У меня есть простой вопрос, который я хочу знать, какие библиотеки доступны и могут дать хорошие результаты для реализации SIFT, HOG (градиент, ориентированный на гистограмму) и SURF в c++ или opencv?
Следовательно: 1- Дайте мне ссылку на код, если можете, я буду очень признателен. 2- Если вы знаете один из них или любую информацию, которая приведет меня к тому, что я хочу, я также буду очень признателен.
Спасибо
проверьте это: серфинг — отличная статья http://people.csail.mit.edu/kapu/papers/mar_mir08.pdf просеять — отличный источник, я пробовал на iPhone http://blogs.oregonstate.edu/hess/ – быстрая библиотека быстрого обнаружения поворотов http://svr-www.eng.cam.ac.uk/~er258/work/fast.html
Пример кода серфинга в openCV https://code.ros.org/trac/opencv/browser/trunk/opencv/samples/cpp/matching_to_many_images.cpp
Не уверен, что это все еще актуально, но вы также получаете две реализации вычисления дескрипторов HOG в opencv, то есть версии кода HOG для GPU и CPU.
для версии CPU вы можете проверить это сообщение в блоге
однако в версии для процессора вам нужно будет написать собственную логику для скользящих окон.
и версия для графического процессора довольно проста, вы можете прочитать документацию здесь
Вам может помочь узнать, что реализации SIFT и SURF уже интегрированы в OpenCV. http://opencv.willowgarage.com/documentation/cpp/features2d__feature_detection_and_descriptor_extraction.html
Будьте осторожны с реализациями OpenCV, поскольку последние версии OpenCV классифицировали реализации SIFT и SURF как несвободные http://docs.opencv.org/modules/nonfree/doc/nonfree.html..
Теперь вы можете их использовать, но, вероятно, они подлежат лицензированию и не могут быть использованы для коммерческих решений.
Этот использует дескрипторы на основе каналов HoG, Sobel и Lab для обнаружения специфичных для класса Леса Хаф для обнаружения объектов (исходный код opencv/c).
Вместо того, чтобы выполнять обнаружение во всех возможных местах, этот подход подсчитывает голос для каждого дескриптора, а затем, когда они объединяются, они создают облако голосования, где максимум будет соответствовать наиболее вероятному местоположению цели. В сочетании с cvGoodFeaturesToTrack можно получить очень хорошие результаты даже при небольшой обучающей базе данных.
