问题标签 [sift]

使用特征描述符 [如 SIFT、SURF] 时，Approximate Nearest Neighbor 是在图像之间进行匹配的最快方法吗？

我遇到了许多 AR 库/SDK/API，它们都是基于标记的，直到我找到这个视频，从描述和评论来看，看起来他正在使用 SIFT 来检测对象并跟踪它。

我需要为 Android 做这件事，所以我需要在纯 Java 中完整实现 SIFT。

我愿意这样做，但我需要先了解 SIFT 如何用于增强现实。

我可以利用你提供的任何信息。

在此处询问并尝试了 SURF 和 SIFT 之后，它们都没有足够有效地产生足够快的兴趣点来跟踪来自相机的流。

例如，SURF 需要大约 3 秒来为图像生成兴趣点，这对于跟踪来自网络摄像头的视频来说太慢了，而且在手机上使用时会更糟。

我只需要一种算法来跟踪某个区域、它的规模、倾斜度等。我可以在此基础上进行构建。

谢谢

我使用了Andrea Vedaldi的SIFT实现来计算两个相似图像的筛选描述符（第二个图像实际上是从不同角度放大的同一对象的图片）。

现在我无法弄清楚如何比较描述符来判断图像有多相似？

我知道这个问题是无法回答的，除非你以前真的玩过这些东西，但我认为以前做过这个的人可能知道这个，所以我发布了这个问题。

我为生成描述符所做的小事：

关于如何进行简单图像配准的任何想法（我有 IMAGE1 和 IMAGE2 从同一个主题拍摄，但相机移动了一点并且想要将 IMAGE2 与 IMAGE1 匹配）？我检查了许多软件来做到这一点，但它们都专注于医学图像，所以我无法输入简单的 JPEG（甚至允许 PGM，但不起作用）。

谢谢

在快速查询大型数据库中的相似图像或文本时，我阅读了很多有关词汇树的内容。但是我找不到任何关于这种词汇树是什么以及如何构建其中一个功能的好的（易于理解的）描述。

我正在寻找 SIFT 算法的 Matlab 实现。

我是图像处理和模式识别方面的新手。我正在尝试实现 SIFT 算法，我可以在其中创建 DoG 金字塔并识别每个八度音程中的局部最大值或最小值。我不明白的是如何在每个八度音程中使用这些局部最大值/最小值。我如何结合这些点？

我的问题可能听起来很微不足道。我读过 Lowe 的论文，但无法真正理解他在建造了 DoG 金字塔后做了什么。任何帮助表示赞赏。

谢谢

我遇到了最近邻算法的实现，用于查找两个相似图像中某些关键点之间的匹配。关键点由 SIFT 算法生成。这些点由一个 128 维向量描述，并且在两幅图像中都有很多这样的点。

匹配算法使用最近邻搜索，并且对于一幅图像中的每个点，计算另一幅图像中对应的最近点。“接近度”由点的向量之间的最小欧几里德距离来描述。通过仅采用距离低于某个阈值的那些点对来选择最佳匹配。

然而，我遇到的实现将一个图像中关键点的所有矢量与另一图像中的矢量相乘，从而形成一个产品矩阵。然后它会找到乘积高于给定阈值的点。

这个实现给出了正确的结果，但我想知道它是如何工作的。它是使用向量之间的相关性作为度量还是这里发生了其他事情。

我已经进行了视频聊天，但像往常一样，很多男人喜欢嗯，滥用服务（我让你来判断这种滥用的性质），这不是我以任何方式认可的，大多数人也不认可我的用户。不，我没有偷过 chatroulette.com :-) 坦率地说，我有点不好意思在这里提出这个问题，但我的问题是技术性的，而且相当具体：

当该内容具有冒犯性时，我想根据用户的视频内容过滤/拒绝用户，例如用户在相机上闪烁他的垃圾。什么样的图像比较算法适合我的需要？

我花了一周左右的时间阅读了一些科学论文，并且了解了多种理论及其实现，例如 SIFT、SURF 和一些基于小波的方法。当然，每一个都有缺点和优点。但是由于我的图像比较的性质非常具体 - 如果在视频中的某个位置范围内遇到某个身体部位，则拒绝服务 - 我想知道哪种方法最适合我？

目前，我倾向于以下一些东西（基于小波的东西加上我认为是一些专有创新的东西）： http: //grail.cs.washington.edu/projects/query/

有了以上内容，我可以简单地绘制违规的身体部分，并期望违规内容被视为基于阈值的匹配。再说一次，我不确定该方法是否对转换保持不变，如果是，则转换为哪种-该论文并没有真正具体说明这一点。

或者，我认为 SURF 实现可以做到，但我担心它会给我带来误报。可以训练这种实现以识别/赋予特定特征权重吗？

我知道这里有很多关于 SURF 和 SIFT 的问题，但其中大多数是通用的，因为它们通常解释如何“比较”两个图像。我的比较是特定于功能的，而不是通用的。我需要一种方法，它不仅可以比较两个相似的图像，而且可以给我一个特征的排名/索引/权重（但是该方法可以让我描述它，无论是图像本身还是其他东西）图片。