Once features have been found we sh

Once features have been found we should find a suitable representation of the information they provide. This will allow us to look for them in other images and also to obtain a measure of how similar two detected features are when being compared. This is were descriptors roll in. A descriptor provides a representation of the information given by a feature and its surroundings. Once the descriptors have been computed the object to be recognized can then be abstracted to a feature vector, which is a vector that contains the descriptors of the keypoints found in the image with the reference object.This is for sure a nice idea, but how can it actually be done? There are many algorithms that extract image features and compute its descriptors and, since I won’t go into much more detail (a whole post could be devoted only to this) if you are interested in knowing more take a look at SIFT, SURF, or Harris. The one we will be using was developed at the OpenCV Lab and it is called ORB (Oriented FAST and Rotated BRIEF). The shape and values of the descriptor depend on the algorithm used and, in our case, the descriptors obtained will be binary strings.With OpenCV, extracting features and its descriptors via the ORB detector is as easy as:

Kết quả (Việt) 1:

Khi tính năng này đã được tìm thấy chúng ta nên tìm một đại diện phù hợp của các thông tin mà họ cung cấp. Điều này sẽ cho phép chúng ta tìm kiếm chúng trong hình ảnh khác và cũng có thể để có được một biện pháp như thế nào tương tự như hai tính năng phát hiện là khi được so sánh. Đây là những mô tả tại Mỹ. Một mô tả cung cấp một đại diện của các thông tin cung cấp bởi một tính năng và môi trường xung quanh. Khi mô tả đã được tính toán đối tượng được công nhận sau đó có thể được trừu tượng đến một vector đặc trưng, ​​đó là một vector có chứa các mô tả của keypoint tìm thấy trong các hình ảnh với các đối tượng tham khảo.

Đây là chắc chắn là một ý tưởng tốt đẹp, nhưng làm thế nào có thể nó thực sự được thực hiện? Có rất nhiều thuật toán nén hình ảnh đặc trưng và tính toán mô tả của nó và, vì tôi sẽ không đi vào chi tiết hơn (toàn bộ một bài có thể được dành duy nhất này) nếu bạn đang quan tâm tìm hiểu thêm hãy xem SIFT, SURF, hoặc Harris. Mà chúng ta sẽ sử dụng được phát triển tại phòng thí nghiệm OpenCV và nó được gọi là ORB (Oriented NHANH và xoay TÓM TẮT). Hình dạng và giá trị của các bộ mô tả phụ thuộc vào các thuật toán được sử dụng và, trong trường hợp của chúng tôi, mô tả thu được sẽ là chuỗi nhị phân.

Với OpenCV, giải nén các tính năng và mô tả của nó thông qua các máy dò ORB là dễ dàng như:

Kết quả (Việt) 2:

Một khi các tính năng đã được tìm thấy, chúng ta nên tìm một đại diện phù hợp của các thông tin mà họ cung cấp. Điều này sẽ cho phép chúng tôi tìm kiếm chúng trong các hình ảnh khác và cũng để có được một biện pháp tương tự như hai tính năng phát hiện được khi so sánh. Đây là mô tả cuộn trong. Một mô tả cung cấp một đại diện của các thông tin được đưa ra bởi một tính năng và môi... Một khi các mô tả đã được tính toán các đối tượng được công nhận sau đó có thể được abstracted đến một véc tơ, đó là một vector có chứa các mô tả của các phím được tìm thấy trong hình ảnh với các đối tượng tham khảo.

Điều này là chắc chắn một ý tưởng tốt đẹp, nhưng làm thế nào nó có thể thực sự được thực hiện? Có rất nhiều thuật toán mà trích xuất các tính năng hình ảnh và điện toán mô tả của nó và, vì tôi sẽ không đi vào chi tiết hơn nhiều (một bài toàn bộ có thể được dành chỉ để này) nếu bạn quan tâm đến việc biết thêm hãy xem SIFT, Surf, hoặc Harris. Một trong chúng ta sẽ sử dụng được phát triển tại OpenCV Lab và nó được gọi là ORB (định hướng FAST và xoay tóm tắt). Hình dạng và giá trị của mô tả phụ thuộc vào thuật toán được sử dụng và, trong trường hợp của chúng ta, các mô tả thu được sẽ là Chuỗi nhị phân.

Với OpenCV, trích xuất các tính năng và mô tả của nó qua máy dò ORB dễ dàng như:

Kết quả (Việt) 3:

Một khi tìm thấy các tính năng chúng ta nên tìm một cách thích hợp để cung cấp thông tin.Điều này sẽ cho phép chúng ta tìm kiếm chúng trong những hình ảnh khác và cũng có thể xác định xem so sánh hai tính năng tương tự đã phát hiện.Đây là đoạn diễn tả.Một bộ mô tả cung cấp mô tả các thông tin được cung cấp bởi các đặc trưng và môi trường xung quanh.Một khi các miêu tả đã được tính to án các vật thể được nhận ra có thể được trừu tượng thành một véc- tơ đặc trưng, một véc- tơ chứa các miêu tả các điểm chính được tìm thấy trong ảnh với vật thể tham khảo.
Đây chắc chắn là một ý hay, nhưng làm sao có thể thực sự được?Có nhiều thuật to án trích xuất các t ính năng ảnh và tính toán mô tả của nó, và, bởi vì tôi đã thắng 817t đi sâu vào chi tiết hơn (một bài viết toàn diện chỉ có thể được dùng cho việc này) nếu bạn muốn biết nhiều hơn xem qua SIFT, SurF, hay Harris.The one we will be using was developed at the OpenVv Lab and it is called ORB (Orient FAST và roted BREC).Các hình dạng và giá trị của miêu tả phụ thuộc vào thuật toán được sử dụng và, trong trường hợp của chúng tôi, các miêu tả sẽ là chuỗi nhị phân.
Với OpenVv, moi các tính năng và mô tả của nó qua bộ phát hiện ORB cũng dễ như: