私は最近、OpenCVで位相相関を発見しました。これは、Log Polar Transform（LPT）を使って回転とスケール不変のテンプレートマッチングを実行できます。私は、この方法とここで説明したすべてのテンプレートマッチング方法の違いが何であるか疑問に思っています。http://docs.opencv.org/2.4/doc/tutorials/imgproc/histograms/template_matching/template_matching.htmlこれは回転やスケーリングにはあまり強くないようです。 +ログ極性変換OpenCVの位相相関とテンプレートマッチングの違いは何ですか？
は、私は私の質問には長所と短所のが何であるかですね。
位相相関と対数極座標変換は周波数領域で実装されていますが、これらのアルゴリズムは両方ともフーリエシフト定理から導出され、2つの変換画像は周波数領域で同様の位相差を示します。位相相関は、並進運動のみを登録することができ、一方、対数 - 極性変換は、本質的に回転およびスケール変化を線形変換に変換する対数極領域で機能する。したがって、対数極座標マッチングを使用すると、互いに回転して平行移動した2つの画像を登録できます。これらのアルゴリズムの両方は変形可能な変換を登録できません。これらのアルゴリズムが決定できる回転の曖昧さと回転範囲およびスケール変動に関する詳細な分析については、このペーパー「http://ieeexplore.ieee.org/document/901003/」を参照してください。
テンプレートマッチングは基本的に、さまざまな類似性メトリック（差の平方和、正規化相互相関、ハウスドルフ距離などの合計）を使用して、既知のテンプレートの存在を基本画像内に見つけることです。したがって、空間属性（強度画像、エッジマップ、HOG）または周波数属性（位相）のいずれかにマッチを適用できます。位相相関および対数 - 極マッチングは同じサイズの画像上で実施することができるので、位相ベースのテンプレートマッチングは、相関の最も高い値を有する探索空間内の同じパッチを見つけることに本質的に対応する。
SIFT、SURF等は、スケールの変化、ノイズおよび照明の変化による影響を受けないように、様々なパラメータに依存し、大きな特徴ベクトルを生成します。これは非常に幅広い話題であり、その機能を比較して、多くの論文がオンラインで入手できます。
私の経験によると、SURFはオブジェクトを1つのフレームにローカライズする際にはるかに堅牢な分類器ですが、計算時間が制限要因であるビデオでオブジェクトを配置する予定がある場合は、