darts : efficient scale-space extraction of daisy keypoints
DESCRIPTION
DARTs : Efficient scale-space extraction of DAISY keypoints. 縣 禎輝. 著者紹介. 所属 Telefonica (Spain). David Marimon. Tomasz Adamek. Arturo Bonnin. Roger Gimeno. DART の位置付け. SIFT リアルタイム処理が困難 SURF SIFT に比べると精度低下 DART. 高速化. SIFT の精度を保持しつつ,高速化. SURF の処理の流れ. 1. 検出 キーポイント(特徴点)の検出 - PowerPoint PPT PresentationTRANSCRIPT
DARTs: Efficient scale-space extraction of DAISY keypoints
縣 禎輝
2
著者紹介
David Marimon
Arturo Bonnin
Tomasz Adamek
Roger Gimeno
• 所属– Telefonica (Spain)
3
DART の位置付け
• SIFT– リアルタイム処理が困難
• SURF– SIFT に比べると精度低下
• DART
高速化
SIFT の精度を保持しつつ,高速化
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
L yyはy軸の 2 次微分
判別式:
L yy
Hessian 行列による特徴点検出
正の場合のみの極大値
• 判別式
box filters による近似
• Hessian-based
L yyはy軸の 2 次微分判別式:
L yy D yy
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
x y
• 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
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
18
DART の位置付け
• SIFT– リアルタイム処理が困難
• SURF– SIFT に比べると精度低下
• DART
高速化
SIFT の精度を保持しつつ,高速化
19
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
20
DART の処理手順
21
Hessiain 行列
22
triangle filter による近似
近似式:
box filter :32 アクセス
triangle filter :9 アクセス
23
triangle filter による近似
24
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
25
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
• 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
x y
26
DAISY 記述子による特徴量記述
• 4 次元ベクトルの特徴
• 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
€
∂x −∂x; ∂x +∂x; ∂y −∂y; ∂y +∂y
27
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
28
精度比較
29
精度比較
30
速度比較
31
Demo
32
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