问题标签 [sift]

使用带有 SIFT 功能的 LSH 时，ANN 搜索出现问题。使用一些特征检测器工具（Sift Demo）或一些可用的数据集，我收到了图像的 128 维描述符。但我不知道如何将其存储到 .mat 文件（数据库）中并查询向量以从查询图像接收到 k-closest 图像。

请帮我。非常感谢。

哪种方法最适合比较两张图像并丢弃异常点？在 find_obj.cpp opencv 示例中，他们使用 FLANN，但不丢弃异常值。

我见过一些方法，比如使用 Kmeans 或图表。

我正在尝试在 matlab 中实现 SIFT。我正在关注 Lowe 2004 年的论文。我完成了关键点的计算并为它们分配了方向。（即所有八度音阶）。在实现描述符之前，我有一个疑问..我如何找到其他大小八度音阶中关键点的描述符。（如果原始图像大小为 256*256，则其他大小的八度音阶表示如 128*128,64*64）。

我的方法在下面解释。

1. 在这里，我拍摄了 256*256 的图像，八度为 256*256,128*128,64*64,32*32 的图像。在每个 octave 5 图像（一个原始图像和 4 个模糊图像）。

2. 我计算了所有八度音阶的关键点和方向。（在这个我每个八度有2个图像）。

3. 大小为 128*128、64*64、32*32 的八度音阶中的关键点。如果我想在 256*256 的图像上表示这些关键点，我该如何表示？（我怀疑例如 64*64 图像的关键点范围高达 (64,64) ）。

   如果答案是将 64*64 图像插值到 256*256。如何插入关键点（即位置、比例和方向）？

任何意见是极大的赞赏。谢谢。

在 Lowe 的论文第 4.1 节中，使用 Hessian 矩阵的主曲率比用于消除可能属于边缘的点。

论文没有具体说明Hessian矩阵是在原图还是DoG上计算的。在Rob Hess 的实现中，它以指定的八度和间隔应用于 DoG。

我的问题是为什么在 DoG 上应用 Hessian 矩阵来识别潜在边缘的点？

我从Utkarsh 的教程中了解到，Hessian 应该类似于 Harris 角点检测。不同之处在于 Hessian 矩阵是二阶导数。所以我得出结论，应该将 Hessian 应用于原始图像。

你能指出我解释如何使用 Hessian 的相关资源吗？

我在 OpenCV 2.3 中使用 SIFT 检测器和提取器，发现在子图像上检测到的关键点数量与整个图像上的关键点数量不相加。

具体来说，如果我在图像 A 上使用 SIFT 检测器，检测器会检测到 N 个 SIFT 关键点。如果我将 A 划分为四个子区域 A_1、A_2、A_3、A_4 并分别在这些区域上运行检测器，检测器会相应地检测到 N_1、N_2、N_3、N_4 个 SIFT 关键点。令人惊讶的是， N_1 + N_2 + N_3 + N_4 不等于 N ！

这种现象对 SIFT 算法是否正确？或者这是由于 OpenCV 2.3 的实施不善造成的？

我已经使用 OpenCV 开源提取了这些特征。

我已经使用这两个函数完成了这些步骤

我从描述符中得到了一个 128*128 的矩阵，我认为我也将使用这个矩阵来训练特征......

我很困惑的是以下内容，

当我想训练特征时，我应该使用特征数量的矩阵，每一行都包含有关该特征的信息..它可能是一个矩阵

例如，我在一张图像中有 344 个特征......我得到了一个 128*128 的矩阵作为描述符，我需要这个矩阵来训练我的特征

但正如我所提到的，我只是得到 128*128 矩阵.. 那么有什么问题呢？

而且，我以后应该训练什么？

我正在做一个项目，我必须检测对象的特征（在视频帧中）并将其与其他对象（在其他帧内）匹配以识别相同的对象进行跟踪。我用谷歌搜索了许多特征检测器算法。我还对它们进行了一些比较（SIFT、SURF 和 ASIFT）。

ASIFT 在计算上有点昂贵，但与 SIFT 和 SURF 相比，结果更准确。我在谷歌上搜索了很多关于 ASIFT 的信息，但我的项目没有取得任何成功。

有人可以帮我在我的项目中使用 ASIFT 吗？

ASIFT 参考： http ://www.ipol.im/pub/algo/my_affine_sift/

我应该在我的项目中包含哪些文件？我正在开发 OPENCV 2.1，IDE VS 2010。这是我在这个平台上的第一篇文章。希望有人能帮助我。

因此，对于我们的最后一年项目，我们正在制作一个漂亮的 lil 应用程序，它可以让用户用手机拍摄名片，在上面应用 OCR 并以可打印的形式获取所有必需的信息......我的问题是 SIFT 是轮换不变的，即它不能区分“u”和“n”以及其他此类单词和数字。如果你能分享你们为克服这个问题而提出或提出的任何想法，我将不胜感激。：） 谢谢。

与 sift 相比，密集 sift 实现有什么区别？一个对另一个的优点/缺点是什么？我特别在谈论 VLFeat 实现。

我正在使用 VLSift 进行对象识别，在我看来，有多种方法可以使其正常工作。一种方法是： - 提取 SIFT 特征 - 使用保存现有 SIFT 特征数据库的 kdtree 查找特征 - 返回最佳 bin 特征

另一个似乎是：-提取 SIFT 特征-创建直方图

即忽略物体识别的分类部分。我是否正确，这是两种合法的方法？据我所知，直方图也会得到最好的 bin。如果是这样，哪个更好？有什么优点和缺点？