Transcript Document
CV Reading BRISK:Binary Robust Invariant Scalable Keypoints 縣 禎輝 2011/12/13 はじめに • BRISK – BRIEFへスケール不変性，回転不変性の導入 • キーポイント検出 – ピラミッド画像からFASTによる特徴点検出 • 特徴記述 – BRIEFの考えにオリエンテーション推定とサンプリングパターン変更 2 キーポイント検出，特徴記述の変遷 3 BRISK:Binary Robust Invariant Scalable Keypoints[S. Leutenegger,ICCV’11] • キーポイント検出 – FASTへスケール不変性を導入 • 特徴記述 – 同心円上のサンプリングパターンからランダムな2画素を 選択 – 選択された画素の輝度の大小によるバイナリコード 4 キーポイント検出 • FASTへスケール不変性を導入 – ピラミッド画像からFASTを適応し，レスポンス値より スケールの算出 5 FASTによるコーナー検出 • 注目画素 p の周辺の円周上の16画素を観測 例 : n = 12 p がコーナーである条件 p の輝度値と比較して円周上の輝度値が連続してn 個以上が しきい値 t 以上 明るい，もしくは暗い (図中の破線) 6 決定を用いたFASTによるコーナー検出 • 学習画像の画素を特徴ベクトル化 – 注目画素 p 周囲の円周上の輝度値を3値化 注目画素 p の輝度値 円周上の輝度値 しきい値 7 決定を用いたFASTによるコーナー検出 • 決定木の構築 – 特徴ベクトルによる3分木の学習 学習画像 分岐ノード 特徴ベクトルによる分岐 末端ノード 最も到達したクラスを保存 8 決定木によるコーナー検出 • 画像の各画素を入力してコーナー判定 – リーフノードに保存されたクラスに分類 n = 9 のとき，平均して2.16画素の検証でコーナー検出が可能 9 キーポイント検出 ：FASTへスケール不変性導入 1. 入力画像からピラミッド画像生成 2. FASTを適応 3. 各特徴点よりレスポンス値Vの算出 V max( | I p x x:S px brighter I p | t , | I p x:S px dar ker I p x | t ) 4. レスポンス値の最大値を スケールとする 10 スケール検出例 11 特徴記述の流れ 1. 特徴点を中心に４つの同心円上に，等間隔にサンプリング(60箇所) – 中心からの距離に比例するガウスフィルタによりスムージング 2. サンプリングパターンから ランダムに2画素を選択 3. オリエンテーションの算出 4. 輝度差によるバイナリコード化 12 BRIEF • アルゴリズム 1. パッチをガウシアンフィルタにより平滑化 2. パッチ内のランダムに選択された２点の画素値の比較から バイナリ列を生成 3. 2点のバイナリ列のハミング距離によりマッチング キーポイント パッチ 13 BRIEF • バイナリテスト キーポイント パッチ 14 BRIEFの2画素の選択条件 GⅠ I. II. III. IV. V. GⅡ GⅢ GⅣ GⅤ x, y : 一様分布 x, y : ガウシアン分布 x : ガウシアン分布, y : ガウシアン分布（xiが中心） x, y : 同心円状のグリッドからランダムに選択 x : 中心点 y : 同心円状のグリッドからバイナリテストの数だけ選択 15 オリエンテーションの算出 及び バイナリコード化 • 距離が離れたパッチ間の平均勾配をオリエンテーションとする 1. 勾配算出 g :勾配 I :輝度値 S: L: :選択された2画素 2. 集合 L のみから平均勾配算出 α : オリエンテーション :ガウスフィルタの分散 3. オリエンテーション方向に回転させた後， 輝度差によりバイナリコード化 バイナリコード数:512ビット 16 マッチング方法 1. 特徴点間のバイナリコードからハミング距離を算出 2. ハミング距離のしきい値判定によりマッチング 17 実験概要 • 使用するデータセット：Mikolajczyk dataset • 比較手法：SIFT，SURF 18 再現率 19 精度比較 20 処理速度 • 特徴点検出の処理時間 • マッチングの処理時間 21 マッチング結果 22 おわりに • BRISK – BRIEFへスケール不変性，回転不変性の導入 • キーポイント検出 – ピラミッド画像からFASTによる特徴点検出 • 特徴記述 – BRIEFの考えにオリエンテーション推定とサンプリングパターン変更 23