码迷,mamicode.com
首页 > 其他好文 > 详细

(一)特征提取

时间:2020-03-12 12:41:47      阅读:84      评论:0      收藏:0      [点我收藏+]

标签:条件   差分   网络设计   描述   ted   git   解决   最小   手工   

特征提取
       特征的种类在图像领域主要分为点,线,面。线特征和面特征对图像信息利用得更多,因而其分辨性更高。但遗憾的是,由于线特征和面特征提取的条件比较苛刻,因此在实际应用中并不广泛。(尽管在SLAM中也有点线结合的实例,在图像纹理较弱的情况下,线特征可以发挥更大的用处。但是却是在增加计算量的同时,提高的性能较为有限。)随着深度学习在图像方面的不断提升,基于全图学习得到的特征向量性能不断提高,甚至超越了手工设计的特征点。这也是前面所说的,由于对图像信息利用得更加全面,才使得特征向量的识别性能越来越好。
      在视觉SLAM中,特征主要还是用点特征。
 
>> 点特征主要分为两大类:
1. 基于手工设计的特征点:
这类特征点主要是凭借人们对几何学以及数学上的一些认识,对图像中的某一块特殊区域进行建模得到描述函数。典型的比如SIFT,利用差分高斯金字塔计算图像中比较特殊的点,再通过该点的领域信息对其进行描述,得到最终的描述函数。
2. 基于深度学习得到的特征向量:
这类特征点主要是对深度学习网络进行设计,使其通过多个卷积和池化操作来取得图像中比较有用的信息。说起来是比较抽象的,个人理解,深度学习虽然看起来是个大箱子,但是实际上,各个卷基层都是一个函数 $f_{i}(x)$,最终的输出就是多个复合函数的函数值 $G = f_{N}(f_{N-1}(...f_{1}(x)...))$。前期的网络设计主要是模仿手工描述子的计算步骤,各个卷基层的操作与手工描述子并无二致。后期的主要是为了利用更多的图像信息,弥补了手工描述子的不足。(这类网络的设计通常是将手工设计的特征点图块作为训练集,输入到网络中进行训练)。

 

>> 不同点特征的区别:
  特征点实际上包含两种类型:
  1. 一种是只有关键点(interested point),典型的如FAST这类角点;
  2. 还有一类就是基于角点的位置,利用其邻域信息对其进行描述,得到描述子,SLAM中常用的主要是这类描述子,比如SIFT, SURF, ORB等。
 
>> 特征提取的缺陷:
  直接对图像提取特征点,通常会出现特征点扎堆的现象。显然,对于图像纹理多的地方,特征点自然会提取得多。这导致的结果便是,图像某一块位置提取到的特征点特别多,而其他区域提取到的点特别少,甚至是没有。这在实际应用当中会导致估算相对姿态变换出现较大的偏差,影响定位精度。这是我们极力要避免的。

 

>> 特征提取的小技巧:
  通过对图像进行分块,对不同图像子块提取特征点,可以解决特征点分布不均匀的问题。
  以ORB-SLAM中提取ORB特征点为例:
  1. 将图像 $I$ 划分成 $4$ 个区域 ${s_1, s_2, s_3, s_4}$,对每个区域提取特征点;
  2. 将子图 ${s_1, s_2, s_3, s_4}$ 各自划分成 $4$ 个区域,现在我们总共有 $16$ 个子图,将步骤 $1$ 中提取的特征点按区域进行分配;
  3. 对于存在不止一个特征点的子图,进一步进行划分,直到限制的最小子图时停止。若此时特征点数量仍然较多,则根据响应值,取最大的特征点;
  4. 若步骤 $1$ 中,各个子图中提取的特征点数量较少,则需要通过调整阈值条件,来提高特征点的数量。
  5. 步骤 $1-3$ 可以通过不断递归来完成。
 
PS: 笔者自己实现了一个简单的特征提取函数,但是并没有利用递归对图像进行更加精细的划分。只是简单的划分成几个区域,对各自区域进行提取。欢迎参考。
 

(一)特征提取

标签:条件   差分   网络设计   描述   ted   git   解决   最小   手工   

原文地址:https://www.cnblogs.com/yepeichu/p/12468228.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!