты точек, которые хранят информацию, специфическую для конкретных типов признаков, включая (x, y) координаты (в Location свойство). Можно передать объект точек из функции обнаружения во множество других функций, которые требуют характерных точек в качестве входов. Алгоритм, который использует функция обнаружения, определяет тип возвращаемого объекта точек.

Функции, которые возвращают объекты точек

Объект точек	Возвращено	Тип функции
`cornerPoints`	`detectFASTFeatures` Функции из алгоритма ускоренного тестирования сегмента (FAST) Использует приблизительную метрику, чтобы определить углы. [1]	Углы Однокомпонентное обнаружение Отслеживание точек, регистрация изображений с небольшим изменением шкалы или без нее, обнаружение углов в сценах человеческого источника, таких как улицы и крытые сцены.
	`detectMinEigenFeatures` Алгоритм минимального собственного значения Использует минимальную метрику собственного значения, чтобы определить угловые местоположения [4].
	`detectHarrisFeatures` Алгоритм Харриса-Стивенса Более эффективный, чем алгоритм минимального собственного значения [3].
`BRISKPoints`	`detectBRISKFeatures` Двоичный робастный инвариантный алгоритм масштабируемых точек ключа (BRISK) [6]	Углы Многомасштабное обнаружение Отслеживание точек, регистрация изображений, изменения шкалы и вращения указателей, обнаружение углов в сценах человеческого источника, таких как улицы и крытые сцены
`SURFPoints`	`detectSURFFeatures` Ускоренный алгоритм устойчивых функций (SURF) [11]	Капли Многомасштабное обнаружение Обнаружение объектов и регистрация изображений с изменениями шкалы и поворота
`ORBPoints`	`detectORBFeatures` Ориентированный метод FAST и Rotated BRIEF (ORB) [13]	Углы Многомасштабное обнаружение Отслеживание точек, регистрация изображений, изменения поворота указателей, обнаружение углов в сценах человеческого источника, таких как улицы и крытые сцены
`KAZEPoints`	`detectKAZEFeatures` KAZE - это не аббревиатура, а имя, образованное от японского слова kaze, что означает ветер. Ссылка на поток воздуха, управляемый нелинейными процессами в большом масштабе. [12]	Многоуровневые функции больших двоичных объектов Уменьшение размытия контуров объектов
`MSERRegions`	`detectMSERFeatures` [7] алгоритма максимально стабильных экстремальных областей (MSER)[8] [9] [10]	Области равномерной интенсивности Многомасштабное обнаружение Регистрация, широкая базовая стерео калибровка, обнаружение текста, обнаружение объектов. Обрабатывает изменения шкалы и поворота. Более устойчивый к смежным преобразованиям в отличие от других детекторов.

Функции, которые принимают объекты точек

Функция Описание

relativeCameraPose

Вычислите относительное вращение и перемещение между положениями камеры

estimateFundamentalMatrix Оцените фундаментальную матрицу из соответствующих точек в стерео изображений

estimateGeometricTransform2D Оцените геометрическое преобразование из совпадающих пар точек

estimateUncalibratedRectification Некалиброванное стерео-исправление

extractFeatures Извлечение дескрипторов процентных точек

Метод Вектор функции

BRISK Функция устанавливает Orientation свойство validPoints выходной объект для ориентации извлечённых функций в радианах.

FREAK Функция устанавливает Orientation свойство validPoints выходной объект для ориентации извлечённых функций в радианах.

SURF

Функция устанавливает Orientation свойство validPoints выходной объект для ориентации извлечённых функций в радианах.

Когда вы используете MSERRegions объект со SURF метод, Centroid свойство объекта извлекает SURF дескрипторы. The Axes свойство объекта выбирает шкалу дескрипторов SURF таким образом, чтобы окружность, представляющая функции, имела площадь, пропорциональную площади эллипса MSER. Шкала вычисляется как 1/4*sqrt((majorAxes/2).* (minorAxes/2)) и насыщенный до 1.6, в соответствии с требованиями SURFPoints объект.

KAZE

Нелинейные функции на основе пирамид.

Когда вы используете MSERRegions объект со KAZE метод, Location свойство объекта используется для извлечения дескрипторов KAZE.

The Axes свойство объекта выбирает шкалу дескрипторов KAZE таким образом, чтобы круг, представляющий функцию, имел площадь, пропорциональную площади эллипса MSER.

ORB Функция не устанавливает Orientation свойство validPoints выходной объект для ориентации извлечённых функций. По умолчанию в Orientation свойство validPoints устанавливается в Orientation свойство входного ORBPoints объект.

Block

Простой квадратный район.

The Block способ извлекает только полностью содержащиеся в контурах изображения окрестности. Поэтому выход, validPoints, может содержать меньше точек, чем вход POINTS.

Auto

Функция выбирает Method на основе класса входных точек и реализует:

The FREAK метод для cornerPoints входной объект.

The SURF метод для SURFPoints или MSERRegions входной объект.

The FREAK метод для BRISKPoints входной объект.

The ORB метод для ORBPoints входной объект.

Для входной матрицы M -на-2 с координатами [x y], функция реализует Block способ.

extractHOGFeatures Извлечение гистограммы ориентированных градиентов функции

insertMarker Вставка маркеров в изображение или видео

showMatchedFeatures Отобразите соответствующие точки функции

triangulate 3-D местоположения неискаженных совпадающих точек в стерео изображений

undistortPoints Правильные координаты точки для искажения объектива

Ссылки

[1] Rosten, E., and T. Drummond, «Машинное обучение for High-Speed Corner Detection». 9-я Европейская конференция по компьютерному зрению. Том 1, 2006, стр. 430-443.

[2] Mikolajczyk, K., and C. Schmid. «Оценка эффективности локальных дескрипторов». Транзакции IEEE по шаблонному анализу и машинному анализу. Том 27, Выпуск 10, 2005, стр. 1615-1630.

[3] Harris, C. and M. J. Stephens. Комбинированный детектор углов и ребер. Материалы четвертой конференции «Alvey Vision». 1988 августа, с. 147-152.

[4] Shi, J. and C. Tomasi. «Хорошие функции для отслеживания». Материалы Конференции IEEE по компьютерному зрению и распознаванию шаблонов. Июнь 1994, с. 593-600.

[5] Tuytelaars, T., and K. Mikolajczyk. Локальные детекторы инвариантных функций: съемка. Основы и тренды в компьютерной графике и видении. Том 3, Выпуск 3, 2007, стр. 177-280.

[6] Leutenegger, S., M. Chli, and R. Siegwart. BRISK: Binary Robust Invariant Scalable Keypoints (неопр.) (недоступная ссылка). Материалы Международной конференции IEEE. ICCV, 2011.

[7] Нистер, Д. и Х. Стевениус. Линейное Время Максимально Стабильные Экстремальные Области. Лекции по информатике. 10-я Европейская конференция по компьютерному зрению. Марсель, Франция: 2008, № 5303, с. 183-196.

[8] Matas, J., O. Chum, M. Urba, and T. Pajdla. «Устойчивый широкий базовый стерео из максимально стабильных экстремальных областей». Материалы Британской конференции 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 компьютерной и информационной науке. La Ferte-Bernard, France: 2009, Vol. 82 CCIS (2010 12 01), pp 107-115.

[10] Mikolajczyk, K., T. Tuytelaars, C. Schmid, A. Zisserman, T. Kadir, and L. Van Gool. Сравнение детекторов аффинных областей. Международный журнал компьютерного зрения. Том 65, № 1-2, ноябрь, 2005, стр. 43-72.

[11] Bay, H., A. Ess, T. Tuytelaars, and L. Van Gool. SURF: ускоренные робастные функции. Компьютерное зрение и понимание изображений (CVIU) .Vol. 110, № 3, 2008, стр 346–359.

[12] Alcantarilla, P.F., A. Bartoli, and A.J. Davison. «KAZE Функций», ECCV 2012, часть VI, LNCS 7577 стр. 214, 2012

[13] Rublee, E., V. Rabaud, K. Konolige and G. Bradski. ORB: Эффективная альтернатива SIFT или SURF. В работе 2011 международной конференции по компьютерному зрению, 2564-2571. Барселона, Испания, 2011.

[14] Ростен, Э. и Т. Драммонд. «Fusing Points and Lines for High Performance Tracking», материалы Международной конференции IEEE по компьютерному зрению, том 2 (октябрь 2005 года): стр. 1508-1511.

Документация