来源:http://www.cnblogs.com/justany/archive/2012/12/06/2804211.html 一种场景特征描述 场景特征描述? 通常的特征描述符都是对图片的局部特征进行描述的,以这种思路进行场景描述是不可行的. 比如:对于“大街上有一些行人”这个场景,我们必须通过局部特征辨认图像是否有大街.行人等对象,再断定这是否是满足该场景.但这个计算量无疑是巨大的,且特征向量也可能大得无法在内存中存储计算. 例如即使使用GIST进行1MB的图像数据搜索,也需要3.8GB

GIST特征描述符使用 一种场景特征描述 场景特征描述? 通常的特征描述符都是对图片的局部特征进行描述的,以这种思路进行场景描述是不可行的. 比如:对于“大街上有一些行人”这个场景,我们必须通过局部特征辨认图像是否有大街.行人等对象,再断定这是否是满足该场景.但这个计算量无疑是巨大的,且特征向量也可能大得无法在内存中存储计算. 例如即使使用GIST进行1MB的图像数据搜索,也需要3.8GB的RAM空间. —— Evaluation of GIST descriptors for web­scal

1什么是Gist特征        (1) 一种宏观意义的场景特征描述        (2) 只识别"大街上有一些行人"这个场景,无需知道图像中在那些位置有多少人,或者有其他什么对象.        (3) Gist特征向量可以一定程度表征这种宏观场景特征 GIST定义下列五种对空间包络的描述方法 空间包络名 阐释 自然度(Degree of Naturalness) 场景如果包含高度的水平和垂直线,这表明该场景有明显的人工痕迹,通常自然景象具有纹理区域和起伏的轮廓.所以,边缘具有高度

前面描述角点检测的时候说到,角点其实也是一种图像特征点,对于一张图像来说,特征点分为三种形式包括边缘,焦点和斑点,在OPENCV中,加上角点检测,总共提供了以下的图像特征点检测方法 FAST SURF ORB BRISK KAZE AKAZE MESR GFTT good feature to tack Bob斑点 STAR AGAST 接下来分别讲述这是一种图像特征检测算法,但是首先,需要了解OPENCV的一种数据结构, KeyPoint结构,该结构的头文件定义如下: class KeyPoi

<SIFT原理与源码分析>系列文章索引:http://www.cnblogs.com/tianyalu/p/5467813.html OpenCV提供FeatureDetector实现特征检测及匹配 class CV_EXPORTS FeatureDetector { public: virtual ~FeatureDetector(); void detect( const Mat& image, vector<KeyPoint>& keypoints, cons

http://blog.csdn.net/huixingshao/article/details/42672073 /** * @file SURF_Homography * @brief SURF detector + descriptor + FLANN Matcher + FindHomography * @author A. Huaman */ #include <stdio.h> #include <iostream> #include <cv.h> #inc

SURF特征基本介绍 SURF(Speeded Up Robust Features)特征关键特性: -特征检测 -尺度空间 -选择不变性 -特征向量 工作原理 . 选择图像中POI(Points of Interest) Hessian Matrix . 在不同的尺度空间发现关键点,非最大信号压制 . 发现特征点方法.旋转不变性要求 . 生成特征向量 SURF特征提取代码演示 -upright // 0- 表示计算选择不变性,1表示不计算,速度 更快 -HessianThreshold //

背景 最近从不同网站下载了非常多的动漫壁纸,其中有一些内容相同,但是大小.背景颜色.色调.主人公的位置不同(例子如下).正因为如此,基础的均方误差.直方图检测等方法很难识别出这些相似的图片. 思路 OpenCV中有很多用来对特征点进行检测和计算的函数,这些函数能够利用像素点及其周围的灰度检测其是否是图像中的特征点,并计算出它的信息,比如ORB.SIFT.SURF.AKANA.同时OpenCV还有一些利用特征点的信息对特征点进行匹配的算法,比如BF.FLANN.我们可以先把参与匹配的每个图片的特征

OpenCV 中有两种特征匹配方法:暴力匹配 (Brute force matching) 和 最近邻匹配 (Nearest Neighbors matching) 它们都继承自 DescriptorMatcher,是基于特征描述符距离的匹配,根据描述符的不同,距离可以是 欧氏距离,也可以是 汉明距 1  暴力匹配 首先,任取图像 A 的一个特征描述符,计算它到图像 B 中所有特征描述符的距离:然后,将所得到的距离进行排序:最后,选择距离最短的特征,作为 A-B 的匹配点 1.1  BFMatc

一直想基于传统图像匹配方式做一个融合Demo,也算是对上个阶段学习的一个总结. 由此,便采购了一个摄像头,在此基础上做了实时检测平面目标的特征匹配算法. 代码如下: # coding: utf-8 ''' @author: linxu @contact: 17746071609@163.com @time: 2021-07-26 上午11:54 @desc: 基于特征匹配的实时平面目标检测算法 @Ref: https://docs.opencv.org/3.0-beta/doc/py_tutor

Haar-like特征--即Haar特征,是计算机视觉领域一种常用的特征描述算子.它最早用于人脸描述. 目前常用的Haar-like特征可以分为以下几类:线性特征.边缘特征.点特征(中心特征).对角线特征. 每一种特征的计算都是由黑色填充区域的像素值之和与白色填充区域的像素值之和的差值.而计算出来的这个差值就是所谓的Haar-like特征的特征值.

没日没夜的改论文生活终于要告一段落了,比起改论文,学OpenCV就是一件幸福的事情.OpenCV的发展越来越完善了,已经可以直接使用BOW函数来进行对象分类了. 简单的通过特征点分类的方法:                                                                       一.train 1.提取+/- sample的feature,每幅图提取出的sift特征个数不定(假设每个feature有128维) 2.利用聚类方法(e.g K-me

我使用OpenCV2.4.4的windows版本+Qt4.8.3+VS2010的编译器做了一个手势识别的小程序. 本程序主要使到了Opencv的特征训练库和最基本的图像处理的知识,包括肤色检测等等. 废话不多,先看一下基本的界面设计,以及主要功能: 相信对于Qt有一些了解的人都不会对这个界面的设计感到陌生吧!(该死,该死!)我们向下走: 紧接着是Qt导入OPenCV2.4.4的库文件:(先看一下Qt的工程文件吧) #----------------------------------------

SLAM 主要分为两个部分:前端和后端,前端也就是视觉里程计(VO),它根据相邻图像的信息粗略的估计出相机的运动,给后端提供较好的初始值.VO的实现方法可以根据是否需要提取特征分为两类:基于特征点的方法,不使用特征点的直接方法. 基于特征点的VO运行稳定,对光照.动态物体不敏感. 图像特征点的提取和匹配是计算机视觉中的一个基本问题,在视觉SLAM中就需要首先找到相邻图像对应点的组合,根据这些匹配的点对计算出相机的位姿(相对初始位置,相机的旋转和平移). 本文对这段时间对特征点的学习做一个总结,主

SLAM 主要分为两个部分:前端和后端,前端也就是视觉里程计(VO),它根据相邻图像的信息粗略的估计出相机的运动,给后端提供较好的初始值.VO的实现方法可以根据是否需要提取特征分为两类:基于特征点的方法,不使用特征点的直接方法. 基于特征点的VO运行稳定,对光照.动态物体不敏感. 图像特征点的提取和匹配是计算机视觉中的一个基本问题,在视觉SLAM中就需要首先找到相邻图像对应点的组合,根据这些匹配的点对计算出相机的位姿(相对初始位置,相机的旋转和平移). 本文对这段时间对特征点的学习做一个总结,主

前面我们对sift算法的流程进行简要研究,那么在OpenCV中,sift是如何被调用的?又是如何被实现出来的了? 特别是到了3.0以后,OpenCV对特征点提取这个方面进行了系统重构,那么整个代码结构变成了什么模样? 在代码中 可以看出目前的结构是基于hess的算法进行的重构.那么首先需要解决的是整体的调用和实现结构问题,然后是hess算法的结构问题,再然后才是具体的算法.需要做的事情很多,一起来研究. 一.OpenCV中sift调用接口和例子     首先是一定要编译使用contrib版本的O

前言 接着上篇<IOS7下的人脸检測>,我们顺藤摸瓜的学习怎样在IOS7下用openCV的进行人脸识别,实际上非常easy,因为人脸检測部分已经完毕,剩下的无非调用openCV的方法对採集到的人脸样本进行训练,终于得到一个能够预測人脸的模型.可是当中的原理可谓是博大精深,因为快临最近末考试了,没时间去琢磨当中详细的细节,这次就先写个大概的demo,下次更新文章就得到6月20号之后了. 原理: 从OpenCV2.4之后,openCV增加了新的类FaceRecognizer,我们能够使用它便捷地进

opencv识别二维码:https://blog.csdn.net/jia20003/article/details/77348170 opencv视频:http://www.opencv.org.cn/forum.php?mod=viewthread&tid=259029 基于opencv2实现证件照换背景(从蓝色到红色):http://blog.csdn.net/jiang111_111shan/article/details/46272429 怎么检测图片中的高光(镜面反射)部分的位置:h

我在http://www.cnblogs.com/fx-blog/p/8206737.html一文中提到了如何在Android Studio中Java层导入OpenCV(包含opencv_contrib部分),但是这仅仅是Java层的导入,随着学习的深入,我们可以渐渐的发现OpenCV库对Java的支持不是很给力,比如我使用SIFT算法时,一般提取出来的特征点有一万多个,这其中包含了大量的无效特征点,如果我想指定特征点的数目,比如说500个(经过测试,Java中利用OpenCV提取特征点默认为5