Transcript (PPT)

Fast and compact Binary
descriptors
BRIEF: Binary Robust Independent
Elementary Features
使用方差为2,在 9×9区域内用高斯平滑
在 S × S 大小的图像块上定义二元测试：
p(x) 为像素灰度，一组二元测试组成一个特征：
𝑛𝑑 为特征维度，论文中取 𝑛𝑑 = 128, 256, 512
BRIEF: Binary Robust Independent
Elementary Features
关于二元测试中x、y的选择
1. 在图像块平均采样
1
2. x、y都符合（0,25 𝑆 2 ）
的高斯分布
1
3. X符合（0,25 𝑆 2 ）高斯，
1
y符合（0,100 𝑆 2 ）高斯
4. 随机采样
5. X固定为(0,0)，y在周围
平均采样
BRIEF: Binary Robust Independent
Elementary Features
使用Hamming distance判别描述子之间的相关度(XOR运算).
特征点的匹配转为上图的二值分类问题。
BRIEF: Binary Robust Independent
Elementary Features
•
部分结果：
•
对大多数变化都比较敏感。
ORB:
Oriented FAST and Rotated BRIEF
•
•
•
在BRIEF上加上旋转不变性
使用FAST-9作为detector
Image Moment（图像矩）:
•
intensity centroid（图像矩心）
•
在旋转不变形上使用𝑂𝐶向量角度作为图像块的角度
ORB:
Oriented FAST and Rotated BRIEF
• Steered BRIEF
•
假设原始的BRIEF选取的点集为
•
Steered BRIEF则使用图像块的角度𝜃，将这些点旋转，得到新的点
•
在新的点集S𝜃 中做二元测试，实现旋转不变
ORB:
Oriented FAST and Rotated BRIEF
• rBRIEF
•
原文提到原始的BRIEF有很好的性质：每个bit上的特征方差大、均值在0.5左右。
•
而Steered BRIEF失去了这个特性
ORB:
Oriented FAST and Rotated BRIEF
• rBRIEF
•
•
通过训练集，找出一组二元点集，使得相关性最小
在 31×31 的图像块中找出所有可能的二元测试. 每个二元测试是一对 5×5的
窗口，则共有
(31−5)2
2
个测试
1.在所有训练集（图像块）上运行
所有测试
2.将测试按均值与0.5的距离由小
到大排序
3.将第一个测试加入结果集
4.如果当前测试与结果集中的相关
性大于某个阈值，则丢弃，否则
加入结果集。
D—BRIEF: Discriminative BRIEF
•
通过训练得出线性投影，将图像块投影到更具判别性的子空间。
•
定义二元描述子的某一维：
•
设D为字典，可令
，s为{0,1}向量
D—BRIEF: Discriminative BRIEF
•
为了计算损失函数，去除sign函数和阈值，可用随机梯度下降解。
•
使用Linear Discriminant Embedding (LDE)初始化w，再使用w初始化s
D—BRIEF: Discriminative BRIEF
•
原损失函数可化为右边的形式。
•
其中
•
损失函数极值为0时
•
•
有
可用LDE求解，解中向量满足正交约束
D—BRIEF: Discriminative BRIEF
•
因计算速度快选择了3类字典
1. Box filters (BOX): 在32 × 32 的图像块的每一个像素周围5 × 5 的窗口滤波，共
1024个元素
2. Gaussian filters (GAUSS): 同上，使用𝜎 = 3的高斯滤波，共1024个元素
3. Rectangular filters (RECT):在每个像素点使用长宽为1,4,7,10,...的矩形滤波器 字
典元素有34,596个
•
前两个可用先滤波得到结果，第三个可用使用积分图像，在训练时都可快速
得到结果
D—BRIEF: Discriminative BRIEF
•
实验结果