增强视觉 | 计算机视觉 增强现实

一个非常棒的各种descriptor的评测。全文转载如下：（美中不足的没有特征匹配的评测）

(一句话总结，综合考虑速度和性能，ORB是最好的。）

Introduction

For this test i have written special test framework, which allows me to easily add the new kind of descriptors and test cases and generate report data in CSV-like format. Than i upload it in Google docs and create this awesome charts. Five quality and one performance test was done for each kind of descriptor.

Test cases

• Rotation test -  this test shows how the feature descriptor depends on feature orientation.
• Scaling test -  this test shows how the feature descriptor depends on feature size.
• Blur test -  this test shows how the feature descriptor is robust against blur.
• Lighting test -  this test shows how the feature descriptor is robust against lighting.
• Pattern detection test – this test performs detection of planar object (image) on the real video. In contrast to the synthetic tests, this test gives a real picture of the overall stability of the particular descriptor.
• Performance test is a measurement of description extraction time.

阅读全文…

局部特征描述子可以分为两类，（个人看法，欢迎批评）：一是基于“绝对”值的，二是基于比较的。

基于绝对值的是指诸如Sift，Surf，GLOH之类的描述子。一般的思路是将灰度，梯度等量化，构造直方图。这类描述子的判别性高，直观，但是有个通病就是计算复杂度高。

基于比较的是指诸如Ferns，BRIEF，Orb，OSID，BRISK之类的描述子。一般的思路是通过比较预先训练的，或者随机点对的特征值大小，来构造描述子。这类描述子一般都是为了提高计算速度而设计的。这类描述子不关心原始特征的绝对大小，只关心原始特征的ranking。（值得一提的是为什么将Ferns也归在此类，Ferns并没有一个显式的特征描述，甚至没有一个距离度量，但是我相信Ferns之所以有用还是基于pairwise pixel comparisons 的判别能力。注1）

我之所以将描述子如此分类，是受到ICCV11的这篇文章的启发：

The Power of Comparative Reasoning

文中提出了一个非常简单的feature compression的方法WTA（不是WTF^_^）：

阅读全文…

玩了一下OpenCV2.3的python接口。有如下几个注意事项：

1：OpenCV2.3RC使用VS2005编译会提示确实DirectShow，所以最好还是升级到OpenCV2.3

2: 使用VisualStudio2008/2010的可以直接下载OpenCV2.3 Superpack，免去编译之累。

3：编译好python库之后将cv.pyd, cv2.pyd拷贝至python2.x的Lib/Sitepackage目录下。

4：cv2中的函数使用的numpy.ndarray来表示图像，所以要使用cv2.imread函数来装载图像，而不要使用cv模块中的loadImage或者loadImageM

以上事项都搞定的话，写个简单的小程序就木有问题了。下面用新的cv2模块将以前贴过的提取surf特征的代码重写一遍：

阅读全文…

hellogv再次发力，献出opencv2.2android教程

全文照抄如下。 阅读全文…

这年头，连flash也能跑surf了。感谢terri的推荐。
下面是两个用ASSURF做简单的平面图形识别的demo。感觉速度还行，很赞。Vimeo的视频比较慢，耐心等待。

除了本文中介绍的surf，作者用actionscript还实现了不少图像算法，像是人脸检测，canny，中值滤波啥的，感兴趣的可以去作者blog上看看。
项目主页，作者博客

又一个图像检索的公司，founder里有Herbert Bay，就是大名鼎鼎的Surf的发明人。kooaba跟Swiss Federal Institute of Technology (ETH)有着千丝万缕的联系，三个founder都是来自ETH的Computer Vision Lab。

kooaba比较有特点的是提供图像识别引擎Smart Visual，整个引擎架构在Amazon的云计算框架上面，支持用户自建图像库，感觉很不错，就是贵的离谱，起点是1900瑞士克朗每个月，换算美元大概1700美元！这还没有算上查询/识别的费用。。。

目前kooaba有iphone和android上面的应用程序，有兴趣有设备的同学可以试用一下，跟google goggles对比一下。

这里还有另外一个基于Smart Visual的iphone应用，paperboy，大概就是检索图书，报纸，杂志之类的吧。

最后，感叹一下，目前知道的图像检索的公司都是国外的，像是snaptell，goggles之类的，希望能看到国内的图像检索公司，不说别的，可以就从图书检索做起嘛。

公司主页，官方介绍，官方博客