คำถามติดแท็ก local-features

เท่าที่ฉันเข้าใจทั้ง SURF และ SIFT นั้นได้รับการคุ้มครองสิทธิบัตร มีวิธีการอื่นใดที่สามารถใช้ในแอปพลิเคชันเชิงพาณิชย์ได้อย่างอิสระหรือไม่? สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตรวจสอบสิทธิบัตร: http://opencv-users.1802565.n2.nabble.com/SURF-protected-by-patent-td3458734.html

66 image-processing  computer-vision  local-features  sift 

คุณสามารถแสดงคำอธิบายคุณลักษณะของมาตราส่วนและตัวชี้การหมุนแบบคงที่เพื่อใช้ในการตรวจจับคุณสมบัติหรือไม่ แอปพลิเคชั่นนี้ใช้สำหรับตรวจจับรถยนต์และมนุษย์ในวิดีโอที่ถ่ายโดย UAV โดยใช้ตัวจําแนกหลายคลาส จนถึงตอนนี้ฉันได้ดู SIFT และ MSER (ซึ่งเลียนแบบค่าคงที่) ฉันยังดูที่ LESH, LESH ขึ้นอยู่กับแบบจำลองพลังงานในท้องที่ แต่คำนวณด้วยวิธีที่ไม่แปรเปลี่ยนแบบหมุนได้ฉันพยายามคิดหาวิธีที่จะใช้ประโยชน์จากพลังงานในท้องถิ่นเพื่อสร้างค่าคงที่แบบหมุนได้ คำอธิบายคุณลักษณะฉันอ่านที่นี่มีทางเลือกฟรีอะไรบ้างสำหรับ SIFT / SURF ที่สามารถใช้ในแอปพลิเคชันเชิงพาณิชย์ได้ ว่า "ถ้าคุณกำหนดทิศทางไปยังจุดสนใจและหมุนแผ่นภาพตามนั้นคุณจะได้ค่าความแปรปรวนแบบหมุนได้ฟรี" แต่ไม่รู้ว่าสิ่งนี้จะช่วยบรรเทาได้อย่างไรหรือฉันจะนำสิ่งนี้ไปใช้กับปัญหาของฉันได้อย่างไร ชื่นชมขอบคุณ

16 computer-vision  local-features  classification  object-recognition  sift 

อัลกอริธึมการลงทะเบียนภาพมักขึ้นอยู่กับคุณสมบัติของจุดเช่น SIFT (การแปลงคุณลักษณะแบบไม่แปรปรวน) ผมเห็นอ้างอิงบางคุณสมบัติบรรทัด แต่ผมสงสัยว่าถ้ามันจะเป็นไปได้ที่จะตรงกับกลุ่มภาพแทนของจุด ตัวอย่างเช่นกำหนดแหล่งที่มาและภาพที่แปลง: ฉันสามารถทำการตรวจจับขอบ, การเบลอและการแปลงลุ่มน้ำในแต่ละ: น่าเสียดายที่การแบ่งส่วนนั้นแตกต่างกันไปในแต่ละภาพเพื่อให้ตรงกับแต่ละส่วน ฉันเห็นกระดาษบางส่วนเกี่ยวกับการจับคู่รูปร่างและตัวอธิบายรูปร่างซึ่งไม่แปรเปลี่ยนเพื่อเลียนแบบการแปลงดังนั้นพื้นที่นี้จึงดูเหมือนว่าจะมีแนวโน้ม ... มีวิธีการแบ่งส่วนใดที่มีประสิทธิภาพมากกว่าในการเลียนแบบ (หรือแม้แต่ฉายภาพ) ของภาพ

15 local-features  image-segmentation  image-registration 

รับชุดของจุด (2D) คือเมฆจุด (PC) เป็นคำถามที่เป็นเรื่องเกี่ยวกับrobust, accurateและcomputing-friendlyวิธีการที่จะหาวงกลม (หรือวงรีในรุ่นที่สูง) แนวคิดที่ใช้งานง่ายคือการใช้การค้นหา Brute-Force ในทุกจุดที่เป็นไปได้ (เป็นศูนย์กลาง) {infinite!} และ radii (infinite อีกครั้ง!) นี่คือสุดขีดช้ามากและไม่มีประสิทธิภาพ ดังที่แสดงให้เห็นว่าแต่ละวงกลมที่ต่อกันนั้นจะถูกจัดอันดับตามจำนวนของจุด ( nn) ที่อยู่ในเส้นรอบวงของวงกลมในระยะทางที่สั้นกว่าธรณีประตู ( t) ดังนั้นจึงderrต้องนำเสนอระยะทางเฉลี่ย ในรูปไข่ขั้นสูงมีความสนใจที่จะติดตั้ง ความคิดใด ๆ ระดมสมองประสบการณ์ความคิดเห็น?

14 edge-detection  local-features  point-cloud  hough-transform 

ตัวอธิบายในอัลกอริทึม BRIEFจับคู่กันอย่างไร รูปภาพเทมเพลตเป็นวิธีการที่พบในภาพอื่นได้อย่างไร เราจะเปรียบเทียบคำอธิบายอย่างไร ฉันได้อ่านบทความนั้นแล้ว แต่ไม่เข้าใจว่าพวกเขาทำมันได้อย่างไร พวกเขาเขียนว่าพวกเขาเปรียบเทียบตัวบอกรายละเอียดโดยใช้ระยะทาง Hamming แต่ค่าคงที่กับการเปลี่ยนแปลงของแสงขนาดและอื่น ๆ เป็นอย่างไร

14 computer-vision  algorithms  local-features 

ความแตกต่างระหว่างตัวตรวจจับคุณสมบัติและตัวอธิบายคุณลักษณะคืออะไร ซึ่งในบรรดาสิ่งเหล่านี้คือเครื่องตรวจจับและเป็นตัวบ่งชี้: แฮร์ริสเซิร์ฟมินไอเกนรวดเร็วฟาสต์บริสก์

11 image-processing  computer-vision  local-features 

ฉันได้ดำเนินการตรวจจับคุณลักษณะที่ใช้มุมแฮร์ริส ทำงานได้ดีเกือบทุกครั้ง แต่มีบางกรณีที่ทำงานได้ไม่ดี ฉันต้องทำให้มันใช้งานได้กับหลาย ๆ ภาพโดยไม่ต้องตั้งค่าทีละตัว ปัญหาเกิดขึ้นกับค่าเกณฑ์ตรวจจับ หากตั้งค่าต่ำเกินไปเครื่องตรวจจับจะยิงหลายครั้งเกินไปทำให้มีคุณสมบัติจำนวนมาก หากตั้งค่าสูงเกินไปจะมีคุณสมบัติน้อยเกินไป ฉันได้แก้ไขบางส่วนโดยANMS (Adaptive Non-Maximal Suppression) เพื่อลดจำนวนฟีเจอร์ก่อนที่จะกำหนดเวกเตอร์ตัวบอกให้พวกเขา อย่างไรก็ตามภาพเช่นนี้เป็นปัญหา: พวกเขามีคอนทราสต์ต่ำและฉันไม่สามารถ "ตั้ง" เกณฑ์การตั้งค่าต่ำเกินไปสำหรับรูปภาพทั้งหมด มันจะทำให้เครื่องมือตรวจจับทำงานกับรูปภาพเหล่านี้ แต่รูปภาพอื่น ๆ จะมีคุณสมบัติมากมายกว่าพันคุณสมบัติซึ่งจะช้าในการกรองด้วย ANMS และสิ่งนี้จะเป็นอันตรายต่อประสิทธิภาพโดยรวม ฉันคิดว่าจะปรับภาพก่อนการตรวจจับคุณสมบัติ บางทีการทำให้เท่าเทียมกันฮิสโตแกรมจะทำงาน นี่อาจเป็นการดำเนินการที่ถูกต้องเนื่องจากการเปลี่ยนแปลงความคมชัดระดับโลกไม่มีผลต่อตัวบอกคุณลักษณะ อาจทำงานร่วมกับเกณฑ์การปรับตัวหรือการแก้ปัญหาบางอย่างจะทำงานได้ดีขึ้น ข้อเสนอแนะอื่น ๆ ?

9 image-processing  local-features 

ฉันมีคำถามเกี่ยวกับการจดจำวัตถุโดยเฉพาะการจำแบบจำลองรถยนต์! ฉันอยู่ที่จุดเริ่มต้นของการทำงานเกี่ยวกับการระบุรถยนต์รุ่นเดียวกันในภาพต่าง ในตอนนี้ฉันคิดว่าหนึ่งในอัลกอริธึมที่ดีที่สุดสำหรับการรับรู้วัตถุ 3 มิติคือ SIFT แต่หลังจากเล่นไปเรื่อย ๆ ด้วยการสาธิตฉันรู้สึกแปลกใจว่าอัลกอริทึมนี้มีปัญหาบางอย่างกับวัตถุโลหะมันวาวเช่นรถยนต์โดยเฉพาะอย่างยิ่ง ไม่มีใครรู้ว่างานบางอย่างในพื้นที่นี้โดยทั่วไปอัลกอริทึมที่เหมาะสมบางอย่างสำหรับงานในการค้นหารถรุ่นเดียวกันในภาพที่แตกต่างกันอย่างไร ขอบคุณล่วงหน้าสำหรับความช่วยเหลือของ!

9 computer-vision  local-features  object-recognition