xfeat
最后更新
depthai_nodes.node.parsers.utils.xfeat函数
bilinear
Python
1def bilinear(im, pos, H, W):im(np.ndarray): 输入特征图,形状 (N, C, H, W)pos(np.ndarray): 点坐标,形状 (N, Hg, Wg, 2)H(int): 输出特征图的高度W(int): 输出特征图的宽度
np.ndarray: 采样点的张量,形状 (N, C, Hg, Wg)
compute_xfeat_matches
Python
1def compute_xfeat_matches(result1: dict[str, Any], result2: dict[str, Any], min_cossim: float = -1) -> tuple[np.ndarray, np.ndarray]:result1(dict[str, Any]): 包含keypoints和descriptors的参考结果。result2(dict[str, Any]): 包含keypoints和descriptors的目标结果。min_cossim(float): 最小描述符余弦相似度;非正值禁用此阈值。
tuple[np.ndarray, np.ndarray]: 形状为(N, 2)的参考和目标关键点数组,按对应顺序排列。
compute_xfeat_result
Python
1def compute_xfeat_result(feats: np.ndarray, keypoints: np.ndarray, heatmaps: np.ndarray, *, resize_rate_w: float, resize_rate_h: float, input_size: tuple[int, int], max_keypoints: int) -> list[dict[str, Any]] | None:feats(np.ndarray): 批处理的密集特征描述符张量。keypoints(np.ndarray): 模型关键点张量。heatmaps(np.ndarray): 模型热图张量。resize_rate_w(float): 将模型坐标映射到源图像的水平比例因子。resize_rate_h(float): 将模型坐标映射到源图像的垂直比例因子。input_size(tuple[int, int]): 模型输入大小,格式为(width, height)。max_keypoints(int): 每张图像保留的最高得分关键点的最大数量。
list[dict[str, Any]] | None: 每个批处理项一个结果字典,包含keypoints、scores和descriptors。如果未找到候选关键点,则返回None。
detect_and_compute
Python
1def detect_and_compute(feats: np.ndarray, kpts: np.ndarray, heatmaps: np.ndarray, resize_rate_w: float, resize_rate_h: float, input_size: tuple[int, int], top_k: int = 4096) -> list[dict[str, Any]]:feats(np.ndarray): 特征。kpts(np.ndarray): 关键点。heatmaps(np.ndarray): 热图。resize_rate_w(float): 宽度的调整大小比例。resize_rate_h(float): 高度的调整大小比例。input_size(tuple[int, int]): 输入大小。top_k(int): 要保留的关键点的最大数量。
list[dict[str, Any]]: 包含关键点、分数和描述符的字典列表。
local_maximum_filter
Python
1def local_maximum_filter(x: np.ndarray, kernel_size: int) -> np.ndarray:x(np.ndarray): 输入数组。kernel_size(int): 局部最大值滤波器的大小。
np.ndarray: 应用局部最大值滤波器后的输出数组。
match
Python
1def match(result1: dict[str, Any], result2: dict[str, Any], min_cossim: float = -1) -> tuple[np.ndarray, np.ndarray]:result1(dict[str, Any]): 结果 1。result2(dict[str, Any]): 结果 2。min_cossim(float): 最小余弦相似度。
tuple[np.ndarray, np.ndarray]: 匹配的关键点。
normgrid
Python
1def normgrid(x, H, W):x(np.ndarray): 输入坐标,形状 (N, Hg, Wg, 2)H(int): 输出特征图的高度W(int): 输出特征图的宽度
np.ndarray: 归一化坐标,形状 (N, Hg, Wg, 2)