surf/sift/für Template-Matching

Question

Ich möchte sift/surf für Template Matching verwenden. Das Bild kann 1 ... n Ziele haben. Mit Surf/Sift kann nur ein Ziel extrahiert werden. Eine Idee kann Segment-Bild in vielen Segmenten sein und dann nach Sift/Surf-Matching suchen. Es funktioniert, aber offensichtlich ist es nicht ideal wegen der Geschwindigkeit und Anstrengung. Gibt es einen alternativen Ansatz?/Jeder hat Quellcode für die Anpassung von skalier- und rotationsinvarianten Vorlagen. grüße,

Answer 1

Wenn ich richtig verstehe, was Sie sagen (bitte weitere Informationen zur Verfügung stellen), haben Sie N Planar Bildobjekte. Sie möchten SIFT/SURF-Features aus den N Bildern extrahieren und alle Features in eine Art Container einfügen (ein Array oder eine Beschleunigungsdatenstruktur für hochdimensionale nächste Nachbarn). Wenn Sie ein bestimmtes Bild verarbeiten, extrahieren Sie SIFT- (oder SURF-) Features und suchen für jedes Feature das nächstgelegene Feature im Container. Am Ende haben Sie eine Liste von Paaren (Feature vom aktuellen Bild, Feature vom Container). Nun müssen Sie einen robusten Modellschätzer (RANSAC zum Beispiel) anwenden, um die Homographie zu konstruieren. Wenn eine gute Homographie gefunden werden kann (mit mindestens 10, 12 Inlier), werden Sie sicher sein, dass Ihr Ziel dort ist. Offensichtlich unterteilen Sie das Array der Merkmalspaare in Gruppen, wobei jede Gruppe eines der N planaren Bildobjekte Ihrer Datenbank ist (dies ist nicht der beste Weg, wahrscheinlich sollten Sie mit jedem aus dem aktuelle Bild zu k Features der Datenbank und mit einer Form von Voting-Schema, um festzustellen, welche die Paare sind, aber dabei wird die Dinge komplizierter). So , allgemein gesprochen, müssen Sie einige Entscheidungen treffen:

• Funktion nutzen zu können (SIFT SURF andere???)
• robustes Modell Schätzer (RANSAC Prosac MLSAC??)
• , die geometrischen Überlegungen zu verwenden, wenn die Homografie Berechnung (in Anspruch nimmt die Tatsache, dass der Homografie Punkte in zwei planaren Objekten bezieht)
• die multidimensionalen Datenstruktur Sie
um die Suche zu beschleunigen verwenden
• wie die Homografie berechnen (na ja, wahrscheinlich gibt es nur einen Weg: normalisiert DLT)

Wenn Ihr obects nicht planar ist, ist das Problem schwieriger, da ein 3D starren Objekte wahrscheinlich wie die Sicht ändert ändern. Um es zu beschreiben, benötigen Sie K Bilder statt nur eines. Das ist viel schwieriger zu tun, denn mit steigendem N und K sinkt die Erkennungsrate. Wahrscheinlich gibt es andere bessere Möglichkeiten. Ich empfehle dringend, Google relevante Literatur zu überprüfen.