Fork me on GitHub

特征提取的综合实验(多种角度比较SIFT、SURF、BRISK、ORB算法)

代码:https://files.cnblogs.com/files/jsxyhelu/main.zip
一、基本概念:
特征点提取在“目标识别、图像拼接、运动跟踪、图像检索、自动定位”等研究中起着重要作用;
主要算法包括:
特征点识别主要流程为:
1、检测关键点、提取描述向量和特征匹配;
2、通过检测关键点和提取描述向量构造出局部特征描述子,
3、然后进行特征匹配
特征点识别在以下6个方面进行比较
1、算法匹配速度比较 ubc
测试方法:在相同的匹配环境下,即使用同样配置的计算机,对相同的一对图像进行比较,测试算法的执行时间
2、旋转变换鲁棒性比较 bark
测试方法:对同一图像进行一定角度的旋转,旋转角度逐步递增,旋转后的图像逐一与原始图像进行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度
3、模糊变换鲁棒性比较 bikes
测试方法:对同一图像用不同的高斯核进行模糊处理,模糊处理后的图像逐一与原始图像进
行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度 
4、光照变换鲁棒性比较 leuven
测试方法:对同一图像的亮度进行改变,逐
渐降低亮度,改变亮度后的图像逐一与原始图像进行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度
5、尺度变换鲁棒性比较 bark
测试方法:对原图像的尺度大小进行改变,尺度变化后的图像逐一与原始图像进行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度
6、视角变换鲁棒性比较 graf
测试方法:对原场景转一定角度进行拍摄,不同视角的图像逐一与原始图像进行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对
数的变化幅度 
二、数据集(借用了自己PPT的内容)
 
三、实验思路(借用了自己PPT的内容)
 
四、编写代码(借用了自己PPT的内容)
六、数据分析(借用了自己PPT的内容)
 
 
 
 





目前方向:图像处理,人工智能
posted @ 2017-11-10 11:18  jsxyhelu  阅读(4279)  评论(0编辑  收藏  举报