image-processing - 特征检测器和描述符的比较

Question

Closed. This question needs to be more focused。它当前不接受答案。












想要改善这个问题吗？更新问题，使它仅关注 editing this post的一个问题。

4年前关闭。



Improve this question




有几种检测器和描述符，例如SIFT，SURF，FAST。我想知道他们都符合实时应用程序的条件吗？最好的还是更好的？

而且，当我们已经拥有以上三个条件时，哈里斯-拉普拉斯探测器会仍然有用吗？比他们好吗？

最佳答案

我建议您使用Hessian-Affine和MSER进行检测(如果您需要对不同因素(例如，视点变化)保持不变，或者需要FAST(如果需要实时)。
FAST的工作与Harris相似，但速度更快。
您可以查看“Local Invariant Feature Detectors: A Survey”和“A Comparison of Affine Region Detectors”，其中对许多检测器进行了很好的测试和描述。
更新:“WxBS: Wide Baseline Stereo Generalizations”扩展了新颖和经典检测器和描述符的基准。
其次，描述部分通常比检测要慢，因此要实现实时性，您必须使用GPU或二进制描述符(如BRIEF或FREAK)。
Update2:“HPatches (Homography Patches) dataset and benchmark”和在ECCV 2016上的相应研讨会。http://www.iis.ee.ic.ac.uk/ComputerVision/DescrWorkshop/index.html。
Update3:对大型3D重建任务CVPR 2017的“Comparative Evaluation of Hand-Crafted and Learned Local Features”描述符(和位检测器)评估。
Update4:“Interest point detectors stability evaluation on ApolloScape dataset”对合法驾驶数据集ECCVW2018的检测器评估。
Update5:“From handcrafted to deep local invariant features”关于手工和学习功能的Huuuge调查概述论文，2018年。
Update6:“Image Matching across Wide Baselines: From Paper to Practice”上述和更新的相机姿态估计方法的大规模基准。 IJCV，2020年。

关于image-processing - 特征检测器和描述符的比较，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/18437878/

上一篇：ecmascript-6 - 接受一个解构对象作为箭头函数的唯一参数

下一篇：iis - 如何通过 IIS 重写规则附加查询字符串和值？

相关文章：

opencv - ORB 特征检测器

c++ - 我怎样才能找到最大的四边形

c++ - OpenCV 3.0.0 SurfFeatureDetector 和 SurfDescriptorExtractor 错误

image-processing - 拉伸(stretch)图像以适合任何四边形

image-processing - caffe通过python创建网络

python - 从图像中删除最大轮廓

java - 自动查找和裁剪相关图像区域

javascript - 为一个 Javascript 特征创建特征检测(intersectionObserver)

windows - StretchBlt HALFTONE == BILINEAR 是否适用于所有缩放？

java - 将 JPG 图像作为位图上传到 Android Studio 时图像分辨率是否丢失？

Answer 1

我建议您使用Hessian-Affine和MSER进行检测(如果您需要对不同因素(例如，视点变化)保持不变，或者需要FAST(如果需要实时)。
FAST的工作与Harris相似，但速度更快。
您可以查看“Local Invariant Feature Detectors: A Survey”和“A Comparison of Affine Region Detectors”，其中对许多检测器进行了很好的测试和描述。
更新:“WxBS: Wide Baseline Stereo Generalizations”扩展了新颖和经典检测器和描述符的基准。
其次，描述部分通常比检测要慢，因此要实现实时性，您必须使用GPU或二进制描述符(如BRIEF或FREAK)。
Update2:“HPatches (Homography Patches) dataset and benchmark”和在ECCV 2016上的相应研讨会。http://www.iis.ee.ic.ac.uk/ComputerVision/DescrWorkshop/index.html。
Update3:对大型3D重建任务CVPR 2017的“Comparative Evaluation of Hand-Crafted and Learned Local Features”描述符(和位检测器)评估。
Update4:“Interest point detectors stability evaluation on ApolloScape dataset”对合法驾驶数据集ECCVW2018的检测器评估。
Update5:“From handcrafted to deep local invariant features”关于手工和学习功能的Huuuge调查概述论文，2018年。
Update6:“Image Matching across Wide Baselines: From Paper to Practice”上述和更新的相机姿态估计方法的大规模基准。 IJCV，2020年。