目标检测中的特征点分析
2017-07-15 16:43
190 查看
好的特征应该具有以下几个特点:
重复性:不同图像相同的区域应该能被重复检测到,最好具备旋转、模糊、光照等不变性;
可区分性:不同的检测子,可以被区分,建立检测对应的描述子;
数量适宜:检测子数量太多导致匹配不到,检测子数量少容易造成误检;
高定位:定位一般对应尺度和位置;
有效性:检测速度越快越好。
主要的特征:
参考图像处理之角点检测算法(Harris Corner Detection)
此文章有详细的Harris角点检测的原理和程序,思路很清晰;
局部特征(2)——Harris角点
此文章解释了为什么harris的原理,对矩阵的意义做了介绍,文章中有与SURF、Sift的比较
两篇文章
Harris Corner是最典型的角点检测子Corner Detector。角点经常被检测在边缘的交界处、被遮挡的边缘、纹理性很强的部分。满足这些条件一般都是稳定的、重复性比较高的点,所以实际上他们是不是角点并不重要(因为我们的目标就是找一些稳定、重复性高的点以作为特征点)。
Harris角点具有的优点是平移不变、旋转不变,能克服一定光照变化。
重复性:不同图像相同的区域应该能被重复检测到,最好具备旋转、模糊、光照等不变性;
可区分性:不同的检测子,可以被区分,建立检测对应的描述子;
数量适宜:检测子数量太多导致匹配不到,检测子数量少容易造成误检;
高定位:定位一般对应尺度和位置;
有效性:检测速度越快越好。
主要的特征:
参考图像处理之角点检测算法(Harris Corner Detection)
此文章有详细的Harris角点检测的原理和程序,思路很清晰;
局部特征(2)——Harris角点
此文章解释了为什么harris的原理,对矩阵的意义做了介绍,文章中有与SURF、Sift的比较
两篇文章
Harris Corner是最典型的角点检测子Corner Detector。角点经常被检测在边缘的交界处、被遮挡的边缘、纹理性很强的部分。满足这些条件一般都是稳定的、重复性比较高的点,所以实际上他们是不是角点并不重要(因为我们的目标就是找一些稳定、重复性高的点以作为特征点)。
Harris角点具有的优点是平移不变、旋转不变,能克服一定光照变化。
相关文章推荐
- 目标检测的图像特征提取之(二)LBP特征
- 运动目标检测——ViBe算法代码分析
- 目标检测的图像特征提取之(三)Haar特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之LBP特征
- 目标检测的图像特征提取之(三)Haar特征
- opencv cascade训练LBP特征进行目标检测
- 目标检测的图像特征提取之(三)Haar特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之HOG特征
- 目标检测的图像特征提取(一)HOG特点
- 目标检测的图像特征提取 HOG特征
- BING: Binarized Normed Gradients特征用于目标检测<阅读笔记1>
- 目标检测的图像特征提取之(三)Haar特征
- 目标检测的图像特征提取之(三)Haar特征
- 目标检测的图像特征提取之(三)Haar特征
- 基于高维视觉特征模型的目标图像检测与图像分割技术研究---论文摘录
- 目标检测的图像特征提取
- 目标检测的图像特征提取之(一)HOG特征