Questions tagged «sift»

据我了解，SURF和SIFT均受专利保护。 是否可以在商业应用中自由使用任何替代方法？ 有关专利的更多信息，请访问：http : //opencv-users.1802565.n2.nabble.com/SURF-protected-by-patent-td3458734.html

65 image-processing  computer-vision  local-features  sift 

您是否可以列出一些比例和旋转不变特征描述符以用于特征检测。 该应用程序使用多分类器来检测无人机捕获的视频中的汽车和人。 到目前为止，我一直在研究SIFT和MSER（仿射不变）。我也看过LESH，LESH是基于局部能量模型的，但是其计算方式不是旋转不变的，我一直在尝试思考一种利用局部能量的方法来构建旋转不变的方法功能描述符，我在这里读到有哪些可以在商业应用中使用的SIFT / SURF的免费替代品？，即“如果您将方向分配给兴趣点并相应地旋转图像块，则可以免费获得旋转不变性”，但是不知道这是否可以缓解或我如何将其应用于我的问题，任何帮助都将是感谢，谢谢

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

我将在此处使用比例不变特征变换算法作为示例。SIFT基于图像的比例高斯滤波创建比例空间，然后计算高斯差以检测潜在的兴趣点。这些点定义为跨越高斯分布的局部最小值和最大值。 据称这种方法是尺度不变的（除了其他令人困惑的不变性）。为什么是这样？我不清楚为什么会这样。

15 image-processing  computer-vision  sift  scale-space 

我正在尝试从图像中提取特征，但是我无法获取要提取的点，因此我的图像无法与模板匹配。 在将SIFT应用于图像之前，是否需要检查任何检查点，以便获得良好的效果？例如，模板图像是； 目标图像；

13 matlab  image-processing  sift 

我希望有人可以解释如何使用词袋模型通过SIFT / SURF / ORB功能和支持向量机进行图像分类？ 目前，我可以计算图像的SIFT特征向量，并且已经实现了SVM，但是发现很难理解有关如何使用词袋模型来“向量量化” SIFT特征并建立直方图的文献。固定大小的向量，可用于训练和测试SVM。 欢迎访问有关该主题的教程或文献的任何链接，谢谢

12 classification  sift 

我是从stackoverflow中的这个问题发送来的，请问如果问题太具体而又不是这里的方式：） 任务是找到其中装有特定液体的玻璃。让我为您展示图片，然后在图片下方的描述中描述我正在尝试实现的目标以及到目前为止我如何尝试实现的目标。 图片：（似乎我至少需要10名信誉才能发布图片和链接，因此链接必须要做:(否则，您可以查看堆栈溢出问题） 详细说明：我正在尝试实现一种算法，该算法将在opencv中检测特定形状的玻璃（玻璃可能会因不同的镜头拍摄角度/距离而发生变形）。也将有其他形状的其他眼镜。我要搜索的玻璃杯中还将填充一些有色液体，这将使其与包含其他颜色的玻璃杯区分开。 到目前为止，我已经尝试使用SIFT特征提取器尝试在玻璃中找到某些特征，然后将它们与装有玻璃的其他照片进行匹配。 这种方法仅在非常特殊的条件下才有效，在这种情况下，我会将玻璃放置在非常特定的位置，并且背景类似于学习图像。问题还在于，玻璃是3D对象，我不知道如何从中提取特征（也许是多张照片以不同的方式链接在一起？）。 现在我不知道我还能使用什么其他方法。我已经找到了一些线索（在这里/programming/10168686/algorithm-improvement-for-coca-cola-can-shape-recognition#answer-10219338），但链接似乎已断开。 另一个问题是在这种玻璃杯中检测不同的“空度”，但我什至无法正确找到玻璃杯本身。 您对本任务中的方法有何建议？使用其他方式查找本地3d对象特征会更好吗？还是完全使用其他方法会更好？我听说过算法从一组多张照片中“学习”对象，但实际上我从未见过。 任何建议将不胜感激

10 image-processing  opencv  object-recognition  sift 

以下摘自Lowe 2004论文（http://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf）。 一种明显的方法是在适当的比例下对关键点周围的局部图像强度进行采样，并使用归一化的相关度量进行匹配。但是，图像斑块的简单关联对引起样本重合失调的变化非常敏感，例如细微或3D视点变化或非刚性变形。Edelman，Intrator和Poggio（1997）证明了一种更好的方法。他们提出的表示是基于生物视觉的模型，特别是初级视觉皮层中复杂神经元的模型。这些复杂的神经元对特定方向和空间频率的梯度有反应，但是梯度在视网膜上的位置被允许在较小的感受野上移动而不是精确定位。Edelman等。假设这些复杂神经元的功能是允许从多种角度匹配和识别3D对象。 我试图了解SIFT描述符。我了解上一阶段（关键点检测器）。 我不知道为什么要这样实施。我想知道故事背后的故事。

9 sift