xfeat
最后更新
depthai_nodes.node.parsers.xfeat类
XFeatBaseParser
ValueError: 如果输出层数量不是 3。ValueError: 如果未指定原始图像大小。ValueError: 如果未指定输入图像大小。ValueError: 如果未指定最大关键点数量。ValueError: 如果未指定包含特征的输出层。ValueError: 如果未指定包含关键点的输出层。ValueError: 如果未指定包含热图的输出层。
方法
init
Python
1def __init__(output_layer_feats: str = '', output_layer_keypoints: str = '', output_layer_heatmaps: str = '', original_size: tuple[float, float] = None, input_size: tuple[float, float] = (640, 352), max_keypoints: int = 4096):output_layer_feats(str): 特征描述符层名称。output_layer_keypoints(str): 关键点对数层名称。output_layer_heatmaps(str): 可靠性热图层名称。original_size(tuple[float, float]): 源图像大小,格式为(宽度, 高度)。input_size(tuple[float, float]): 模型输入大小,格式为(宽度, 高度)。max_keypoints(int): 要保留的最大特征点数量。
build
Python
1def build(head_config: dict[str, Any]) -> XFeatBaseParser:head_config(dict[str, Any]): 解析器的头部配置。
XFeatBaseParser: 设置了头部配置的解析器对象。
extractTensors
Python
1def extractTensors(output: dai.NNData) -> tuple[np.ndarray, np.ndarray, np.ndarray]:output(dai.NNData): 神经网络节点的输出。
tuple[np.ndarray, np.ndarray, np.ndarray]: 特征、关键点和热图的元组。
reference_input.setter
Python
1def reference_input.setter(reference_input: dai.Node.Input | None):reference_input(dai.Node.Input | None): 相应神经网络流的输入端口。
setInputSize
Python
1def setInputSize(input_size: tuple[int, int]):input_size(tuple[int, int]): 输入图像大小。
setMaxKeypoints
Python
1def setMaxKeypoints(max_keypoints: int):max_keypoints(int): 最大关键点数量。
setOriginalSize
Python
1def setOriginalSize(original_size: tuple[int, int]):original_size(tuple[int, int]): 原始图像大小。
setOutputLayerFeats
Python
1def setOutputLayerFeats(output_layer_feats: str):output_layer_feats(str): 包含特征的输出层名称。
setOutputLayerHeatmaps
Python
1def setOutputLayerHeatmaps(output_layer_heatmaps: str):output_layer_heatmaps(str): 包含热图的输出层名称。
setOutputLayerKeypoints
Python
1def setOutputLayerKeypoints(output_layer_keypoints: str):output_layer_keypoints(str): 包含关键点的输出层名称。
target_input.setter
Python
1def target_input.setter(target_input: dai.Node.Input | None):target_input(dai.Node.Input | None): 相应神经网络流的输入端口。
validateParams
Python
1def validateParams(self):属性
input
input_size
max_keypoints
original_size
output_layer_feats
output_layer_heatmaps
output_layer_keypoints
reference_input
target_input
XFeatMonoParser
Note
发出
dai.TrackedFeatures 消息。TrackedFeatures 消息包含具有相同 ID 的匹配关键点。ValueError: 如果未指定原始图像大小。ValueError: 如果未指定输入图像大小。ValueError: 如果未指定最大关键点数量。ValueError: 如果未指定包含特征的输出层。ValueError: 如果未指定包含关键点的输出层。ValueError: 如果未指定包含热图的输出层。
方法
init
Python
1def __init__(output_layer_feats: str = 'feats', output_layer_keypoints: str = 'keypoints', output_layer_heatmaps: str = 'heatmaps', original_size: tuple[float, float] = None, input_size: tuple[float, float] = (640, 352), max_keypoints: int = 4096):output_layer_feats(str): 包含特征的输出层名称。output_layer_keypoints(str): 包含关键点的输出层名称。output_layer_heatmaps(str): 包含热图的输出层名称。original_size(tuple[float, float]): 原始图像大小。input_size(tuple[float, float]): 输入图像大小。max_keypoints(int): 要保留的最大关键点数量。
compute
Python
1def compute(feats: np.ndarray, keypoints: np.ndarray, heatmaps: np.ndarray, *, resize_rate_w: float, resize_rate_h: float) -> 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。
dict[str, Any] | None: 包含第一个图像的关键点、分数和描述符的字典,如果没有找到候选者则为None。
emit
Python
1def emit(output: dai.NNData, result: dict[str, Any] | None):Note
如果没有当前特征或没有参考,则发出空消息。复制当前时间戳和序列号。待处理的触发器在匹配后用非 None 结果替换存储的参考。
output(dai.NNData): 携带张量和源时间戳、序列号以及可选图像变换的神经网络输出。result(dict[str, Any] | None): 当前计算的关键点、分数和描述符,或None。
extract
Python
1def extract(output: dai.NNData) -> tuple[np.ndarray, np.ndarray, np.ndarray]:output(dai.NNData): 携带张量和源时间戳、序列号以及可选图像变换的神经网络输出。
tuple[np.ndarray, np.ndarray, np.ndarray]: 特征描述符、关键点对数和热图的元组,由extractTensors()生成。
run
Python
1def run(self):setTrigger
Python
1def setTrigger(self):属性
input_size
max_keypoints
original_size
output_layer_feats
output_layer_heatmaps
output_layer_keypoints
previous_results
trigger
XFeatStereoParser
Note
发出
dai.TrackedFeatures 消息。TrackedFeatures 消息包含具有相同 ID 的匹配关键点。ValueError: 如果未指定原始图像大小。ValueError: 如果未指定输入图像大小。ValueError: 如果未指定最大关键点数量。ValueError: 如果未指定包含特征的输出层。ValueError: 如果未指定包含关键点的输出层。ValueError: 如果未指定包含热图的输出层。
方法
init
Python
1def __init__(output_layer_feats: str = 'feats', output_layer_keypoints: str = 'keypoints', output_layer_heatmaps: str = 'heatmaps', original_size: tuple[float, float] = None, input_size: tuple[float, float] = (640, 352), max_keypoints: int = 4096):output_layer_feats(str): 包含特征的输出层名称。output_layer_keypoints(str): 包含关键点的输出层名称。output_layer_heatmaps(str): 包含热图的输出层名称。original_size(tuple[float, float]): 原始图像大小。input_size(tuple[float, float]): 输入图像大小。max_keypoints(int): 要保留的最大关键点数量。
compute
Python
1def compute(reference_tensors: tuple[np.ndarray, np.ndarray, np.ndarray], target_tensors: tuple[np.ndarray, np.ndarray, np.ndarray], *, resize_rate_w: float, resize_rate_h: float) -> dict[str, tuple[np.ndarray, np.ndarray] | str | None]:reference_tensors(tuple[np.ndarray, np.ndarray, np.ndarray]): 参考特征、关键点和热图张量。target_tensors(tuple[np.ndarray, np.ndarray, np.ndarray]): 目标特征、关键点和热图张量。resize_rate_w(float): 应用于关键点坐标的水平比例因子。resize_rate_h(float): 应用于关键点坐标的垂直比例因子。
dict[str, tuple[np.ndarray, np.ndarray] | str | None]: 包含status(matched、reference_missing或target_missing)和match_result(配对点数组,或None)的字典。
emit
Python
1def emit(reference_output: dai.NNData, target_output: dai.NNData, result: dict[str, tuple[np.ndarray, np.ndarray] | str | None]):reference_output(dai.NNData): 提供序列号,如果参考特征缺失,则提供时间戳。target_output(dai.NNData): 提供匹配和缺失目标特征的时间戳。result(dict[str, tuple[np.ndarray, np.ndarray] | str | None]):compute()返回的状态和配对点。
extract
Python
1def extract(reference_output: dai.NNData, target_output: dai.NNData) -> tuple[tuple[np.ndarray, np.ndarray, np.ndarray], tuple[np.ndarray, np.ndarray, np.ndarray]]:reference_output(dai.NNData): 参考图像网络输出。target_output(dai.NNData): 目标图像网络输出。
tuple[tuple[np.ndarray, np.ndarray, np.ndarray], tuple[np.ndarray, np.ndarray, np.ndarray]]: 参考和目标元组,每个元组包含特征、关键点对数和热图。
run
Python
1def run(self):