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 точек	Возвращенный	Тип функции
`cornerPoints`	`detectFASTFeatures` 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]
`BRISKPoints`	`detectBRISKFeatures` 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
`SIFTPoints`	`detectSIFTFeatures` Инвариантная к масштабу функция преобразовывает	Блобы Многошкальное обнаружение Обнаружение объектов и регистрация изображений со шкалой и изменениями вращения
`SURFPoints`	`detectSURFFeatures` Алгоритм ускоренных устойчивых функций (SURF) [11]	Блобы Многошкальное обнаружение Обнаружение объектов и регистрация изображений со шкалой и изменениями вращения
`ORBPoints`	`detectORBFeatures` 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
`KAZEPoints`	`detectKAZEFeatures` 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

Функция Описание

relativeCameraPose

Вычислите относительное вращение и перевод между положениями камеры

estimateFundamentalMatrix Оцените основную матрицу от соответствующих точек в стереоизображениях

estimateGeometricTransform2D Оценка геометрического преобразования по совпадающим парам точек

estimateUncalibratedRectification Некалиброванное исправление стерео

extractFeatures Извлеките дескрипторы точки интереса

Метод Характеристический вектор

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

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

SURF

Функция 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.

KAZE

Нелинейные 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.

ORB Функция не устанавливает Orientation свойство validPoints выведите объект к ориентации извлеченных функций. По умолчанию, Orientation свойство validPoints установлен в Orientation свойство входа ORBPoints объект.

Block

Простой квадрат neighbhorhood.

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

Auto

Функция 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.

extractHOGFeatures Извлеките гистограмму ориентированных градиентов функции

insertMarker Вставьте маркеры в изображение или видео

showMatchedFeatures Отобразите соответствующие характерные точки

triangulate 3-D местоположения неискаженных соответствующих точек в стереоизображениях

undistortPoints Правильная 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.

[15] Лоу, Дэвид Г.. "Отличительные Функции Изображений от Инвариантного к масштабу Keypoints". Int Дж. Компьют. Видение 60, № 2 (2004): 91 - 110.

Документация