49、关键点检测与匹配方法详解

关键点检测与匹配方法详解

1. cv::DenseFeatureDetector 关键点生成

cv::DenseFeatureDetector 可生成一个或多个不同尺度的关键点网格。特征点之间的间距由 initXyStep 设置,这是所有层级上特征点的间距。不过,若 varyXyStepWithScale 设为 true ,特征点间距会根据 featureScaleMul 进行缩放。

特征点不会在图像边界生成,可通过设置 initImgBound 增加不生成特征点的区域宽度。多数情况下,将 initImgBound 设为与 initFeatureScale 相等较合理,以避免生成的特征点溢出图像边缘。若要使该边界在多尺度情况下按比例缩放,需将 varyImgBoundWithScale 设为 true ,否则边界大小将保持不变。

2. 关键点过滤

在实际应用中,我们常常会得到一个需要修剪的关键点列表。有时是因为列表过长,想剔除一些质量较低的点;有时则需要移除重复点或位于特定区域外的点。OpenCV 提供了 cv::KeyPointsFilter 类来处理这些任务。

cv::KeyPointsFilter 类的定义如下:

class cv:
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值