邓辉

个人站

欢迎来到我的个人站~


Textureless Object Detection Using Cumulative Orientation Feature 笔记

写在最前面的废话

以前对二维图像处理接触不是很多,只是做立体视觉的时候接触了一点点特征的提取方法:SIFT、ORB、SURF、FAST… 最近总是听到二维组的人用到模板匹配的方法,说是做识别挺好的。简要的看下模板匹配的原理,原来就是对比两张图像的相似性。 (内心对白:这能做识别?目标发生旋转和缩放相似性不是会发生急剧的下降么?直到看到这篇文章才意识到我对二维世界的一无所知, 原来模板匹配还能能够玩的这么花哨)

———注:写在最前面的废话是对我自身认知事物过程中思想上的记录,与文章无关。

方法论

结合上面的两幅图,说一下我对这篇文章的理解。

  • 首先,基于已知对象的模板图像,对模板图像进行绕中心旋转(5-10度)、1-2个像素的平移。
  • 得到n张模板图像。然后对n张模板图像基于Sobel算子求梯度,保留梯度值大于一定阈值像素上的梯度方向。见图2所示。
  • 如图2所示,基于n张模板图像的梯度方向,做一个OR运算。得到Cumulative Orientation。
  • 对输入的场景图像I,计算梯度获取I中每个像素的梯度方向,保留大于梯度阈值的梯度方向。
  • 基于得到的模板图像梯度方向图和场景图像I的梯度方向图,计算图I中每个像素处与模板图像的相似度。得到一个相似得分。 具体相似值得分的计算公式可见下图。

实验结果

上面几张图介绍了本文方法与其他方法的效果对比,结果显示识别结果的精度和效率都是不错的。

想要详细的了解文章的方法还是参见原文吧,这里只做一个简要的记录。


转载请注明原地址,邓辉的博客:https://github.com/my-lord/mylord.github.io 谢谢!

Don’t Panic.

打赏一个呗

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码支持
扫码打赏,你说多少就多少

打开支付宝扫一扫,即可进行扫码打赏哦