点特征类型- MATLAB & Simulink - MathWorks América拉丁

点特征类型

图像特征检测是许多计算机视觉任务的组成部分，如图像配准、跟踪和目标检测。计算机视觉工具箱™包括多种图像特征检测功能。这些函数返回的点对象存储特定于特定类型的特征的信息，包括(x,y)坐标(在位置属性)。您可以将一个points对象从检测函数传递给需要特征点作为输入的各种其他函数。检测函数使用的算法决定了它返回的points对象的类型。有关更多细节，请参见局部特征检测与提取．

返回指向对象的函数

点对象	返回的	特征类型
`cornerPoints`	`detectFASTFeatures` 加速段测试(FAST)算法的特点使用近似的度量来确定角。[1]	角落 Single-scale检测在人类起源的场景中，如街道和室内场景，点跟踪，尺度变化很小或没有变化的图像配准，角落检测。
	`detectMinEigenFeatures` 最小特征值算法采用最小特征值法确定转角位置。[4]
	`detectHarrisFeatures` Harris-Stephens算法比最小特征值算法更有效。[3]
`BRISKPoints`	`detectBRISKFeatures` 二进制稳健不变可扩展关键点(BRISK)算法[6]	角落多尺度检测点跟踪，图像配准，处理尺度和旋转的变化，街角检测在人类起源的场景，如街道和室内场景
`SIFTPoints`	`detectSIFTFeatures` 尺度不变特征变换	斑点多尺度检测目标检测和图像配准与缩放和旋转变化
`SURFPoints`	`detectSURFFeatures` 加速鲁棒特征(SURF)算法[11]	斑点多尺度检测目标检测和图像配准与缩放和旋转变化
`ORBPoints`	`detectORBFeatures` 定向快速和旋转简短(ORB)方法[13]	角落多尺度检测点跟踪，图像配准，处理旋转变化，街角检测在人类起源的场景，如街道和室内场景
`KAZEPoints`	`detectKAZEFeatures` KAZE不是一个首字母缩写，而是一个日语单词的名字kaze，意思是风。参考的是在大范围内由非线性过程控制的空气流动。[12]	多尺度斑点特征减少模糊的对象边界
`MSERRegions`	`detectMSERFeatures` 最大稳定极值区域(MSER)算法[7][8][9][10]	强度均匀的区域多尺度检测配准，宽基线立体标定，文本检测，物体检测。处理缩放和旋转的更改。与其他检测器相比，更健壮的仿射变换。

接受点对象的函数

函数描述

estrelpose

计算相机姿态之间的相对旋转和平移

estimateFundamentalMatrix 从立体图像的对应点估计基本矩阵

estgeotform2d 从匹配点对估计几何变换

estimateUncalibratedRectification 未经校准的立体声校正

extractFeatures 提取兴趣点描述符

方法 特征向量

轻快的 函数设置取向的属性validPoints输出对象到提取特征的方向，以弧度为单位。

狂 函数设置取向的属性validPoints输出对象到提取特征的方向，以弧度为单位。

冲浪

函数设置取向的属性validPoints输出对象到提取特征的方向，以弧度为单位。

当你使用MSERRegions对象。冲浪方法,重心属性提取SURF描述符。的轴属性选择SURF描述符的比例，以便表示特征的圆具有与MSER椭圆面积成比例的面积。计算比例尺为1/4 *√(majorAxes / 2)。* (minorAxes / 2))饱和到1．6的要求SURFPoints对象。

KAZE

基于非线性金字塔的特征。

函数设置取向的属性validPoints输出对象到提取特征的方向，以弧度为单位。

当你使用MSERRegions对象。KAZE方法,位置属性用于提取KAZE描述符。

的轴属性选择KAZE描述符的比例，使代表特征的圆具有与MSER椭圆面积成比例的面积。

ORB 函数不设置取向的属性validPoints输出对象到提取的特征的方向。默认情况下，取向的属性validPoints设置为取向输入的属性ORBPoints对象。

块

简单的方形社区。

的块方法只提取图像边界内完全包含的邻域。因此，输出，validPoints，可以包含比输入更少的点点．

汽车

函数选择方法基于输入点和实现的类:

的狂的方法cornerPoints输入对象。

的冲浪的方法SURFPoints或MSERRegions输入对象。

的狂的方法BRISKPoints输入对象。

的ORB的方法ORBPoints输入对象。

对于一个米-by-2输入矩阵xy函数实现了块方法。

extractHOGFeatures 提取定向梯度(HOG)特征的直方图

insertMarker 在图像或视频中插入标记

showMatchedFeatures 显示对应的特征点

由三角形组成的 立体图像中未变形匹配点的三维定位

undistortPoints 纠正镜头失真的点坐标

参考文献

[1] Rosten, E.和T. Drummond，“高速拐角检测的机器学习”。第九届欧洲计算机视觉会议．第1卷，2006，第430-443页。

[2]米科拉契克，K.和C.施密德。“局部描述符的性能评估。”模式分析与机器智能汇刊。2005年第10期，第27卷第1615-1630页。

[3]哈里斯C和M. J.斯蒂芬斯。“角和边缘联合探测器。”第四届阿尔维视觉会议论文集．1988年8月，第147-152页。

[4] Shi, J.和C. Tomasi。“值得追踪的好特性。”IEEE计算机视觉与模式识别会议论文集．1994年6月，第593-600页。

[5] Tuytelaars, T.和K. Mikolajczyk。局部不变特征检测器:概论。计算机图形与视觉基础与趋势“，．2007年第3期，第177-280页。

[6]卢滕艾格，S.， M. Chli, R. Siegwart。二进制健壮不变可扩展关键点。IEEE国际会议论文集．ICCV, 2011年。

[7]尼斯特，D.和H. Stewenius。"线性时间最大稳定极值区域"计算机科学讲座讲稿。第十届欧洲计算机视觉会议．马赛，法国:2008年，no。5303页，183-196页。

[8]马塔斯，J.， O. Chum, M. Urba, T. Pajdla。"从最稳定的极值区域获得强大的宽基线立体声"英国机器视觉会议论文集．2002，第384-396页。

[9] Obdrzalek D.， S. Basovnik, L. Mach和A. Mikulik。"使用最大稳定的色彩区域检测场景元素"计算机与信息科学通信“，．La Ferte-Bernard，法国:2009，卷82,CCIS(2010 12 01)，第107-115页。

[10]米科拉奇克，K, T.图伊特拉斯，C.施密德，A.齐瑟曼，T.卡迪尔，L.凡古尔。仿射区域探测器的比较。国际计算机视觉杂志．2005年11月，第65卷1-2号，第43-72页。

[11]贝，H.， A. Ess, T. Tuytelaars和L. Van Gool。“SURF:加速健壮的功能。”计算机视觉与图像理解(CVIU).Vol。110，第3期，2008，第346-359页。

[12]阿尔坎塔利拉，p.f.， A.巴托利，A. j .戴维森。“KAZE功能”,ECCV 2012，第VI部分，LNCS 75772012年第214页

[13]鲁布礼，E.， V. Rabaud, K. Konolige和G. Bradski。“ORB: SIFT或SURF的有效替代品。”在2011年计算机视觉国际会议论文集, 2564 - 2571。2011年，西班牙巴塞罗那。

[14]罗斯滕，E，和t。德拉蒙德。“融合点和线的高性能跟踪，”IEEE计算机视觉国际会议论文集第二卷(2005年10月):第1508-1511页。

[15] Lowe, David G..“来自比例不变关键点的独特图像特征。”Int。j .第一版。愿景60，不。2(2004): 91-110。