标签: feature-detection

我试图找到一个脚本,检测设备是否position: fixed相对于ViewPort而不是整个文档放置元素.

目前,标准桌面浏览器和Mobile Safari(适用于iOS 5)这样做,而Android设备将固定元素相对于整个文档放置.

我找到了几个测试来检测这个,但似乎没有一个工作:

• http://kangax.github.com/cft/当我从Android设备传递它时,给我一个误报.
• https://gist.github.com/1221602当我在iOS 5的iPhone中传递它时,给我一个假阴性.

有谁知道在哪里找到/如何编写实际检测到的测试？我不想依赖浏览器嗅探.

假设一组数据点,例如此处绘制的数据点(此图不是特定于我的问题,而只是用作一个合适的例子):

可视化地检查散点图,很明显数据点形成两个"组",其中一些随机点显然不属于任何一个.

我正在寻找一种算法,这将允许我:

• 从两个或多个维度的数据集开始.
• 从数据集中检测此类组,而无需事先知道可能存在多少(或者如果有)
• 一旦检测到组,如果新的样本点似乎适合任何组,则"询问"组的模型

我想用网络摄像头跟踪激光光点(在墙上),我正在使用openCV来完成这项任务.任何人都可以建议我用C++来做到这一点.

谢谢 !

我看到HOG经常与SVM一起用于目标检测,它可以用于匹配两个图像中的关键点吗？

顺便说一下,在哪里可以找到使用HOGDescriptor的OpenCV样本？

我有30张不同叶子的图像,白色背景编号为1-30.我正在处理图像处理项目,用户可以在其中加载具有白色背景的新叶图像,程序会将其与数据库中的图像进行比较并显示最相似的图像.我是matlab的新手.

如何提取功能并将其以双重格式存储到数据库(mat文件)？

我想将SurfFeatureDetector限制为一组区域(掩码).对于测试,我只定义一个掩码:

Mat srcImage; //RGB source image
Mat mask = Mat::zeros(srcImage.size(), srcImage.type());
Mat roi(mask, cv::Rect(10,10,100,100));
roi = Scalar(255, 255, 255);
SurfFeatureDetector detector();
std::vector<KeyPoint> keypoints;
detector.detect(srcImage, keypoints, roi); // crash
//detector.detect(srcImage, keypoints); // does not crash

当我通过"roi"作为掩码时,我得到了这个错误:

OpenCV Error: Assertion failed (mask.empty() || (mask.type() == CV_8UC1 && mask.size() == image.size())) in detect, file /Users/ux/Downloads/OpenCV-iOS/OpenCV-iOS/../opencv-svn/modules/features2d/src/detectors.cpp, line 63

这有什么问题？如何正确地将掩码传递给SurfFeatureDetector的"detect"方法？

问候,

我正在进行一个项目,它将自动计算输入图像中的硬币值.到目前为止,我已经使用边缘检测和使用霍夫变换进行了一些预处理来分割硬币.

我的问题是如何从这里开始？我需要根据以前存储的一些功能对分割的图像进行一些模板匹配.我怎么能这样做呢.

我还读过一些叫做K-Nearest Neighbors的东西,我觉得这是我应该使用的东西.但我不太清楚如何使用它.

我遵循的研究文章:

• 硬币探测器

• 硬币识别

我正在使用python额外模块的sift算法进行一些功能匹配.虽然我不明白的一件事是传递给BFMatcher的normType背后的概念.即在哪种情况下必须使用哪些？

任何帮助都是无价的

我的目标是在静态图像和视频中找到已知的徽标.我希望通过使用KAZE或AKAZE和RanSac进行特征检测来实现这一目标.

我的目标是:https://www.youtube.com/watch？v = nzrqH ...

在尝试使用文档中的检测示例时,我遇到了几个问题:

• 对象分辨率:已知对象与对象应该位于的场景的分辨率之间的大小差异有时会破坏检测算法 - 尽管图像质量仍然可以正常,但在低分辨率的图像中将无法识别对象.人类的眼睛.
• 与背景的颜色对比:看起来,检测很容易被不同的背景对比分散注意力(例如:对象是白色背景上的徽标黑色,黑色背景上的场景中的徽标是白色).如何针对不同的发光和背景对比使检测更加稳健？
• 预处理:是否应该对对象/场景进行任何类型的预处理？例如,将场景放大到特定大小？是否有任何指导如何在几个步骤中进行特征检测以获得最佳结果？

我目前正在 python 中测试 Flann 特征与 OpenCV 的匹配，并且不完全理解某些参数的实际作用。这是从 OpenCV 文档复制的一段代码。完整的代码可以在这里找到。

# FLANN parameters\nFLANN_INDEX_KDTREE = 1\nindex_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)\nsearch_params = dict(checks=50)   # or pass empty dictionary\n\nflann = cv2.FlannBasedMatcher(index_params,search_params)\n\nmatches = flann.knnMatch(des1,des2,k=2)\n

我很好奇输入algorithm、trees和 的checks含义是什么。OpenCV 文档中找到的默认值通常被我在这里读到的其他代码所采用，因此我想知道是否值得操作和测试不同的值，或者是否建议坚持使用这些值？

\n

• 各种索引参数\算法之间的主要区别是什么？\n为什么FLANN_INDEX_KDTREE最常用？

  \n
\n

• 我认为这trees = 5意味着制作了 5 个 KDTree。改变这个值在实践中意味着什么？

  \n
\n

• OpenCV 文档提到，增加检查值将提供\n更好的精度，但会减慢代码速度。它说： \xe2\x80\x9c如果要\n更改该值，请传递search_params = dict(checks=100)。\xe2\x80\x9d 是否值得\n探索 50 或 100 以外的值进行检查？

  \n
\n

最后，除了 …