关于LBD线特征匹配算法运行

最新推荐文章于 2023-04-27 10:00:00 发布
原创 最新推荐文章于 2023-04-27 10:00:00 发布 · 1.5k 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

本文介绍了使用LBD线特征提取算法进行图片线特征匹配的过程。首先，详细记录了单张图片线特征匹配的编译及运行步骤，包括解决的错误问题和运行结果展示。接着，演示了如何进行批量图片线特征匹配，通过指定输入和输出路径实现多张图片的处理。最后，总结了整个操作流程，为后续学习者提供了参考。

目录

文章目录

前言

一、单次图片线特征匹配

二、批量图片线特征匹配

总结

前言

LBD线特征提取算法，源码贴在这里：https://github.com/chishuideyu/LBD_and_LineMatching

这是一位博主在LBD源码的基础上改进的，修补了一些BUG和依赖，原帖贴在这里：http://t.csdn.cn/6y6pl。

下面我就源码DEMO运行和运行过程遇到的问题进行记录。

一、单次图片线特征匹配

编译过程：

mkdir build
cd build
cmake ..
make

之后运行单次匹配命令./Test_Single_LMA LinesInImage1.png LinesInImage2.png a.png后报错：

terminate called after throwing an instance of 'std::logic_error'
  what():  basic_string::_M_construct null not valid
Aborted (core du
最低0.47元/天 解锁文章
基于python实现相关模板匹配跟踪之SSDA算法
weixin_43745234的博客
12-29 1030
相关模板匹配跟踪和质心跟踪都是传统算法，相较于AI算法，具有极快的处理速度，在空天背景下跟踪效果不错，适合在FPGA硬件上进行部署。本文分享了一种基于python实现相关模板匹配之SSDA算法。 相关模板匹配跟踪和质心跟踪的区别是：模板匹配在一定区域内搜索匹配位置，可以任意指定跟踪区域，比如只跟踪无人机的左翼，实现定点打击；质心跟踪只能跟踪整个目标的质心位置，而这个质心，不一定我们想打击的点。
C++ 图像线特征提取及匹配（LineSegmentMatching）
weixin_43896283的博客
05-23 1459
C++ 图像线特征提取及匹配（LineSegmentMatching）
线特征---LBD算法（三）
a7691176的博客
09-14 1343
上一节主要是介绍LSD算法理论，这节主要是介绍LBD算法。 参考文章：An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency ----Lilian Zhang , Reinhard Koch 第二部分：Li...
lsd 特征点匹配代码_线特征LSD and 描述子LBD---LBD算法（二）
weixin_39588223的博客
12-20 1529
上一节主要是介绍LSD算法理论，这节主要是介绍LBD算法。1.尺度空间中提取线段为了克服在线检测碎片问题和提高大尺度变化的性能，我们的检测框架采用由对原始图像进行搞死下采样(with a set of 尺度因子and 高斯模糊 )的尺度空间金字塔组成(N层图像)。我们首先用Edline算法每层的尺度空间产生一组线。每一条直线都有一个方向，它是由从直线左边到右边的大部分边缘像素的梯度构成的。然后通...
SIFT特征提取与检索及地理标记图像匹配
weixin_45622220的博客
03-08 1667
SIFT特征提取与检索 一、拍摄多张图片（注意要来自不同场景）构造出一个小的数据集 拍摄了3个小区的不同场景的照片，每个小区各5张 二、实现数据集中，每张图片的SIFT特征提取，并展示特征点 （1）运行代码 # -*- coding: utf-8 -*- from pylab import * from PIL import Image from PCV.localdescriptors imp...
线匹配之LBD
u011942916的专栏
02-10 1050
参考链接： 1.线特征---LineMatching代码运行（五）
线特征---LineMatching原理（四）
a7691176的博客
09-18 1597
参考文章：An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency ----Lilian Zhang , Reinhard Koch 第三部分：Graph matching using spectral ...
lsd 特征点匹配代码_线特征LSD and 描述子LBD（一）(示例代码)
weixin_39590635的博客
01-12 1582
最近在看有关特征提取的线特征，暑期就看了相关的论文：《基于点线综合特征的双目视觉SLAM方法_谢晓佳》，最近呢，把里面有关线特征提取LSD和描述子LBD的代码跑了一遍，记录如下：[1]LSD:aLineSegmentDetector线段检测器LSD是一种局部提取直线的算法，速度比Hough要快。LSD是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测结果。该算法被设计成可以...
【论文阅读】An efficient and robust line segment matching approach based on LBD descriptor
博客标题不能为空我也没办法
03-06 1453
提出了一种线段描述方法LBD，并在此基础上提出了基于LBD的线段匹配方法
基于点线特征的立体视觉SLAM算法实现
具体而言，前端可能采用基于特征匹配的方法估计相机帧间运动，其中点特征通过描述子进行匹配，而线特征则可能通过线描述子（如LBD）或几何约束（如共线性、平行性）进行关联；后端优化部分则可能构建一个包含点特征...
OpenCV实践之线特征匹配算法
热门推荐
AutoXTruck专栏
02-27 1万+
线特征算法检测简介 LSD（Line Segment Detector）直线检测分割算法，在图像梯度变化明显的区域来检测局部直线的轮廓，因此也称作直线分割。LSD算法在输入图像预处理进行下采样，目的在于降低图像中出现的锯齿效应。通过计算图像中的梯度幅值进行梯度排序，(边缘区域梯度幅值较大)，然后通过区域增长算法来进行线特征的检测。具体算法细节可参考：LSD论文。LSD算法优点：①线性时间内检测出亚...
LBD-MOEA：LBD-MOEA的源代码，即“使用两个局部优势关系查找膝盖区域的多目标进化算法”
03-02
LBD-MOEA LBD-MOEA的源代码，即“使用两个局部优势关系查找膝盖区域的多目标进化算法”。 G. Yu，Y。Jin和M. Olhofer，“使用两个局部优势关系查找膝盖区域的多目标进化算法”，载于IEEE Transactions on Evolution Computation，2020。doi：10.1109 / TEVC.2020.3008877。
SLAM前端线特征匹配
cyx610481953的博客
06-23 1060
此次线特征匹配的代码来源于： https://github.com/drozdvadym/opencv_line_descriptor. 执行代码前，需要注意，opencv版本必须是2.4.9的，经验证opencv3在编译的过程中不仅会报错，而且无法生成可执行文件。尽管要求opencv2.4.9，但仍然还是会报错，错误如下： 目前还没有解决该错误，不过没有影响，还是会在build下面生成可执行文件的。 执行线特征匹配过程如下： 首先从上面的网址下载好zip文件，然后解压，在加压后的文件里输入： mkdir
线特征---LSD and LBD程序运行（一）
a7691176的博客
09-12 2038
最近在看有关特征提取的线特征，暑期就看了相关的论文：《基于点线综合特征的双目视觉SLAM方法_谢晓佳》，最近呢，把里面有关线特征提取LSD和描述子LBD的代码跑了一遍，记录如下： [1]LSD:aLineSegmentDetector线段检测器 LSD是一种局部提取直线的算法，速度比Hough要快。LSD是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测...
直线匹配-LPI算法原理 Robust line matching through line–point invariants
weixin_33890526的博客
11-23 749
用已知的点匹配实现线匹配，用不共线的4点确定二维点线不变量。 Q1,Q2,Q3,Q4为共面不共线的4点，且L是平面上的直线。经两次透视变换Q1,Q2,Q3,Q4在图像上成像分别为X1,,X2,X3,X4和Y1,Y2,Y3,Y4；L在图像上成像分别为p和q 透视变换矩阵为H,这样 令 有 令 并记 由于r和s是两个视角下的对应线，他们满足 其中k是未知...
线特征LSD提取、LBD描述子匹配实现过程源码
weixin_62952541的博客
04-27 2121
【代码】线特征LSD提取、LBD描述子匹配实现过程源码。
论文速递：一种用于视觉定位的基于NLP思路的直线特征匹配算法
qq_41050642的博客
12-09 994
在机器人以及计算机视觉领域，除了通过使用图像匹配的特征点计算多视图几何来求解问题，还可以通过线特征计算，因为线特征可以为其提供多余的约束。
视觉slam线匹配算法
qq_33690342的博客
01-30 1824
线特征广泛存在于人为环境中，可以提供额外的约束。视觉SLAM中线特征的挑战是先特征的匹配问题。LSD是一种局部提取直线的算法，速度比Hough要快。LSD是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测结果。该算法被设计成自适应模式，无需手动调参。opencv使用头文件及命令空间。
LBD算法 - Graph matching 图匹配算法分析
Xuefeng_BUPT的博客
09-30 1万+
上一步我们进行了线特征的提取和描述，接下来我们进行线特征的匹配。在此之前我们先通过预处理将一些明显无法匹配的特征给消除，以降低图匹配问题的维度。
特征点匹配算法
最新发布
04-24
<think>好的，我现在需要帮用户解答关于特征点匹配算法的实现方法和代码示例。用户之前提到过查找相关信息，引用了SIFT、LSD、LBD等算法。首先，我得确定用户需要的具体算法类型，比如是点特征还是线特征。根据引用内容，SIFT是点特征，而LSD是线特征。用户可能对两者都感兴趣，但需要分开说明。 接下来，我需要考虑如何结构清晰地回答。用户要求实现方法和代码示例，所以每个算法部分需要分步骤讲解，并提供代码片段。例如，SIFT的实现可以用OpenCV，而LSD可能需要其他库。要确保代码正确，并且符合用户的可执行性，比如Python示例更友好。 还要注意引用对应的资料。比如，SIFT部分引用了[^1][^2]，LSD引用了[^4]，关键点检测提到Harris和FAST，引用[^3]。需要在回答中正确标注，但用户不可见引用标识，所以需要自然地融入回答中。 另外，用户可能需要知道不同算法的优缺点和应用场景，比如SIFT适合复杂变换，但计算量大；ORB速度更快。这些信息能帮助用户选择合适的方法。同时，代码示例要展示完整的流程，包括检测、描述子计算和匹配，这样才能让用户理解整个实现过程。 最后，生成的相关问题要覆盖性能优化、不同算法比较和应用场景，这样用户如果有进一步的问题，可以自行探索。需要确保问题有针对性，比如SIFT的优化、实时性要求下的选择等。</think>### 特征点匹配算法实现方法及代码示例 特征点匹配是计算机视觉中的核心任务，主要包括**关键点检测**、**特征描述子生成**和**特征匹配**三个阶段。以下结合不同算法类型（点特征和线特征）分步骤说明实现方法，并提供代码示例。 --- ### 一、点特征匹配（以SIFT为例） #### 1. 关键点检测与描述子生成 SIFT算法通过多尺度空间检测关键点，并为每个关键点生成128维描述子[^2]。 ```python import cv2 # 读取图像并初始化SIFT检测器 img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE) img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE) sift = cv2.SIFT_create() keypoints1, descriptors1 = sift.detectAndCompute(img1, None) keypoints2, descriptors2 = sift.detectAndCompute(img2, None) ``` #### 2. 特征匹配 使用最近邻（KNN）或暴力匹配（Brute-Force）算法进行特征匹配[^1]。 ```python # 暴力匹配器 bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True) matches = bf.match(descriptors1, descriptors2) # 筛选优质匹配（距离阈值） good_matches = sorted(matches, key=lambda x: x.distance)[:50] # 可视化匹配结果 result = cv2.drawMatches(img1, keypoints1, img2, keypoints2, good_matches, None, flags=2) cv2.imshow('SIFT Matches', result) cv2.waitKey(0) ``` --- ### 二、线特征匹配（以LSD+LBD为例） #### 1. 线特征检测（LSD算法） LSD算法检测图像中的直线段[^4]。 ```python from pylsd.lsd import lsd import numpy as np # 检测直线 lines = lsd(img1) # lines格式：[x1, y1, x2, y2, width, ...] ``` #### 2. 线描述子生成（LBD） LBD描述子描述线段的局部几何特征。 ```python # 需安装LBD实现库（如自定义或第三方库） from lbd_descriptor import compute_lbd_descriptors descriptors_line1 = compute_lbd_descriptors(lines1) descriptors_line2 = compute_lbd_descriptors(lines2) ``` --- ### 三、其他算法对比 | 算法类型 | 代表算法 | 特点 | 适用场景 | |---------|---------|------|---------| | **点特征** | SIFT[^1]、ORB | 鲁棒性强，但计算量大 | 图像拼接、三维重建 | | **线特征** | LSD[^4]、EDLines | 捕捉结构化信息 | 建筑场景、工业检测 | | **快速检测** | FAST[^3]、Harris | 实时性高 | 移动端应用 | --- ### 四、优化建议 1. **特征筛选**：通过距离阈值（如$d < 0.7 \times \text{最小距离}$）过滤误匹配。 2. **并行计算**：使用GPU加速特征提取（如OpenCV CUDA模块）。 3. **算法融合**：结合点特征和线特征提升匹配鲁棒性。 ---
评论 8
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值