SURF: Speeded Up Robust Features 中部大学藤吉研究室はじめに  SIFT    スケール、画像の回転に不変な特徴点と特徴量処理コストが高い SURF  性能を犠牲にしないで高速化 SURFの処理の流れ  １．検出子    キーポイント（特徴点）の検出スケール探索２．記述子   オリエンテーション特徴量の記述１．検出子処理の流れ   Integral Imageの利用 Hessian行列算出にbox filtersの利用 Integral Image   矩形領域の輝度値の和を高速に算出可能利点   領域の数が多い場合領域が重なり合う場合特徴点とは  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  勾配強度の和が最も大きい角度 →オリエンテーション  ｘｙ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プログラムの違い（1/2）マッチング：72点 OpenCV1.1 マッチング：63点別のプログラムプログラムの違い（2/2）マッチング：13点 OpenCV1.1 マッチング：32点別のプログラムおわりに  SIFTの精度を維持したまま高速マッチングが可能   Integral Imageの利用 Hessian行列算出にbox filtersの利用 Integral Image  矩形領域の輝度値の和を高速に算出可能  積分画像の算出法   画像I(x, y) 積分画像ii(x, y) 領域内の輝度和の算出  積分画像を算出することで領域内の輝度値の合計を高速に算出  利点   領域の数が多い場合領域が重なり合う場合