如何估算位于Harris角的视觉特征的八度和大小

我目前正在使用OpenCV作为视觉特征匹配基础的几种特征检测器，并对其性能进行比较。

我正在使用SIFT描述符。在检测MSER和DoG（SIFT）功能时，我已经完成了令人满意的匹配（拒绝了不匹配的匹配之后）。

目前，我正在使用GFTT（要跟踪的良好功能-Harris角）测试我的代码以进行比较，并且因为在最后的应用中，视觉功能跟踪过程中将提供一组GFTT功能。

我使用cv::FeatureDetector::detect(...)它为我提供了一个std::vector<cv::KeyPoint>充满了兴趣检测的特征/关键点/地区。该结构cv::KeyPoint包含有关要素的位置有关的基本信息，以及信息size，并octave在关键点已经被检测到。

在比较不同类型的特征的典型值和参数之前，我对GFTT的最初结果很糟糕：sizeoctave

• MSER设置大小（10到40px之间），并将八度保留为0
• DoG（SIFT）设置大小和八度（大小/八度比在20到40之间）
• GFTT参数始终为：size = 3，octave = 0

我认为这是因为GFTT功能的主要目的不是用于匹配，而只是用于跟踪。这解释了匹配结果的低质量，因为从如此微小的特征中提取的描述符不再具有歧视性，并且对于许多事物（包括小的1像素偏移）不变。

如果我手动设置size的GFTT至10 - 12，我得到了良好的效果，非常类似于使用时MSER或DOG（SIFT） 。

我的问题是：有没有比10见才能确定增加size（和/或octave）多少更好的方法呢？我想避免对可能的增加进行硬编码，并以编程方式确定它，但是只要我有一些可靠的论据来支持对新的/ 增加 / 估计算法的选择，就可以进行硬编码。sizesizesizesize

我不确定您的确切问题是否真的能得到很好的回答：SIFT和SURF的比例空间实际上是为了自动估算拐角状关键点附近的“良好”相关邻域大小而设计的（这是什么好功能）跟踪）。

现在，更肯定的答案将是：

• 建立关键点和良好匹配项的数据库（例如，使用正方形校准图案），并在该数据库上创建自动性能评估，以找到正确的大小。该任务实际上可以真正实现自动化（请参见Mikolajczyk和Schmid关于点匹配评估的工作）

• 将您的良好功能嵌入到图像金字塔中，也可以与之关联某种比例。您可以在多尺度FAST和Harris兴趣点上查找参考，这些参考点的操作与此过程非常相似。

要试探性地找到最大块大小，您可以使用方框模糊（大约等于blockSize运算符所做的事情）来计算图像的估计值，并查看拐角何时消失。但是请注意，更多的模糊会使拐角远离其真实位置。

如果您确实在寻找快速修复方法，请尝试使用5x5到11x11之间的大小（立体声块匹配中使用的典型大小）。如果您正在寻找一个智力上令人满意的标准，请尝试在噪声水平下最大化两个特征点良好匹配的可能性。

为了帮助您确定检测器的最佳参数，OpenCV 为此配备了AjusterAdapter。我自己从未使用过它，但是它可能是以编程方式确定参数的标准方法。还应注意，尽管关键点具有多个属性，但并非所有属性对所有算法都有意义。因为Keypoint结构用于不同的算法，所以它具有所有这些字段，但有时不使用它们，这就是为什么要获得那些octave = 0的原因。海事组织。