SIFT （尺度不变特征变换）和 SURF （加速稳健特征）是图像处理中常用的特征描述算法，用于提取图像中的关键点和生成对应的特征描述子。这些算法具有尺度不变性、旋转不变性和光照不变性等特点，适用于图像匹配、目标识别和三维重建等应用。本文将以 SIFT 和 SURF 特征描述为中心，为你介绍使用 OpenCV 进行特征提取的基本原理、步骤和实例。
本文提出了一种基于局部二值模式的图像检索方法，首先提取图像的局部二值模式特征，然后使用相似性度量方法将提取的特征与数据库中的特征进行比较，最后使用基于距离的排序算法对图像进行排序。实验结果表明，该方法能够有效地检索出具有相似特征和模式的图像，具有较好的检索效果。
在计算机视觉中，图像特征是指从图像中提取出的一些有意义的信息，如边缘、角点、颜色等。通过对图像特征的提取，可以将图像转换为可处理的数字形式，从而使计算机能够理解和处理图像。
基于传统的图像局部二值特征的图像识别与匹配，有没有更简单的特征融合方法？
跟大家分享一篇前天新出的非常有意思也有启发的论文 D2D: Keypoint Extraction with Describe to Detect Approach ，该文研究的内容是局部特征提取，在图像匹配、视觉定位、三维重建等领域均显示出了性能提升。
Vector-Symbolic Architecture for Event-Based Optical Flow
#ORB算法推导 ORB采用FAST （features from accelerated segment test） 算法来检测特征点。FAST核心思想就是找出那些卓尔不群的点，即拿一个点跟它周围的点比较，如果它和其中大部分的点都不一样就可以认为它是一个特征点。 首先来做几个定义： U : 参考像素点周围的区域阈值 t : 与参考像素点作对比的阈值点的灰度值当参考点的灰度值之差的绝对值大于t时，我们认为这两个点不相同 Gp : 像素点的灰度值 u : 区域阈值内不同的像素点数量 Un : 区域阈
这个工作来自于中国香港科技大学和中国香港城市大学。我们知道，随着三维传感器以及相关扫描技术的进步，三维点云已经成为三维视觉领域内一项十分重要的数据形式。并且随着深度学习技术的发展，许多经典的点云深度学习处理方法被提出来。但是，现有的大多数方法都关注于点云的特征描述子学习。并且，在稠密的点云数据帧中，如果对所有点云都进行处理，将会带来巨大的计算和内存压力。针对这种问题，提取部分具有代表性的关键点则成为一种自然而且有效的策略。但是，什么样的点可以称为三维点云中的关键点呢？这个问题仍然是一个开放的、没有明确答案的问题。
Sift是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。在Mikolajczyk对包括Sift算子在内的十种局部描述子所做的不变性对比实验中，Sift及其扩展算法已被证实在同类描述子中具有最强的健壮性。
图像处理是在计算机视觉和图像分析中的重要领域。Python作为一种强大的编程语言，在数据分析中提供了许多实用的技术点，用于图像的加载、处理和分析。本文将详细介绍Python数据分析中图像处理的实用技术点，包括图像加载与保存、图像转换与增强、特征提取与描述等。
这个工作来自于Baidu ADT部门，是该团队继L3-Net之后的在自动驾驶领域内关于定位的又一力作，其利用图像数据取得了与基于Lidar的方法相当的定位精度。
摘要：对三维计算机视觉领域中近三十年的局部描述子进行总结，回顾了传统三维手工局部描述符的构造方法，介绍了基于深度学习的方法。
图像匹配在图像检索和三维重建中应用很多，每年都会有大量的论文声称达到了SOTA（state-of-the-art，最先进的），但谷歌最新的一篇论文（Image Matching across Wide Baselines: From Paper to Practice）却指出，这很可能是验证数据不足的假象！
特征匹配（Feature Match)是计算机视觉中很多应用的基础，比如说图像配准，摄像机跟踪，三维重建，物体识别，人脸识别，所以花一些时间去深入理解这个概念是不为过的。本文希望通过一种通俗易懂的方式
特征描述子是用来描述每个关键点特征的唯一数据，它必须能够显著区分各个特征关键点的不同之处，SURF特征描述子是基于Haar小波响应理论的，可以通过积分图进行快速计算，描述子首先要选取关键点周围的像素块（ROI），通常ROI区域的大小为20个像素，分为4×4的网格区域，如下图：
本文实例为大家分享了利用opencv实现SIFT特征提取与匹配的具体代码，供大家参考，具体内容如下
传统图像分类算法的两种方法：SIFT特征+KNN分类器和HOG特征+SVM分类器。
图像配准（Image Registration）是计算机视觉中的基本步骤。在本文中，我们首先介绍基于OpenCV的方法，然后介绍深度学习的方法。
文章：Robust Place Recognition using an Imaging Lidar
好久没写东西了，由于楼主换了个城市工作，发现工作量蹭蹭的上来了，周末又喜欢出去觅食，导致没学习很久，今天准备水一篇来翻译一下如何理解HOG（Histogram Of Gradient, 方向梯度直方图）。本文主要翻译了这篇文章，也是我非常喜欢的博主之一(奈何他开的课程错过了T-T~~)。 特征描述子 特征描述子就是图像的表示，抽取了有用的信息丢掉了不相关的信息。通常特征描述子会把一个w*h*3(宽*高*3，3个channel)的图像转换成一个长度为n的向量/矩阵。比如一副64*128*3的图像，经过转换后输
本文主要翻译了Histogram of Oriented Gradients一文。 特征描述子(Feature Descriptor) 特征描述子就是图像的表示，抽取了有用的信息，丢掉了不相关的信息。通常特征描述子会把一个w*h*3(宽高3，3个channel)的图像转换成一个长度为n的向量/矩阵。比如一副64*128*3的图像，经过转换后输出的图像向量长度可以是3780。 什么样子的特征是有用的呢？假设我们想要预测一张图片里面衣服上面的扣子，扣子通常是圆的，而且上面有几个洞，那你就可以用边缘检测(ed
论文地址：https://arxiv.org/pdf/1902.11046v3.pdf
OpenCV中ORB特征提取与匹配 FAST特征点定位 ORB - (Oriented Fast and Rotated BRIEF)算法是基于FAST特征检测与BRIEF特征描述子匹配实现，相比BR
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。
同步定位和建图(SLAM)是实现机器人在未知环境下的定位和移动的重要技术方法[1]。定位精度是井下巡检的核心指标，高精度的定位算法是巡检过程中导航和避障的基础。但井下环境复杂，具有低照度、弱纹理、图像特征难以识别的特点[2]，给基于视觉的SLAM算法带来了极大的困难。而激光SLAM算法测量距离远、精度高，利用环境的结构特征进行定位[3]，在井下环境中更具应用前景[4-5]。
3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分，点云的识别。分割，重采样，配准曲面重建等处理大部分算法，都严重依赖特征描述与提取的结果。从尺度上来分，一般分为局部特征的描述和全局特征的描述，例如局部的法线等几何形状特征的描述，全局的拓朴特征的描述，都属于3D点云特征描述与提取的范畴，
本次介绍一个发表于Computer Vision and Image Understanding的经典三维点云描述子RCS。
（1）图像配准(Image registration)是将同一场景拍摄的不同图像进行对齐的技术，即找到图像之间的点对点映射关系，或者对某种感兴趣的特征建立关联。
原文链接：VSLAM系列原创09讲 | 如何在线生成BoW词袋向量？原理+代码详解
HOG（Histogram of Oriented Gradients）HOG特征在对象检测与模式匹配中是一种常见的特征提取技术（深度学习之前），是基于本地像素块进行特征直方图提取的一种算法，对像局部的变形与光照影响有很好的稳定性，最初是用HOG特征来识别人像，通过HOG特征提取+SVM训练，可以得到很好的效果，OpenCV已经有相应的接口。
AI 科技评论按：AI 科技评论对各大顶级会议的论文及作者一直保持高度关注，在邀约优秀的与会老师和同学参加GAIR大讲堂等线下分享活动外，AI 科技评论也会持续邀请论文作者对自己的工作进行详细介绍。 本文为佛罗里达大学博士生张子钊接受AI 科技评论的独家约稿，对他在 CVPR 2017 的 oral 论文《MDNet: A Semantically and Visually Interpretable Medical Image Diagnosis Network》进行详细解读。 论文地址：https://
图像特征可以包括颜色特征、纹理特征、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰。图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。
OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4 毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。官方的宣传口号是 OpenCV4 is more than OpenCV 充分说明OpenCV4 是整合深度学习的新一代计算机视觉开发框架！
本文详细论述了四个特征点检测算法：Harris, SIFT，SURF以及ORB的思路步骤以及特点，分析了它们的局限性，并对几个重要问题进行了探讨。
平台活动 第三期：一起来学SLAM上周分享了ORB-SLAM相机位姿初始化的两种方式基础矩阵，本质矩阵，单应性矩阵讲解，本周主要讲解图像的FAST角点和ORB特征点的理论知识。相信接触过视觉SLAM的小伙伴一定不陌生！
目前三维点云数据的获取方法相对快捷，同时三维点云数据的采集不受光照影响，也规避了二维图像遇到的光照、姿态等问题，因此基于点云数据的三维物体识别也引起了人们的重视。三维点云物体识别方法多是通过提取物体的特征点几何属性、形状属性、结构属性或者多种属性的组合等特征进行比对、学习，从而完成物体的识别与分类。可以分为以下四类方法：
目前三维点云数据的获取方法相对快捷，同时三维点云数据的采集不受光照影响，也规避了二维图像遇到的光照、姿态等问题，因此基于点云数据的三维物体识别也引起了人们的重视。
由于点云具有无序，不规则，无拓扑结构的特点，因此可以利用多个二维图像通过三维到二维投影来表示三维点云的几何特征。用图像表示特征可以提供稳定的信息，多个投影角度可以弥补投影过程中造成的信息丢失投影,实现对空间信息的解码。充分利用三维空间信息取决于三维物理坐标系统的建立，但传感器的坐标系统没有抵抗旋转的能力。
一 、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。
最近在做基于激光信息的机器人行人跟踪发现如果单独利用激光信息很难完成机器人对行人的识别、跟踪等功能，因此考虑与视觉融合的方法，这样便可以充分利用激光雷达提供的精确位置信息及视觉提供的丰富纹理、颜色等场景信息。以下是最近调研视觉SLAM中的实现方法的总结，包括三方面内容：姿态计算、闭环检测、BA优化。
大家好，听说OpenCV4.4 已经把SIFT跟SURF特征提取又重新get回来了，可以不需要编译OpenCV源码，直接下载官方预编译版本的就可以直接使用了。如果你还不知道SIFT特征是什么，就看这里的这篇文章就好啦。
关键点检测本质上来说，并不是一个独立的部分，它往往和特征描述联系在一起，再将特征描述和识别、寻物联系在一起。关键点检测可以说是通往高层次视觉的重要基础。但本章节仅在低层次视觉上讨论点云处理问题，故所有讨论都在关键点检测上点到为止。NARF 算法实际上可以分成两个部分，第一个部分是关键点提取，第二个部分是关键点信息描述，本文仅涉及第一个部分。
图像配准是计算机视觉领域的一个基础步骤。在本文深入探讨深度学习之前，我们先展示一下 OpenCV 中基于特征的方法。
如果一个点在两个正交方向上都有明显的导数，则我们认为此点更倾向于是独一无二的，所以许多可跟踪的特征点都是角点。
毕设要做图像配准，计划使用KAZE特征进行特征点的检测，以下是我对KAZE算法原理的理解，有什么不对的地方，希望提出来大家相互讨论学习。 一、KAZE算法的由来 KAZE算法是由法国学者在在2012年的ECCV会议中提出的，是一种比SIFT更稳定的特征检测算法。KAZE的取名是为了纪念尺度空间分析的开创者—日本学者Iijima。KAZE在日语中是‘风’的谐音，寓意是就像风的形成是空气在空间中非线性的流动过程一样，KAZE特征检测是在图像域中进行非线性扩散处理的过程。 KAZE算法的原英文文献《KAZE Features》的地址为：https://link.springer.com/chapter/10.1007/978-3-642-33783-3_16 二、KAZE算法的原理 SITF、SURF算法是通过线性尺度空间，在线性尺度空间来检测特征点的，容易造成边界模糊和细节丢失；而KAZE算法是通过构造非线性尺度空间，并在非线性尺度空间来检测特征点，保留了更多的图像细节。KAZE算法主要包括以下步骤： (1)非线性尺度空间的构建； (2)特征点的检测与精确定位； (3)特征点主方向的确定； (4)特征描述子的生成。 下面详细讲述每一步的具体过程。 1.非线性尺度空间的构建 KAZE算法作者通过非线性扩散滤波和加性算子分裂（AOS）算法来构造非线性尺度空间。在此有必要了解下非线性扩散滤波和AOS算法。 (1) 非线性扩散滤波 非线性扩散滤波方法是将图像亮度（L）在不同尺度上的变化视为某种形式的流动函数的散度，可以通过非线性偏微分方程来描述：
知乎上看到一个话题—— 目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗？ ---- 由于之前研究过SIFT和HOG这两种传统的特征提取方法，故本篇文章先对SIFT和HOG作一综述，并比较二者优缺点。之后，将SIFT和HOG同神经网络特征提取做一对比，浅谈对上述问题的看法。如果能写得快一些，再简单介绍其他几种传统的特征提取的方法——SURF、ORB、LBP、HAAR等等。 ---- 目录 [1] SIFT（尺度不变特征变换） [2] HOG（方向梯度直方图）
ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能，这篇文章也将粗略介绍。
服装图像标注问题是对服装局部属性的详细描述，其需要服装图像的 top-ranked tags 不仅与服装图像内容相关，也要能反映服装的最重要的特征.
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
