特征检测/提取方法的度量

Question

我想知道我们如何评估特征检测/提取方法(SIFT,SURF,MSER ......)用于物体检测和跟踪,如行人,车道等.是否有标准的比较指标？我已阅读,如博客http://computer-vision-talks.com/2011/07/comparison-of-the-opencvs-feature-detection-algorithms-ii/一些研究论文喜欢这样.问题是我学的越多,我就越困惑.

Answer 1

估计特征检测器本身非常困难,因为特征只是计算工件,而不是您实际在图像中搜索的东西.特征检测器在其预期的上下文之外没有意义,这是您提到的描述符的仿射不变图像部分匹配.

SIFT,SURF,MSER的首次使用是多视图重建和自动3D重建管线.因此,这些特征通常根据它们提供的3D重建或图像部分匹配的质量来评估.粗略地说,你有一对通过已知变换(亲和力或单应性)相关的图像,你可以测量估计的单应性(来自特征检测器)和真实的单应性之间的差异.这也是你引用的博客文章中使用的方法.

为了评估探测器的实际利益(而不仅仅是其在理想的多视图管线中的精度),增加了一些额外的稳定性测量(在几何和光度变化下):检测到的特征的数量是否变化,是估计单应性的质量各不相同等.

偶然地,这些探测器也可能用于物体探测和跟踪(在逐个跟踪的情况下)也可以工作(也不是它们的设计目的).在这种情况下,他们的表现是从或多或少标准化的图像数据集中进行经典评估,并且通常用精确度(良好答案的概率,与误报率相关联)和召回(在物体上找到物体的概率)表示.当下).您可以在此主题上阅读维基百科.

附录:我不小心意味着什么？

好吧,如上所述,SIFT等设计用于匹配平面和纹理图像部分.这就是为什么你总是看到涂鸦数据集中类似图像的例子.

然后,他们以检测和跟踪的方式扩展了两种不同的方式:

• 在进行多视图匹配(使用球形装备)时,Furukawa和Ponce构建了某种3D局部平面物体模型,然后在存在严重遮挡时应用于物体检测.这个问题利用了一个有趣的物体通常是局部平面和纹理的事实;
• 其他人通过考虑他们有一个要跟踪的对象的查询图像,开发出一种不太原始(但在良好条件下仍然有效)的方法.然后通过将模板图像与当前帧匹配(使用SIFT等)来执行各个帧检测.这利用了与SIFT几乎没有错误匹配的事实,通常在一定距离内观察物体(因此通常在图像中几乎是平面的)并且它们被纹理化.例如,参见本文.