Tengo una pregunta simple, que quiero saber, qué tipo de bibliotecas están disponibles y puedo dar buenos resultados para implementar SIFT, HOG (Histogram Orientized Gradient) y SURF en C++ o opencv ?SIFT, HOG y SURF C++, opencv
Por lo tanto: 1- Dame el enlace para el código si puedes, que seré muy apreciado. 2- Si conoce alguno de ellos o cualquier tipo de información que me guíe a lo que deseo, seré muy apreciado también.
Gracias
verificación siguientes: de surf - gran artículo http://people.csail.mit.edu/kapu/papers/mar_mir08.pdf tamizar - gran fuente, lo probé en el iPhone http://blogs.oregonstate.edu/hess/ - rápido - biblioteca de detección de curva rápida http://svr-www.eng.cam.ac.uk/~er258/work/fast.html
Poder ayuda a saber que las implementaciones de SIFT y SURF ya están integradas en OpenCV. http://opencv.willowgarage.com/documentation/cpp/features2d__feature_detection_and_descriptor_extraction.html
Ejemplo de código de surf en OPENCV https://code.ros.org/trac/opencv/browser/trunk/opencv/samples/cpp/matching_to_many_images.cpp
No estoy seguro si esto sigue siendo relevante, pero también te dan dos implementaciones de computación descriptores HOG en OpenCV es decir, las dos versiones de GPU y CPU del código HOG.
para la versión de la CPU se puede comprobar esto blog post
sin embargo, en la versión de la CPU que se necesita para escribir su propia lógica para las ventanas correderas.
y la versión de la GPU es bastante sencillo se puede leer la documentación here
tener cuidado con las implementaciones OpenCV, debido a las versiones más recientes de OpenCV han clasificado SIFT y SURF implementaciones como no librehttp://docs.opencv.org/modules/nonfree/doc/nonfree.html.
Ahora puede usarlos, pero probablemente estén sujetos a licencia y no se puedan usar para soluciones comerciales.
Este utiliza descripciones basadas en los canales HoG, Sobel y Lab para la detección Class-Specific Hough Forests for Object Detection (opencv/c source code).
En vez de realizar la detección en cada ubicación posible, este método calcula un voto para cada descriptor, y luego cuando se juntan producen una nube de votación donde el máximo corresponderá con la ubicación más probable del objetivo. Cuando se combina con cvGoodFeaturesToTrack puede producir muy buenos resultados, incluso con una pequeña base de datos de entrenamiento.
muchas gracias por la nota ,, lo estoy usando para el proyecto de estudiante y hasta ahora funciona conmigo muy bien .. – Mario