Daisy描述子结合SIFT匹配应用于目标识别
来源:互联网 发布:scrollreveal.min.js 编辑:程序博客网 时间:2024/05/02 06:28
1、Daisy描述子
Daisy描述子由Engin Tola等人在07年的CVPR上提出,它是面向稠密特征提取的可快速计算的局部图像特征描述子,建立在sift和gloh算子的基础上。其本质思想和SIFT是一样的:分块统计梯度方向直方图,不同的是,DAISY在分块策略上进行了改进,利用高斯卷积来进行梯度方向直方图的分块汇聚,这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。
(1)网站:http://cvlab.epfl.ch/software/daisy;(2)论文:
A Fast Local Descriptor for Dense Matching_tola_cvpr07;
DAISY:An Efficient Dense Descriptor Applied to Wide Baseline Stereo_tola_pami09。
2、静脉识别和3D人脸识别
最近看到BUAA的Di Huang将Daisy描述子应用于静脉识别和3D人脸识别,参考他的这两篇paper:
这里提到的PFI和OGM实际就是Daisy描述子的计算过程。Daisy描述子对每个点会产生一个25*8维的特征向量,例如对于64*64的图像,daisy描述子产生的是4096*200的矩阵,Di Huang的论文只取每个点的前8维特征向量,这样对于一幅图像来说,相当于只取前8个daisy map,后面的map包含的细节越来越少,可以舍弃掉。
3、应用于静脉识别
结合自己的理解,大致说一下Hand Vein那篇paper的脉络。对于每个gallery sample(可简单理解成训练样本),作如下过程:
(1)首先使用Daisy描述子计算daisy map,取前8个map,逐个reshape为图像原尺寸并采用min-max rule归一化之后,组成每幅图像的OGM:
(2)对于OGM中的每个map做SIFT操作,得到128*M的SIFT特征矩阵(M为key points的个数):
(4)将每一个probe sample与所有gallery sample做这个过程,这样就得到probe sample与所有gallery sample在8个map上的匹配向量,组成一个匹配得分矩阵(这里可以对每个匹配向量做一次min-max归一化)
(5)对得分矩阵进行加权融合。假设Ni表示第i个map在第g个gallery sample上的匹配点数目,则权重计算如下:
- Daisy描述子结合SIFT匹配应用于目标识别
- DAISY描述子简介
- SIFT、SURF、Harris、BRIEF、FAST、DAISY、FAST经典描述子简介
- 特征描述子和特征匹配-SIFT
- SIFT描述子
- sift描述子
- 3D目标识别---局部特征描述子介绍
- sift匹配描述子距离判断选择更好的匹配点
- SIFT、SURF、Harris、BRIEF、FAST、DAISY、FAST等描述符介绍
- 浅谈SIFT特征描述子
- SIFT算法:特征描述子
- 浅谈SIFT特征描述子
- 浅谈SIFT特征描述子
- 浅谈SIFT特征描述子
- Sift描述子的实现
- KAZE描述子:SIFT的改进版
- SIFT之三:生成描述子
- SIFT特征描述子是David G
- lua语言基础(2)函数
- Mybatis + Spring 时出错 java.lang.NoClassDefFoundError
- 《Spring Security3》第三章第三部分翻译上(Remember me安全吗?)
- 精通安卓性能优化-第一章(九)
- vs 中大括号之间垂直虚线显示
- Daisy描述子结合SIFT匹配应用于目标识别
- cocos2d-x 2.1.4 android开发环境搭建--终极整理
- win7与虚拟机的ubuntu12.04之间共享文件
- 面试9篇
- 剖析一个WIFI搜索、创建、关闭、连接及一些简单的动画==============
- lua语言基础(3)变长参数
- 日积月累:Proguard进行Android代码混淆
- one way单程杀机
- 2014-5-22 java.lang.OutOfMemoryError: Java heap space的一次诊断