OpenCV - SURF hessischen Mindest-Schwelle

Arbeite ich an ein OpenCV Projekt mit surfen zu erkennen, die Funktion von Bildern.
Der Detektor ist initialisiert auf diese Weise

int minHessian = 100;

SurfFeatureDetector detector( minHessian );

Kann jemand erklären mir die Bedeutung der hessischen Schwelle (in der Mathematik und der Praxis Weg)?

InformationsquelleAutor Fabrizio Duroni | 2013-09-11
  1. 16

    Erklärt ist das in der SURF-Papier, das sollten Sie wirklich Lesen, bevor Sie es. Der SURF-Algorithmus wirklich enthält zwei Teile: interest point Erkennung und einen Deskriptor. Die Hessischen Ecke-Detektor wird verwendet für Zins-point-Erkennung, in diesem Fall. Die Schwelle legt fest, wie groß die Ausgabe des hessischen filter sein muss, um für eine Punkt-zu-verwendet werden, die ein Interesse zeigen. Ein größerer Wert führt zu weniger, aber (theoretisch) mehr markanten Punkten Interesse, während ein kleiner Wert führt zu mehr zahlreich, aber weniger markante Punkte.

    • Danke für die Antwort. Ich war versucht, SURF-Algorithmus, denn ich möchte in der Lage sein, zu erkennen, anderes Objekt in einem video (eine Menge von verschiedenen Objekt = Hunderte von Objekt). Ich habe nicht gefunden, eine gute Lösung. Können Sie mir helfen, um mich in die richtige Richtung?
    • Es ist ein offenes problem. Ich Las in einigen Papieren. SURFEN ist kein schlechter Weg zu gehen, für basic-Objekt-Erkennung aber.
    InformationsquelleAutor devrobf
  2. 5

    Mathematisch, die Hesse-matrix beschreibt die zweite Ableitung einer Funktion, die für Krümmungen. Stellen Sie sich vor Sie haben eine 3-D Oberfläche f(x,y), wie konnte Sie finden Ihren lokalen extrema? Einfach finden Sie Ihr null-Punkt in der ersten Ableitung. Zu rechtfertigen, ob dieser Punkt ist der lokale max-oder min -, müssen wir wissen, die ersten zwei größten abs(zweite Ableitungen in den Raum). Wenn das Produkt negativ ist, wird dieser Punkt nicht die lokalen extreme. Wenn das Produkt positiv ist, dass Punkt wäre die lokale extreme, außerdem, je größer das Produkt ist, desto schärfer werden die lokalen extreme.

    Kommen wir zurück zu der Hesse-matrix, das steht für die zweiten Ableitungen. Die wichtigsten Dinge für die hessischen sind seine Eigenwerte. Die Eigenwerte beschreiben die größte zweite Ableitung in die 3-D-Raum (nicht zu begrenzen x-und y-Richtung). Wie bereits erwähnt, Ihr Produkt ist nützlich. Das knifflige hier ist, dass das Produkt der Eigenwerte ist die Determinante der Hesse. minHessian hier könnte überlegen, wie die Determinante, das ist, wie "scharf" die extrema, die Sie benötigen. Wenn ein Punkt ist Det(hessischen) größer ist als dieser Wert, könnte es sein, die Interesse zeigen.

    Anstelle der Verwendung von LoG-und hessischen wie SIFT, SURF mit Det(hessischen) auswählen können, der sowohl im Umfang als auch Interesse Punkte. Auf diese Weise, SURFEN könnte "Speed-Up".

    Allerdings gibt es mehr details über diese Determinante, einschließlich Haar wavelet-filter, GEWICHTE auf die andere Richtung.... Wenn Sie Interessen an diesen details entnehmen Sie bitte den SURF-Papier.

    InformationsquelleAutor Donny
Schreibe einen Kommentar