如何選擇好的SURF功能要點？

Question

我目前正在研究對象分類問題。 我的目標是使用SURF描述符在opencv中訓練基於MLP的人工神經網絡，並生成用於對象分類的模型。 到目前為止，我已經實現了以下目標：

我正在使用以下代碼計算SURF關鍵點：

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

我使用以下代碼在這些關鍵點上計算SURF描述符：

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

我面臨的問題是描述符的大小因圖像而異。 描述符包含64個用於每個功能點的元素。 為了訓練神經網絡，我希望描述符的大小固定。 為此，我使用PCA來減少描述符的大小，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;

這樣，我可以減小描述符的尺寸，但是所選特征點不能代表圖像，並且它們會導致較差的匹配結果。 如何通過保留良好的特征點來縮小描述符的維數？ 任何幫助將不勝感激。

Answer 1

我完全在尋找其他東西，所以沒有專家，但是我碰巧知道Matlab具有'points.selectstrongest（x）'功能，因為x是您想要的點數。 該功能選擇指標最強的點。

度量是Matlab函數“ detectSURFFeatures”賦予SURFpoint的屬性。 我通過OpenCV函數'vision.internal.buildable.fastHessianDetectorBuildable.fastHessianDetector_uint8'在'detectSURFFeatures'中給出了度量標准

Answer 2

您可以使用在功能檢測中返回的每個關鍵點的響應值。 按照關鍵點的響應值對關鍵點進行排序應該是可行的方法，但是我從未測試過。

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

Answer 3

假設您正在談論每個圖像中不同數量的關鍵點 （而不是不同的描述符長度）。 關鍵點的數量相同是沒有多大意義的，它不是一對一的連接。 因此，我不知道進行PCA背后的想法是什么，在每個圖像中您都會得到不同的結果。

還有其他一些常見的方法來檢查要素的對應關系，請參閱要素匹配 。 基本上，他們檢查描述符向量之間的距離。

我認為您正在嘗試做一些與功能匹配有所不同的事情，所以我建議您看一下物體檢測