DARTs: Efficient scale-space extraction of DAISY keypoints 縣 禎輝 著者紹介 David Marimon Tomasz Adamek Arturo Bonnin Roger Gimeno • 所属 – Telefonica (Spain) 2 DARTの位置付け • SIFT – リアルタイム処理が困難 高速化 • SURF – SIFTに比べると精度低下 SIFTの精度を保持しつつ，高速化 • DART 3 SURFの処理の流れ １．検出 – キーポイント（特徴点）の検出 – スケール探索 ２．記述 – オリエンテーション – 特徴量の記述 １．検出 処理の流れ • Integral Imageの利用 • Hessian行列算出にbox filtersの利用 特徴点とは • 輝度差が大きい(エッジ） – テスクチャが多い – その場所の固有の情報が多い 特徴点に向いている エッジの種類 • • • xy方向の両方の輝度差が大きい xy方向の両方の輝度差が大きいが極性が違う xy方向の片方が輝度差が大きい Hessian行列 • Hessian-based Lｙｙはｙ軸の2次微分 判別式： Lｙｙ Hessian行列による特徴点検出 • 判別式 正の場合のみの極大値 box filtersによる近似 • Hessian-based Lｙｙはｙ軸の2次微分 判別式： Lｙｙ Dｙｙ 0.9倍：近似誤差修正 スケールスペース フィルタサイズを拡大：9 x 9, 15 x 15, 21 x 21, 27 x 27 それぞれスケール1.2, 2.0, 2.8, 3.6に対応 極値探索 • 26近傍で極値ならキーポイント キーポイント検出例 ２．記述子 オリエンテーション • オリエンテーションの向きに正規化を行う ことで回転に不変な特徴量を算出 – – – – 範囲は6sの大きさ Haar-Wavelet(4sの大きさ)を利用 SIFTと同様に勾配強度算出 分解能は60度 ｘ – 勾配強度の和が最も大きい角度 オリエンテーション ｙ 特徴量記述 16分割×4次元＝64次元 速度とマッチングの比較 DARTの位置付け • SIFT – リアルタイム処理が困難 高速化 • SURF – SIFTに比べると精度低下 SIFTの精度を保持しつつ，高速化 • DART 18 DARTの特徴 • ガウス微分をtriangle filterにより近似 • keypointのオリエンテーション算出がSURFより高速 • DAISY記述子による高速な特徴量記述 • SIFT，SURFと検出精度が同程度 • SIFTの6倍，SURFの3倍の処理速度 19 DARTの処理手順 20 Hessiain 行列 21 triangle filter による近似 近似式： triangle filter :9アクセス box filter :32アクセス 22 triangle filter による近似 23 スケールスペース • 画像をダウンサンプリングせず，フィルタサイズを 変化させる – ダウンサンプリングによる精度低下を抑制 • 極値探索はSURF同様26近傍 24 オリエンテーション • オリエンテーションに向きに正規化 向きに不変な特徴量を算出 – 範囲は2s(s:スケール)の大きさ • SURFでは6s – Haar-Wavelet(4s)を利用 – SIFTと同様に勾配強度算出 – 分解能：10度 ｘ ｙ • SIFT：10度，SURF：60度 – 勾配強度の和が最も大きい角度 オリエンテーションとする 25 DAISY記述子による特徴量記述 • 4次元ベクトルの特徴 x x ; x x ; y y ; y y • 2つの円，8分割 • 算出される特徴量 （1中心点 + 2円 × 8分割）× 4ベクトル= 68次元 – SURF • 16分割 × 4ベクトル = 64次元 26 標本点の最適化 • DAISY記述子が持つパラメータ – 各領域内の標本点間の距離 – 各領域の中心と標本点の距離 • 標本点の座標を見ることで 近くにある類似した標本点を 見つけることが可能 複数の標本点を1つの標本点とする 内側の円： 4σ 外側の円： 8σ 27 精度比較 28 精度比較 29 速度比較 30 Demo 31 まとめ • SIFT，SURFと同程度の精度 • SIFTより6倍，SURFより3倍の処理速度 – triangle filter によるガウス2次微分の近似 – DAISY記述子による高速な特徴記述 32
© Copyright 2024 ExpyDoc
