首页 > 代码库 > Kd-Tree&Ransac笔记

Kd-Tree&Ransac笔记

关于sift资源总结:

http://blog.csdn.net/masibuaa/article/details/9191309


 

两个比较好的资源:

https://my.oschina.net/keyven/blog/221792

http://www.cnblogs.com/v-July-v/archive/2012/11/20/3125419.html

 

在树的构建时,如何进行左右树的划分是关键,kd-tree采取的策略是,以分区内所有维中,方差最大的维为轴,以轴所在维的中值为轴值,进行左右区域的划分。

在sift源码中,features并没有进行来回的复制,始终放在原始内存空间中,只不过是创建树节点,不断指向这块内存空间,在进行左右树划分时,只不过是交换

内容,这个过程类似堆排序。


 

单应性变换推导

http://www.cnblogs.com/ml-cv/p/5871052.html

http://blog.csdn.net/xiaowei_cqu/article/details/26471527

http://blog.csdn.net/lhanchao/article/details/52849446

 

Ransac处理

http://blog.csdn.net/masibuaa/article/details/9145441

基本思想就是,在所有特征点对中随机选取4个点计算当前的单应性变换矩阵,然后,在这个矩阵的基础上,计算其他特征点的相关性(即计算特征点在变换矩阵后的点与之前匹配点之间的欧式距离,如果这个距离小于容忍值,这将此特征点对加入相关序列),记录数目以及点对集合,重复操作,寻找最优的变换矩阵并更新点对集合。

 

Kd-Tree&Ransac笔记