|
CVPR 2017论文 Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence 说明将平滑度约束引入特征匹配是已知的可以实现超强鲁棒匹配。 然而，这样的匹配方案既复杂又缓慢，使得它们不适合于视频应用。 本文提出了GMS（基于网格的运动统计），一种简单的方法，将运动平滑度作为一个统计量，进行局部区域的匹配。GMS可以将高匹配数字转换成高匹配质量。 这提供了一个实时、超强的匹配系统。 评估低质量、模糊的视频和广泛基线显示，GMS始终如一地优于其他实时匹配器。 办公椅演示demo 项目主页:http:///gms 本人主页:http:// C++代码：https://github.com/JiawangBian/GMS-Feature-Matcher 以上转自视觉机器人微博 以下是来自大神对论文的解读论文GMS的方法实际上是消除错误匹配的一种方案，比如可以替换ransac。算法执行的大致流程是：先执行任意一种特征点的检测和特征点的描述子计算，论文中采用的是ORB特征。然后执行暴力匹配BF，最后执行GMS以消除错误匹配。 opencv的ransac非常耗时，他这个GMS则非常快，比opencv的ransac快好几倍。我是说在同样特征点执行错误消除的时候要比openCV的ransac快。实际上ransac可以优化到非常快，至少可以比openCV的ransac要快10倍以上。 如果说是超越sift，是从最终的效果上看的。其实两个完全不是一个可以直接进行比较的对象。 如论文中所说，ORB特征采用1w个特征点，则orb部分耗时占90%，而GMS的时间可能之占10%。论文中的GMS需要大量的特征点，占时间的将会集中在最前面部分了。这样对比才是对的： 传统的匹配： ORB + BF + RANSAC的时间比例是：30% + 30% + 40% GMS匹配 ： ORB + BF + GMS的时间比例是 ：50% + 40% + 10% 当然最终的效果的确不错，这是论文中值得称道的地方。具体还要看应用场景，gms只是解决匹配的问题，ransac除了消除错误匹配，最重要的是得到了图像之间的投影变换矩阵。而且有一点，如果把特征点的数量弄到只有几百个，那最终的效果势必会大打折扣。具体需要进一步去跑跑代码才能知道。 我的结论是：在同样特征点个数的情况下，用ORB+BF+GMS 的时间 小于 SIFT + RANSAC的时间。 为了保证效果,特征点的个数就会很多。这时候ORB+BF+GMS的匹配效果要远好于SIFT+RANSAC,但整个时间可能和SIFT+SANSAC的时间相当甚至还要长。 附大神的博客：http://blog.csdn.net/celerychen2009 附大神的分享：面向移动端的目标检测算法 |
|
|
