OpenCV中的相位相关和模板匹配有什么区别？

Question

我最近在OpenCV中发现了相位相关,使用Log Polar Transform(LPT)可以执行旋转和缩放不变模板匹配.我想知道这个方法和这里描述的所有模板匹配方法之间有什么区别http://docs.opencv.org/2.4/doc/tutorials/imgproc/histograms/template_matching/template_matching.html这些方法似乎远没有那么强大.任何旋转或缩放.

我想我的问题是:有哪些优点和缺点:

1. 相位相关+对数极坐标变换.
2. 模板匹配.
3. 完全飞行功能与SIFT等功能相匹配.

Answer 1

相位相关和对数极坐标变换在频域中实现，这两种算法都是从傅立叶频移定理推导的，即两个转换后的图像在频域中将显示相似的相位差。相位相关只能记录平移运动，而对数极坐标变换在对数极坐标域中起作用，这实际上将旋转和比例变化转换为线性平移。因此，使用对数极坐标匹配，您可以注册缩放缩放后的彼此旋转和平移副本的两个图像。这两种算法都无法注册可变形变换。有关这些算法可以确定的模糊度，旋转范围和刻度变化的详细分析，可以参考本文“ http://ieeexplore.ieee.org/document/901003/ ”。

模板匹配实质上是使用变化的相似性度量（平方差的总和，归一化互相关，Hausdorff距离等）在基础图像中找到已知模板的存在。因此，可以将匹配应用于空间属性（强度图像，边缘图，HOG）或频率属性（相位）。相位相关和对数极坐标匹配可以在相同大小的图像上实现，因此基于相位的模板匹配将基本上对应于在搜索空间中找到具有最高相关值的相同色块。

SIFT，SURF等根据各种参数生成一个较大的特征向量集，因此不受缩放比例变化，噪声和照度变化的影响。这是一个非常广泛的主题，可以在线比较许多论文的功能。

根据我的SIFT经验，SURF在将对象定位在单个帧中时是更强大的分类器，但是如果您打算在计算时间是限制因素的视频中定位对象，则模板匹配会更好。