如何选择好的SURF功能要点？

Question

我目前正在研究对象分类问题。 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，并生成用于对象分类的模型。 到目前为止，我已经实现了以下目标：

我正在使用以下代码计算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;
}

我使用以下代码在这些关键点上计算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个用于每个功能点的元素。 为了训练神经网络，我希望描述符的大小固定。 为此，我使用PCA来减少描述符的大小，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，我可以减小描述符的尺寸，但是所选特征点不能代表图像，并且它们会导致较差的匹配结果。 如何通过保留良好的特征点来缩小描述符的维数？ 任何帮助将不胜感激。

Answer 1

我完全在寻找其他东西，所以没有专家，但是我碰巧知道Matlab具有'points.selectstrongest（x）'功能，因为x是您想要的点数。 该功能选择指标最强的点。

度量是Matlab函数“ detectSURFFeatures”赋予SURFpoint的属性。 我通过OpenCV函数'vision.internal.buildable.fastHessianDetectorBuildable.fastHessianDetector_uint8'在'detectSURFFeatures'中给出了度量标准

Answer 2

您可以使用在功能检测中返回的每个关键点的响应值。 按照关键点的响应值对关键点进行排序应该是可行的方法，但是我从未测试过。

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

Answer 3

假设您正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）。 关键点的数量相同是没有多大意义的，它不是一对一的连接。 因此，我不知道进行PCA背后的想法是什么，在每个图像中您都会得到不同的结果。

还有其他一些常见的方法来检查要素的对应关系，请参阅要素匹配 。 基本上，他们检查描述符向量之间的距离。

我认为您正在尝试做一些与功能匹配有所不同的事情，所以我建议您看一下物体检测