Feature Extraction
Tipo de recurso no campo da imagem é dividida em ponto, linha, avião. recursos de linha e características de superfície sintetizado usando informações de imagem adicional, e, portanto, à sua maior resolução. Infelizmente, devido às características da linha e as condições de extração de características rosto são duras, portanto, não é amplamente em aplicações práticas. (Embora a instância bound linha de bit SLAM, no caso em que a textura da imagem é fraca, as características de linha podem desempenhar um papel mais útil, mas é, ao mesmo tempo aumentando a quantidade de cálculo, melhorou o desempenho é mais limitada.) Com profundidade aprender e melhorar em termos de imagem, baseada na visão completa dos vetores de características aprendidas melhorar continuamente o desempenho, mesmo para além do desenho manual dos pontos característicos. É também disse anteriormente, por causa da informação da imagem utilizando uma forma mais abrangente, o que faz com que os vetores de características de desempenho reconhecimento ficando melhor e melhor.
Visual SLAM, o recurso de ponto de recurso usado principalmente.
>>
feições pontuais podem ser divididos em duas categorias:
1. Com base nos pontos apresentam um design manuais:
Com tais características é o ponto principal da geometria, bem como algumas pessoas reconhecem uma imagem matemática de uma região particular de uma modelagem função são descritos. Um exemplo típico do SIFT, em comparação com a imagem de Gauss pirâmide nomeadamente cálculo da diferença de altura, então este ponto é descrito por sua informação de domínio para obter a função final descrito.
2. Com base na profundidade dos vetores de características aprendidas:
Tal rede de aprendizagem profundidade ponto característica é principalmente concebido de forma a obter informações de imagem útil por uma pluralidade de operações de convolução e reunidas. Relativamente falando abstrato, eu entendo, embora os olhares estudo aprofundado como uma grande caixa, mas na verdade, é uma função $ f_ {i} (x) $, o resultado final é uma função de uma pluralidade de volumes individuais da função composta camada de base valor de $ L = f_ {N} $ (...) F_ {N-1} (... f_ {1} (x)). redes de início principalmente concebidos para imitar manuais descritores etapa de cálculo, cada operação manual do descritor de volume camada de base não é diferente. Principalmente tarde para tirar proveito de mais informação de imagem, para compensar a falta de mão-descritores. (O projeto de tais redes é tipicamente um manual de pontos característicos projeto da telha como o conjunto de treinamento, a entrada para o treinamento da rede).
>>
diferentes pontos de características de diferença:
Um ponto de recurso, na verdade, contém dois tipos:
Um ponto-chave é que só (ponto de interesse), tipicamente, tais como cantos RÁPIDOS;
2. Outro tipo baseia-se na localização do canto, utilizando a sua informação vizinhança ser descrito, para obter descritores, que é usado principalmente em SLAM esses descritores, tais como peneirar SURF, ORB e semelhantes.
>>
defeitos de extração de características:
Diretamente sobre os pontos característicos imagem são extraídos, normalmente, haverá pontos característicos obter fenômeno juntos. Obviamente, para a textura e mais lugares, a extração ponto recurso muito mais naturalmente. Resultado de tudo isto é, especialmente uma determinada posição para imagem extracto pontos característicos, enquanto outras regiões extraídas é particularmente baixa, ou nenhuma. Isto levará a estimativas de aplicação prática a postura mudança relativamente grande desvio ocorre, precisão de posicionamento. Isto é o que nós tentamos evitar.
>>
dicas de extração de características:
Pelo bloco de imagem, extratos apresentam pontos para diferentes imagem sub-blocos, pode resolver o problema da distribuição desigual de pontos característicos.
ORB-SLAM a característica extracto aponta Exemplo ORB:
1. A imagem é dividida em $ I $ $ $ 4 regiões $ {s_1, s_2, s_3, s_4} $, pontos característicos são extraídos para cada área;
2. A FIG sub $ {s_1, s_2, s_3, s_4} $ $ 4 $ são cada um dividido em regiões, e agora temos um total de $ 16 $ subgráficos, $ 1 $ Etapa extraída pontos característicos atribuídos pela região;
3. Para obter mais do que um ponto de recurso sub-imagem existir, é depois dividido, até uma paragem limite mínimo da FIG. Se o número de pontos característicos ainda é grande neste momento, de acordo com o valor de resposta, tendo o máximo de pontos característicos;
Passo 4. Quando o $ 1 $, o pequeno número de cada subgráfico extraída pontos característicos, a necessidade de ajustar as condições de limite, para aumentar o número de pontos característicos.
Passo 5 $ $ 1-3 pode ser conseguida por recursão continuamente.
PS: eu próprio implementa uma simples
função de extração de características
, mas não o recursiva imagem divisão mais fina. Simplesmente dividida em várias regiões, cada região para a extração. referência bem-vindo.