点特征类型
图像特征检测是许多计算机视觉任务的组成部分,如图像配准、跟踪和目标检测。计算机视觉工具箱™包括各种图像特征检测功能。这些函数返回点对象,存储特定于特定类型的特征的信息,包括(x,y)坐标(在位置
属性)。您可以将一个点对象从检测函数传递给需要特征点作为输入的各种其他函数。检测函数使用的算法决定了它返回的点对象的类型。
返回指向对象的函数
点对象 | 返回的 | 特征类型 |
---|---|---|
cornerPoints |
detectFASTFeatures 加速段测试(FAST)算法的特点 使用近似度量来确定角。[1] |
角落 |
detectMinEigenFeatures 最小特征值算法 采用最小特征值度量来确定拐角位置。[4] |
||
detectHarrisFeatures Harris-Stephens算法 比最小特征值算法效率更高。[3] |
||
BRISKPoints |
detectBRISKFeatures 二进制鲁棒不变可扩展关键点(BRISK)算法[6] |
角落 |
SIFTPoints |
detectSIFTFeatures 尺度不变特征变换 |
斑点 |
SURFPoints |
detectSURFFeatures 加速健壮特征(SURF)算法[11] |
斑点 |
ORBPoints |
detectORBFeatures 定向FAST和旋转BRIEF (ORB)方法[13] |
角落 |
KAZEPoints |
detectKAZEFeatures KAZE不是首字母缩略词,而是源自日语的名字kaze,意思是风。参考的是大尺度上由非线性过程控制的空气流动。[12] |
多尺度斑点特征 减少物体边界的模糊 |
MSERRegions |
|
均匀强度区域 |
接受点对象的函数
函数 | 描述 | ||||
---|---|---|---|---|---|
relativeCameraPose |
计算相机姿态之间的相对旋转和平移 |
||||
estimateFundamentalMatrix |
从立体图像的对应点估计基本矩阵 | ||||
estimateGeometricTransform2D |
从匹配点对估计几何变换 | ||||
estimateUncalibratedRectification |
未校准立体整流 | ||||
extractFeatures |
提取兴趣点描述符 | ||||
方法 | 特征向量 | ||||
轻快的 |
函数设置取向 的属性validPoints 输出对象到提取的特征的方向,以弧度为单位。 |
||||
狂 |
函数设置取向 的属性validPoints 输出对象到提取的特征的方向,以弧度为单位。 |
||||
冲浪 |
函数设置取向 的属性validPoints 输出对象到提取的特征的方向,以弧度为单位。当你使用 |
||||
KAZE |
基于非线性金字塔的特征。 函数设置 当你使用 的 |
||||
ORB |
该函数不设置取向 的属性validPoints 输出对象到所提取特征的方向。默认情况下,取向 的属性validPoints 设置为取向 输入的属性ORBPoints 对象。 |
||||
块 |
简单的方形小区。 的 |
||||
汽车 |
函数选择方法 基于输入点和实现的类:
对于一个米[的-by-2输入矩阵xy,该函数实现了 |
||||
extractHOGFeatures |
提取定向梯度(HOG)特征直方图 | ||||
insertMarker |
在图像或视频中插入标记 | ||||
showMatchedFeatures |
显示对应特征点 | ||||
由三角形组成的 |
立体图像中未畸变匹配点的三维位置 | ||||
undistortPoints |
校正镜头失真点坐标 |
参考文献
[1] Rosten, E.和T. Drummond,“高速角落检测的机器学习”。第九届欧洲计算机视觉会议.Vol. 1, 2006, pp. 430-443。
[2]米科拉奇克,K.和C.施密德。局部描述符的性能评估。模式分析与机器智能汇刊。第27卷,2005年第10期,第1615-1630页。
[3]哈里斯,C.和M. J.斯蒂芬斯。“一种组合角和边缘检测器。”第四届阿尔维视觉会议论文集.1988年8月,第147-152页。
[4] Shi, J.和C.托马西。“值得追踪的优秀功能。”IEEE计算机视觉与模式识别会议论文集.1994年6月,第593-600页。
[5] Tuytelaars, T.和K. Mikolajczyk。局部不变特征检测器:一个调查。计算机图形与视觉基础与趋势“,.第3卷,第3期,2007,第177-280页。
[6]洛滕艾格,S., M. Chli, R. Siegwart。“BRISK:二进制鲁棒不变可扩展关键点。”IEEE国际会议论文集.ICCV, 2011年。
[7]尼斯特,D.和H.斯特温尼乌斯。线性时间最大稳定极值区域计算机科学讲座讲稿。第十届欧洲计算机视觉会议.法国马赛:2008年,不是。5303,第183-196页。
[8]马塔斯,J., O. Chum, M. Urba和T. Pajdla。“从最稳定的极值区域获得强大的宽基线立体声。”英国机器视觉会议论文集.2002,第384-396页。
[9] Obdrzalek D., S. Basovnik, L. Mach, A. Mikulik。使用最大稳定颜色区域检测场景元素计算机与信息科学通讯“,.La Ferte-Bernard,法国:2009,卷82 CCIS(2010 12 01),第107-115页。
[10]米科拉奇克,K., T.图特拉尔斯,C.施密德,A.齐瑟曼,T.卡迪尔,L.凡古尔。仿射区域探测器的比较。国际计算机视觉杂志.第65卷第1-2期,2005年11月,第43-72页。
[11]贝,H., A. Ess, T. Tuytelaars和L. Van Gool。“SURF:加速健壮的功能。”计算机视觉与图像理解(CVIU).Vol。110,第3期,2008,第346-359页。
[12]阿尔坎塔里拉,p.f., A.巴托利和A. j .戴维森。“KAZE功能”,ECCV 2012, Part VI, LNCS 7577第214页,2012年
[13] Rublee, E. V. Rabaud, K. Konolige和G. Bradski。“ORB: SIFT或SURF的有效替代方案。”在2011年计算机视觉国际会议论文集, 2564 - 2571。2011年,西班牙巴塞罗那。
[14]罗斯滕,E.和T.德拉蒙德。“用于高性能跟踪的点线融合”IEEE计算机视觉国际会议论文集,第2卷(2005年10月):第1508-1511页。
[15] Lowe, David G..“来自比例不变关键点的独特图像特征。”Int。j .第一版。愿景60,不。2(2004): 91—110。