OpenCV：何时使用GridAdaptedFeatureDetector？

Question

我在试着做一个基于描述符的探测器。我正在使用OpenCV，我看到有许多特征类型和描述符类型，还有匹配器类型。我还发现，对于特征类型，可以有像网格或金字塔这样的组合类型。在

我没有找到一个很好的解释（除了金字塔，它说是好的“for detectors that are not inherently scaled”）。我想对每种类型和每种组合（特征描述符匹配器）有一个小的描述，使一个想法，而不是创建一个详尽的工作搜索和验证每一个可能的组合。在

有人知道更多关于这个的信息吗？在

Answer 1

术语特征通常用于两种不同的事物：

• 特征探测器
• 功能描述符。在

探测器瞄准。。好。。。检测好的兴趣点，即在视点和光照变化下稳定的点，在单应性估计或目标检测等任务中产生良好性能的点。在

描述符的目的是在所述视点和光照变化的情况下，对检测点达到良好的匹配性能。在

有些点是单独设计的，没有任何描述符。大多数最古老的兴趣点（Moravec，Harris，good features）和一小部分最近的兴趣点（FAST）都是如此。在

然后，通过点检测器和描述符的协同设计实现了性能的显著提高，这就是SIFT和SURF所采用的方法。 为了简单起见，没有给描述符指定一个特定的名称（尽管可以注意到SIFT描述符和HoG特征非常接近）。 这些描述符是实值（即浮点向量）。在

最后，为了在有限的硬件上实现快速运行，设计了一种新颖的关键点检测器（fast）。FAST依赖于简单的二进制测试。 同样的二进制测试方法也被用来设计描述符，这就是为什么你得到了简短，活泼，怪异，圆球。。。 因此，您得到的是二进制描述符（比特流）。在

最后，如果你想总结一下：

• 你可以随意交叉描述符和检测器。只是要小心，当一个检测器没有刻度时，你可能不得不为需要它的描述符（SIFT，SURF）猜测一个（或施加一个默认值）
• 任何匹配器都可以使用，只要你有相同类型的描述符从每个图像。不同的是匹配器使用的特征距离
• SIFT和SURF是实值的，因此需要使用L2距离进行匹配。最近的描述符（BRIEF、BRISK、FREAK、ORB）是二进制，距离必须用Hamming距离来测量。在