The good performance of SIFT compar

The good performance of SIFT compared to other descriptors [8] is remarkable. Its mixing of crudely localised information and the distribution of gradient related features seems to yield good distinctive power while fending off the effects of localisation errors in terms of scale or space. Using relative strengths and orientations of gradients reduces the effect of photometric changes. The proposed SURF descriptor is based on similar properties, with a complexity stripped downevenfurther. Thefirst step consistsof fixing a reproducible orientationbased oninformationfrom a circularregionaroundthe interest point. Then, we construct a square region aligned to the selected orientation, and extract the SURF descriptor from it. These two steps are now explained in turn. Furthermore, we also propose an upright version of our descriptor (U-SURF) that is not invariant to image rotation and therefore faster to compute and better suited for applications where the camera remains more or less horizontal.

Kết quả (Việt) 1:

Hiệu suất tốt của SIFT so với khác descriptor [8] là đáng kể. Của nó trộn crudely từng thông tin và phân phối chuyển màu liên quan đến tính năng có vẻ mang lại sức mạnh đặc biệt tốt trong khi chống off effects localisation lỗi trong điều khoản của quy mô hoặc không gian. Sử dụng thế mạnh tương đối và định hướng của chuyển sắc làm giảm effect thể thay đổi. Mô tả SURF được đề xuất dựa trên các sản phẩm tương tự, với một downevenfurther phức tạp tước. Thefirst bước consistsof fixing một oninformationfrom thể sanh sản nhiều orientationbased một mối quan tâm circularregionaroundthe điểm. Sau đó, chúng tôi xây dựng một khu vực vuông liên kết để định hướng đã chọn, và trích xuất mô tả LƯỚT từ nó. Các bước sau hai bây giờ được giải thích trong lần lượt. Hơn nữa, chúng tôi cũng đề xuất một phiên bản thẳng đứng của chúng tôi mô tả (U-SURF) là không bất biến để xoay ảnh và do đó nhanh hơn để tính toán và tốt hơn phù hợp cho các ứng dụng mà máy ảnh vẫn còn hơn ngang.

Kết quả (Việt) 2:

Thực hiện tốt SIFT so với các mô tả khác [8] là đáng kể. Pha trộn của các thông tin sơ sài bản địa hóa và sự phân bố của gradient liên quan dường như mang lại sức mạnh đặc biệt tốt khi chống đỡ o ff các các dự ff e lỗi nội địa hóa về quy mô hoặc không gian. Sử dụng thế mạnh và định hướng của gradient tương đối giảm e ff vv thay đổi trắc quang. Bộ mô tả SURF đề xuất dựa trên tính chất tương tự, với một phức tạp lột downevenfurther. Bước đầu tiên kinh consistsof fi xing một tái sản xuất orientationbased oninformationfrom một điểm quan tâm circularregionaroundthe. Sau đó, chúng ta xây dựng một khu vực hình vuông phù hợp với định hướng lựa chọn, và trích xuất các mô tả SURF từ nó. Hai bước bây giờ được giải thích lần lượt. Hơn nữa, chúng tôi cũng đề xuất một phiên bản thẳng đứng của mô tả của chúng tôi (U-SURF) mà không phải là bất biến để xoay hình ảnh và nhanh hơn để tính toán và phù hợp hơn cho các ứng dụng máy ảnh vẫn còn ít nhiều ngang.