Question

我目前正在处理对象分类问题。我的目标是使用SURF描述符在opencv中训练基于MLP的人工神经网络，并生成对象分类模型。到目前为止，我已经实现了以下目标：

我使用以下代码计算SURF关键点：

vector<KeyPoint> computeSURFKeypoints(Mat image) {
    SurfFeatureDetector surfdetector(400, 4, 2, true, false);
    vector<KeyPoint> keypoints;
    surfdetector.detect(image, keypoints);
    return keypoints;
}

我使用以下代码计算这些关键点上的SURF描述符：

Mat computeSURFDescriptors(Mat image, vector<KeyPoint> keypoints) {
    SurfDescriptorExtractor extractor;
    Mat descriptors;
    extractor.compute(image, keypoints, descriptors);
    return descriptors;
}

我面临的问题是描述符的大小因图像而异。描述符包含64个元素FOR EACH FEATURE POINT。为了训练神经网络，我希望修改描述符的大小。为此，我使用PCA来减少描述符大小，如下所示：

Mat projection_result;
PCA pca(descriptors, Mat(), CV_PCA_DATA_AS_COL, 64);
pca.project(descriptors,projection_result);
return projection_result;

这样做，我可以减少描述符的尺寸，但是所选择的特征点不能代表图像，并且会导致匹配结果不佳。如何通过保留好的特征点来减少描述符的维度？任何帮助将不胜感激。

Answer 1

我正在寻找其他东西，所以没有专家，但我碰巧知道Matlab有一个功能'points.selectstrongest（x）'，x是你想要的点数。该功能选择具有最强度量的点。

度量是Matlab函数'detectSURFFeatures'赋予SURFpoints的属性。我通过OpenCV函数'vision.internal.buildable.fastHessianDetectorBuildable.fastHessianDetector_uint8'在'detectSURFFeatures'中给出度量标准

Answer 2

您可以使用特征检测中返回的每个关键点的响应值。根据响应值对关键点进行排序应该是可行的方法，但我从未对此进行过测试。

请参阅：https://github.com/Itseez/opencv/blob/master/modules/core/include/opencv2/core/types.hpp#L697

Answer 3

假设您在谈论每个图像中不同数量的关键点（而不是不同的描述符长度）。关键点的数量是相同的，它不是一对一的连接，这没有多大意义。所以，我不知道做PCA背后的想法是什么，在每张图片中你会得到不同的结果。

还有一些其他常用方法可以检查功能对应关系，请参阅Feature matching。基本上，他们检查描述符向量之间的距离。

我认为您尝试做的事情与功能匹配有点不同，所以我建议您查看object detection

如何选择优秀的SURF特征关键点？

3 个答案: