SURF: Speeded Up Robust Features

1. SURF: Speeded Up Robust Features 中部大学　藤吉研究室

2. 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

3. 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

4. 　　　　　　　　　　　　１．検出子

5. 処理の流れ • Integral Imageの利用 • Hessian行列算出にbox filtersの利用

6. 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

7. 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

8. 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

9. Hessian行列 • Hessian-based Lｙｙはｙ軸の2次微分 判別式： Lｙｙ

10. Hessian行列による特徴点検出 • 判別式 正の場合のみの極大値

11. 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

12. 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

13. 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

14. 　　　　　　　　　　　　２．記述子

15. 　ｘ　　　　　　　　ｙ 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

16. 特徴量記述 16分割×4次元＝64次元

17. 速度とマッチングの比較

18. プログラムの違い（1/2） マッチング：72点 マッチング：63点 別のプログラム OpenCV1.1

19. プログラムの違い（2/2） マッチング：13点 マッチング：32点 別のプログラム OpenCV1.1

20. 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

22. 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)

23. 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