问题标签 [feature-descriptor]

目前我尝试计算 ISS 关键点的 PFH 描述符。我执行以下步骤：

(1) 使用 pcl::ISSKeypoint3D 检测关键点 (2) 使用 pcl::NormalEstimation 从 (1) 估计新关键点云的法线 (3) 使用 pcl::PFHEstimation 从 (2) 估计关键点的 PFH 和法线

据我了解，PFH 估计考虑了k个邻居，因此复杂度为 O(n*k^2)，其中n表示关键点的数量。但是，我只将由关键点本身组成的云传递给 (3) 中的估计器。

所以我的问题是：如何检索每个 ISS 关键点的k个邻居？

我是计算机视觉的新手，现在正在做一个关于形状检测的学习项目，我在所有最有可能出现对象的图像中都有一个固定的感兴趣区域 (ROI)，我必须比较它们的形状以确定是否两个输入图像中存在的对象是否相同。有轻微的平移和尺度变化以及光照变化。

我正在尝试比较两个输入图像之间对象的形状，并尝试提供描述它们相似性的输出值。如果相似度高于某个阈值，我可以判断两个输入图像中都存在同一个对象。

我已经尝试过轮廓，但它没有给出可靠的结果（阈值要么给出太多细节，要么错过一些重要细节）并且不能很好地概括所有图像。我正在考虑使用像 HOG 这样的全局形状描述符。

但是我在理解 HOG 描述符中的特征向量值时遇到了问题。如何在不使用 SVM 或机器学习的情况下比较两个输入图像的 HOG 特征向量（1D）以找到相似性？比较 HOG 特征向量的最佳方法是什么？

我不明白距离测量如何用于比较未来的向量。我想了解如何使用距离来比较特征向量和直方图的物理意义？如何使用它们来比较 HOG 特征向量？

我正在尝试提取 SIFT 描述符以便稍后对它们进行聚类。我有这段代码

我看到它len(d)给出了从 4 到 20 的不同值（从我一眼看去，可能会更远）。

是否可以使用不同数量的描述符？我应该尝试获得恒定数量的描述符吗？

我使用带有 Open_CV 库的 feature2D 进行掌纹识别，并使用 SIFT、SURF、ORB 等算法来检测特征和提取/匹配描述符。我的测试包括（1 对 1）掌纹和掌纹（1 对数据库）。

我得到了结果，我需要评估算法，为此我知道有一些比率或分数（如 EER、rank-1 识别、召回和准确性），可以估计这种方法成功的程度。现在我需要知道这些费率是否在 Open_CV 中实现，以及如何使用它们。如果不是，文学中使用的不同公式是什么。

如何eccentricity在 Python 中计算 2D 凸包？

偏心度：椭圆（或闭合形状）的参数，表示其与圆度的偏差，其值范围为 0（圆）到 1（线）。

我正在尝试根据增加/减少的值为时间序列数据生成标题。

我有一列随着时间的推移逐渐变化的值（时间范围现在无关紧要）。当我们可视化图表时，我们会做出诸如增加/减少、陡峭曲线等评论。

我正在查看可用于相同的库。是否在图形字幕/ ts 字幕方面进行过任何研究？

目前正在处理 pyts 并通过将值转换为小簇并分析如此创建的词袋来探索量化选项。

到目前为止，它只是查看值何时将方向从 inc 更改为 dec，停止并为前一段生成“增加”并继续前进。就缩放而言，这是一种低效的方法。

寻找指导，建议，资源。

我试图通过关键点检测复制移动伪造。我正在使用这个

上面的图像已被篡改（数字 4 被复制和移动）。我得到了每个关键点的关键点（数字 = 891）和描述符。的形状descriptors = (891x128）。这是绘制关键点的图像。

现在我必须对这些描述符进行聚类，对吗？我应该怎么做？我参考了很多论文，他们只展示了流程图而不是如何去做，而且大多数都是混合的。大多数 StackOverflow 问题都涉及多个图像（来自图像相似域）。

我认为位于两个 4 上的关键点的描述符是相同的，我尝试使用以下代码在描述符矩阵中查找重复值：

输出是：

暗示只有 11 个是重复的关键点。这让我很困惑。

那么我应该如何对行向量进行聚类以便进一步进行并标记伪造区域？

如果有人可以通过一些视觉输出直观地解释聚类处理，我会很高兴。

PS：这是我在这里的第一个问题。如果我不清楚或我问的内容太宽泛，请告诉我。如果您有任何不确定的地方，我会尝试添加更多信息。我整天都在做这个，我很累，请帮忙。

我有一个小图像补丁（16 x 16），我想为其获取 ORB 描述符。根据SIFT 描述符的这个答案，我类似地创建了一个关键点列表，其中包含一个位于补丁中心的关键点，以及补丁的直径大小。

但是，这不起作用，我得到None和[]作为此代码段的输出。如何计算单个补丁的 ORB 描述符（以及所述中心的关键点）？

Studying ORB feature descriptors from it is the official paper I found it stating:

We empirically choose r to be the patch size, so that that x and y run from [−r, r]. As |C| approaches 0,

I did not understand how r is calculated, please tell me how to calculate r.

I tried a lot to dig deeper using the internet but I couldn't find formula or explaining and I did not understand what it stated means.

Would you please explain it for me? And give me the formula if you may.

我收到了这个问题，但对答案一无所知：使用欧几里得距离匹配 SIFT 描述符有什么问题？我读过一些关于这种方法不适用于转换图像的内容，但我可以理解他对转换图像的含义以及为什么？