在 opencv里面关于 meanshift算法的应用还有两个函数 CVmeanshift和 CVCAMshift函数,都是用
于跟踪的,效果还不错。现在在视频跟踪里,meanshift方法+卡尔曼滤波还是挺流行的。
SURF: speed up robust feature
SURF特点:1.使用积分图像完成图像卷积(相关)操作,2,使用 Hessian矩阵检测特征值;3,使用基于
分布的描述符(局部信息)。
1998 Lindberg介绍自动尺度选择的概念,允许检测图像中的兴趣点在它们的特征尺度上。他实验了 Hessian
矩阵的行列式和 Laplacian(和矩阵的迹一致)检测团状结构。
2001Mikolajczyk 和 Schmid 重新定义了这个方法,名为 Harris-Laplace和 Hessian-Laplace。使用 Harris
或 Hessian矩阵的行列式来选择特征点的闻之,使用 Laplacian选择尺度。
此外 Mikolajczyk(2005,2006)还做了一些算子的比较工作。从中可知:基于 Hessian检测器比基于 Harris
检测器更稳定,重复检测性更好。此外,使用 Hessian矩阵的行列式比使用它的迹更有优势。同时也发现
使用类似于 DOG的近似方法可以提高速度但只损失很小的精度。
描述符的相关研究
图像特征点的描述符一个共同点是表达了兴趣点邻域内小尺度的特征分布。使得描述符的描述性更好,识
别性更高。SIFT的特点正是掌握了空间域亮度模式的大量信息(基于直方图方法:8 个方向的箱格,4*4
像素)。描述了特征点邻域内点的梯度方向信息,共 128维。
PCA-SIFT:36维,匹配速度更快,但区分度下降,并且延长了特征的计算时间。
GLOH:区分度更高但是数据压缩花销时间太长。
2006 Grabner使用积分图像近似 SIFT。可以达到和我们同样的速度。但是相比 SIFT质量有所下降。(为
SURF提供了重要信息积分图像)。
匹配算法:BBF(k-d tree),balltrees, vocabulary trees, locality sensitine hashing.本文补充
提出了,使用 Hessian矩阵的迹来显著提高匹配速度。在低维描述符下,任何算法的匹配速度都很快。
二.兴趣点检测。
使用 HESSIAN矩阵的近似检测兴趣点。使用积分图像加快计算。
2001 Viola and Jones 提出积分图像的概念。
1998 Simard 提出的盒形计算框架使用积分图像。
使用近似的 Hessian矩阵来求特征点。DOG近似 LOG,盒形滤波近似不同的二次微分。
在 3*3*3的邻域范围内寻找 Hessian矩阵的行列式最大值。9*9盒形滤波器相当于方差 1.2的高斯函数。
图像尺度的改变是通过改变盒形滤波器尺寸实现的。尺度空间的分组时,相邻组首尺度滤波器大小之差
相差 2 倍。如第一二组差 6,则二三组差 12.为了减少计算时间,第一组采样间隔 1 像素,第二组 2 像素,
以此倍增。
特征点的精确定位即实现亚像素描述,通过 LOWE文章中提出的泰勒级数展开,可求得。
三.特征点描述与匹配
评论0