基於SLIC分割的特徵點檢測

2022-08-22 08:54:13 字數 864 閱讀 8995

一:pipeline

(1):基於模型的pose估計綜述:

對於乙個3d模型,可以投影到平面,得到不同的位姿,而pose識別是利用所見的2.5d影象,來估計模型,並同時識別出位姿。

3d模型投影時注意的幾點:

1.  投影模型在投影前必須進行點雲補全,設定乙個閾值t,利用貪婪演算法進行模型補全,以免透視穿透現象;

2.  投影模型必須從原始位姿進行數值變換進行投影,不能進行迭代計算,以避免累積誤差;

3.  投影模型必須投影到離散平面,即進行xyz值整數化;

(2):超畫素特徵的提取:

對於每乙個投影,都可以設定乙個畫素數閾值tn,進行超畫素分割,得到一系列的點集;

對每乙個點進行提取類似於 sift特徵描述的 超畫素特徵,得到特徵向量;

旋轉不變性: 這個不需要,位姿估計若產生旋轉,則位姿也發生變化;

(3):特徵匹配的過程:

對於每乙個分割,進行特徵初步篩選,選取場景內候選目標;

對每乙個目標進行超畫素分割,選取特徵;

進行kd樹匹配;

二:特徵選取:

選取細節:

深度圖 灰度化 :

對於rgb變化劇烈的 物體表面,提取結合的特徵是比較適合的,但必定會掩飾一些位姿資訊;適用於表面變化不大而紋理變化劇烈的問題;

對於表面形狀變化劇烈的物體,提取表面特徵是比較合適的,直覺上可以達到esf特徵同等的效果;

基於sift特徵描述的介紹,超畫素的每一塊提取類似於sift特徵點描述子的特徵;以保持不變性;

特徵綜合:

對每乙個分割,生成乙個超畫素級別的矩陣;

對矩陣的每乙個元素,生成乙個畫素級別的特徵;

利用矩陣距離進行相似度匹配;

轉入圖匹配的過程;

人臉特徵點檢測

參考 face alignment by explicit shape regression。演算法的實現原始碼在裡的explicitshaperegression.cpp裡面。下面貼上乙個檢測結果 人臉特徵點有不少應用,比如可以對齊人臉,或者做人臉變形。在人臉資料庫裡挑選了一些人臉,對齊它們,求出...

ORB特徵點檢測

這篇文章我們將介紹一種新的具有區域性不變性的特徵 orb特徵,從它的名字中可以看出它是對fast特徵點與breif特徵描述子的一種結合與改進,這個演算法是由ethan rublee,vincent rabaud,kurt konolige以及gary r.bradski在2011年一篇名為 orb ...

GFTT特徵點檢測

角點檢測,避免出現聚簇現象 shi tomasi的角點檢測演算法,名稱goodfeaturetotrack,opencv的feature2d介面整合了這種演算法,名稱為gfttdetector,介面如下 ptrcreate int maxcorners 1000,double qualityleve...