Tính năng mô tả Một loạt thậm chí lớn hơn của mô tả tính năng đã được đề xuất, likeGaussianderivatives [16], momentinvariants [17], complexfeatures [18, 19], lters fi steerable [20], các tính năng giai đoạn dựa trên địa phương [21], và mô tả đại diện phân phối các tính năng quy mô nhỏ trong khu phố điểm quan tâm. Sau này, được giới thiệu bởi Lowe [2], đã được chứng minh để làm tốt hơn những người khác [7]. Điều này có thể được giải thích bởi thực tế rằng họ nắm bắt một số lượng đáng kể các thông tin về mô hình cường độ không gian, trong khi tại cùng một thời điểm là mạnh mẽ để biến dạng nhỏ hoặc lỗi nội địa hóa. Bộ mô tả trong [2], được gọi là SIFT cho ngắn, tính toán một biểu đồ của gradient hướng địa phương xung quanh các điểm quan tâm và lưu trữ các thùng trong một vector 128 chiều (8 thùng định hướng cho mỗi 4 × 4 thùng vị trí). Nhiều nements fi lại trên lược đồ cơ bản đã được đề xuất. Ke và Sukthankar [4] áp dụng PCA vào hình ảnh gradient. Đây PCA-SIFT mang lại một mô tả 36dimensional mà là nhanh chóng cho phù hợp, nhưng đã chứng minh được ít đặc biệt, hơn SIFT ina nghiên cứu so sánh thứ hai bởi Mikolajczyket al. [8] andslower tính năng tính toán giảm e ff ect khớp nhanh chóng. Trong cùng một giấy [8], các tác giả đã đề xuất một biến thể của SIFT, gọi GLOH, mà thâm chí còn đặc biệt hơn với cùng một số phương diện. Tuy nhiên, GLOH là tính toán đắt tiền hơn. Bộ mô tả SIFT vẫn có vẻ là sự mô tả hấp dẫn nhất đối với sử dụng thực tế, và do đó cũng được sử dụng rộng rãi nhất hiện nay. Nó là đặc biệt và tương đối nhanh, mà là rất quan trọng cho các ứng dụng trên mạng. Gần đây, Se et al. [22] thực hiện SIFT trên một Array Dòng Programmable Gate (FPGA) và cải thiện tốc độ của nó bằng một thứ tự cường độ. Tuy nhiên, chiều cao của mô tả là một nhược điểm của Chọn lọc ở bước phù hợp. Đối với các ứng dụng trực tuyến trên một máy tính thường xuyên, mỗi một trong ba bước (phát hiện, mô tả, matching) nên còn nhanh hơn nữa. Lowe đề xuất một best-BIN fi đầu tiên thay thế [2] để tăng tốc độ các bước phù hợp, nhưng kết quả này trong độ chính xác thấp hơn.
Cách tiếp cận của chúng tôi Trong bài báo này, chúng tôi đề xuất một chương trình máy dò-mô tả tiểu thuyết, SURF đặt ra (đẩy-Up Robust Features). Các máy dò được dựa vào ma trận Hessian [11,1], nhưng sử dụng một xấp xỉ rất cơ bản, giống như DoG [2] là một máy dò Laplacian dựa trên rất cơ bản. Nó dựa trên hình ảnh không thể thiếu để làm giảm thời gian tính toán và do đó chúng ta gọi nó là phát hiện các 'Fast-Hessian'. Bộ mô tả, mặt khác, mô tả sự phân bố của các phản ứng Haar-wavelet trong khu phố điểm quan tâm. Một lần nữa, chúng ta khai thác những hình ảnh không thể thiếu cho tốc độ. Hơn nữa, chỉ có 64 kích thước được sử dụng, giảm thời gian cho tính năng tính toán và kết hợp, và tăng đồng thời sự vững mạnh. Chúng tôi cũng trình bày một bước lập chỉ mục mới dựa trên các dấu hiệu của Laplacian, làm tăng không chỉ có tốc độ phù hợp, nhưng cũng mạnh mẽ của các bộ mô tả. Để makethe nhiều giấy khép kín, chúng tôi ngắn gọn thảo luận khái niệm hình ảnh không thể thiếu, như de fi xác định bởi [23]. Chúng cho phép để thực hiện nhanh chóng các loại hộp lters chập fi. Sự tham gia của một imageIΣ tích phân (x) tại một vị trí x = (x, y) đại diện cho tổng của tất cả các điểm ảnh trong hình ảnh đầu vào I của một khu vực hình chữ nhật được hình thành bởi các điểm x và nguồn gốc, IΣ (x) =? I ≤xi = 0? j≤yj = 0 I (i, j). Với IΣ tính, nó chỉ mất bốn bổ sung để tính tổng các cường độ hơn bất cứ thẳng đứng, diện tích hình chữ nhật, độc lập với kích thước của nó.
đang được dịch, vui lòng đợi..