OpenCV:SIFT检测和匹配方法

Question

从OpenCV文档:

C++:void SIFT::operator()(InputArray img, InputArray mask, vector<KeyPoint>& keypoints,
 OutputArray descriptors, bool useProvidedKeypoints=false)

参数:

img – Input 8-bit grayscale image
mask – Optional input mask that marks the regions where we should detect features.
keypoints – The input/output vector of keypoints
descriptors – The output matrix of descriptors. Pass cv::noArray() 
if you do not need them.
useProvidedKeypoints – Boolean flag. If it is true, the keypoint 
detector is not run. Instead, the provided vector of keypoints is
 used and the algorithm just computes their descriptors.

我有以下问题:

1. 有什么价值mask？我的意思是,如果我想删除图像边界附近的关键点,我应该在边框和中心区域给出一个带零的掩码？

2. 在另一个网页上,我发现了一种不同的方法,它使用方法"detect"来检测关键点,使用方法"计算"来计算描述符.使用函数detect/compute与函数"operator"有什么区别？使用第一种方法,我首先检测关键点而不计算描述符...但是,如果我使用带有useProvidedKeypoints标志的方法"operator",我如何才能计算关键点？

3. 此外,在匹配点数量方面,蛮力匹配和FLANN匹配之间有什么区别？我需要使用VL_FEATMATLAB库获得相同的结果...所以我想知道两种方法中的哪一种更接近

例如,以下Matlab代码为我提供了2546个检测到的关键点

 [f1,d1] = vl_sift(frame1_gray);

使用OpenCV:

std::vector<KeyPoint> keypoints;
cv::SiftFeatureDetector detector;
detector.detect(gray1, keypoints);
cout << keypoints.size() << endl;

只是708 !!!

然后,使用SIFT :: operator(),我输入的参数有问题

std::vector<KeyPoint> keypoints;
Mat descriptors;
SIFT S = SIFT();
SIFT::operator(gray1, Mat(), keypoints, descriptors);

Answer 1

让我们一个一个回答你的问题:

1. 面膜是您指定的,这样你可以控制输入图像,其中的关键点的检测发生.有时,您不希望检测整个图像上的关键点,并且希望本地化您要检测关键点的位置,或者找到图像的子部分以捕获关键点.这种情况的原因是因为可能需要进行一些预处理来定位图像中的显着区域.例如,如果要进行面部识别,则只需要检测面部上的关键点,而不是整个图像.因此,您可能需要先了解图像中面部的位置,然后将关键点检测本地化到这些区域.

2. 检测和计算显然是两回事.检测是确定图像中的哪些像素位置是有效关键点.计算描述了这些特定位置的关键点.兴趣点检测器的成功不仅是它们的可重复性和足够强大以便检测,而且描述关键点的方法使它们变得流行.

   这分别提到了探测器和描述符.有一些框架,例如SIFT和SURF,它们都是检测和描述框架.SIFT/SURF计算128个bin矢量中的方向直方图(粗略地),并且还具有基于高斯差的近似的检测框架.如果我可以建议一个链接,请看一下这个:检测器,提取器和匹配器的分类 - 它们讨论所有不同的检测器,描述符以及匹配关键点的方法.将useProvidedKeypoints(在OpenCV中:http://docs.opencv.org/2.4.1/modules/nonfree/doc/feature_detection.html#sift-operator)标志意味着你已经确定的像素位置在图像中你想要计算描述符.因此,SIFT将绕过算法的检测阶段,它将简单地计算那些像素位置的描述符.

3. Brute Force和FLANN(近似最近邻居的快速库 - http://www.cs.ubc.ca/research/flann/)之间的区别在于匹配关键点的机制.对于给定的关键点,您需要确定此关键点是否与图像中检测到的任何其他关键点匹配.一种方法是搜索所有关键点(蛮力)或关键点子集(FLANN).FLANN在高维空间中执行最近邻居搜索,因此它限制了搜索关键点的位置.这显然比蛮力要快得多,但这一切都取决于你的应用.