Transcript Document

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