特征点检测
关注
分享
扫一扫
老李lyj
这个作者很懒，什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
OpenCV特征点检测算法对比
识别算法概述：SIFT/SURF基于灰度图，一、首先建立图像金字塔，形成三维的图像空间，通过Hessian矩阵获取每一层的局部极大值，然后进行在极值点周围26个点进行NMS，从而得到粗略的特征点，再使用二次插值法得到精确特征点所在的层（尺度），即完成了尺度不变。 二、在特征点选取一个与尺度相应的邻域，求出主方向，其中SIFT采用在一个正方形邻域内统计所有点的梯度方向转载 2016-10-23 17:08:26 · 2103 阅读 · 0 评论 -
OpenCV特征点检测------Surf（特征点篇）
Surf(Speed Up Robust Feature)Surf算法的原理 1.构建Hessian矩阵构造高斯金字塔尺度空间其实surf构造的金字塔图像与sift有很大不同，就是因为这些不同才加快了其检测的速度。Sift采用的是转载 2016-10-23 17:09:39 · 3504 阅读 · 0 评论 -
OpenCV特征点检测------ORB特征
ORB算法ORB是是ORiented Brief的简称。ORB的描述在下面文章中：Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski, ORB: an efcient alternative to SIFT or SURF, ICCV 2011没有加上链接是因为作者确实还没有放出论文，转载 2016-10-23 17:10:31 · 1384 阅读 · 0 评论 -
Mastering Opencv ch4：SFM详解（一）
主要内容： 1：从两幅图像估计摄像机的运动姿态。 2：重构场景 3：从视图中重构 4：重构细化 5：可视化三维点云I：假定使用一个标定过的摄像机——一个先前标定过的摄像机。前面的博客也提到如何进行相机标定。因此，我们假定摄像机内参数存在，并且具体化到K矩阵中，K矩阵为摄像机标定过程的一个结果输出。 在程序中初始化相机标定内参数：//load calibratio转载 2017-05-01 15:45:34 · 854 阅读 · 1 评论 -
Mastering Opencv ch4：SFM详解（二）
前文分析了如何进行特征检测匹配，接下来分析如何求解摄像机矩阵。I：求解基础矩阵首先介绍两个代码段，关于关键点和Point2f相互转化的函数void KeyPointsToPoints(const vector& kps, vector& ps) { ps.clear(); for (unsigned int i=0; i<kps.size(); i++) p转载 2017-05-01 15:51:52 · 755 阅读 · 0 评论 -
Mastering Opencv ch4：SFM详解（三）
前面已经利用分解本质矩阵E得到两幅图像的姿态R1，R2，t1，t2. 如何把这四个值组合成P1，得到正确的解，接下来就要分析。1：利用三维重构求取在摄像机前面的重构点的所占比，得出最高占比的那个P1，就是要求得解。P1 = Matx34d(R1(0,0), R1(0,1), R1(0,2), t1(0), R1(转载 2017-05-01 15:55:40 · 895 阅读 · 0 评论