Speeded Up Robust Features (SURF), que l'on peut traduire par caractéristiques robustes accélérées, est un algorithme de détection de caractéristique et un descripteur, présenté par des chercheurs de l'ETH Zurich et de la Katholieke Universiteit Leuven pour la première fois en 2006 puis dans une version révisée en 2008. Il est utilisé dans le domaine de vision par ordinateur, pour des tâches de détection d'objet ou de reconstruction 3D.
SURF est partiellement inspiré par le descripteur SIFT, qu'il surpasse en rapidité et, selon ses auteurs, plus robuste pour différentes transformations d'images. SURF est fondé sur des sommes de réponses d'ondelettes de Haar 2D et utilise efficacement les . En tant que caractéristique de base, SURF utilise une approximation d'ondelettes de Haar du détecteur de blob à base de déterminant hessien.
Scale-invariant feature transform (SIFT)
Gradient Location and Orientation Histogram (GLOH)
Local Energy based Shape Histogram (LESH)
Détection de blob
Extraction de caractéristique en vision par ordinateur
SURF on Github
— implémentation originale, propriétaire.
— open source. Implémentation (C++, C#, Java, Android et iPhone) avec documentation détaillée et article de référence.
— open source. Portage d'OpenSURF pour Matlab.
— open source. Disponible à partir d'OpenCV 2.0.
— Interface (MEX) de Matlab pour OpenCV SURF.
— propriétaire. Implémentation pour processeur graphique.
— open source. Implémentation pour processeur graphique basée sur CUDA, interface de développement compatible OpenSURF.
— open source. En cours de réécriture.
— open source. Bibliothèque multiplate-formes en C++.
— open source. Outil d'automatisation de création de points de contrôle pour le logiciel d'assemblage de panoramas Hugin.
— open source. Implémentation en multithreading basée sur Pan-o-matic.
— open source. Plugin en C# pour le framework Multi-Agent Serving System.
— open source. Implémentation multiplateforme en Java.
— open source. Ré-implémentation d'OpenSurf en Java.
— open source.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
In computer vision, blob detection methods are aimed at detecting regions in a that differ in properties, such as brightness or color, compared to surrounding regions. Informally, a blob is a region of an image in which some properties are constant or approximately constant; all the points in a blob can be considered in some sense to be similar to each other. The most common method for blob detection is convolution.
Corner detection is an approach used within computer vision systems to extract certain kinds of features and infer the contents of an image. Corner detection is frequently used in motion detection, , video tracking, image mosaicing, panorama stitching, 3D reconstruction and object recognition. Corner detection overlaps with the topic of interest point detection. A corner can be defined as the intersection of two edges. A corner can also be defined as a point for which there are two dominant and different edge directions in a local neighbourhood of the point.
[[Fichier:Matching of two images using the SIFT method.jpg|thumb|right|alt=Exemple de mise en correspondance de deux images par la méthode SIFT : des lignes vertes relient entre eux les descripteurs communs à un tableau et une photo de ce même tableau, de moindre qualité, ayant subi des transformations. |Exemple de résultat de la comparaison de deux images par la méthode SIFT (Fantasia ou Jeu de la poudre, devant la porte d’entrée de la ville de Méquinez, par Eugène Delacroix, 1832).
This teaching lab provides the experimental experiences associated to courses of all MSc orientations in EE. The experiments cover all the fields belonging to EE.
Computer Vision aims at modeling the world from digital images acquired using video or infrared cameras, and other imaging sensors.We will focus on images acquired using digital cameras. We will int
Students get acquainted with the process of mapping from images (orthophoto and DEM), as well as with methods for monitoring the Earth surface using remotely sensed data. Methods will span from machi
Explore les défis d'une vision robuste, y compris les changements de distribution, les exemples d'échecs et les stratégies visant à améliorer la robustesse des modèles grâce à une préformation diversifiée des données.
Introduit les bases de la détection de bord, y compris la mesure du contraste, les images de gradient, l'interprétation de Fourier, les fonctions gaussiennes, le détecteur de bord Canny et les applications industrielles.
Explorez les vulnérabilités des réseaux neuronaux aux attaques antagonistes et les stratégies pour améliorer la robustesse des modèles.
In this thesis, we study two closely related directions: robustness and generalization in modern deep learning. Deep learning models based on empirical risk minimization are known to be often non-robust to small, worst-case perturbations known as adversari ...
In this thesis we explore the applications of projective geometry, a mathematical theory of the relation between 3D scenes and their 2D images, in modern learning-based computer vision systems. This is an interesting research question which contradicts the ...
Endoscopy is the gold standard procedure for early detection and treatment of numerous diseases. Obtaining 3D reconstructions from real endoscopic videos would facilitate the development of assistive tools for practitioners, but it is a challenging problem ...