1 / 32

DARTs : Efficient scale-space extraction of DAISY keypoints

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

stacy
Download Presentation

DARTs : Efficient scale-space extraction of DAISY keypoints

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. DARTs: Efficient scale-space extraction of DAISY keypoints 縣禎輝

  2. 著者紹介 • 所属 • Telefonica (Spain) David Marimon Tomasz Adamek Arturo Bonnin Roger Gimeno

  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

  4. 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

  5. １．検出

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

  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. 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： triangle filter :9アクセス box filter :32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. 　ｘ　　　　　　　　ｙ 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

  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

  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

More Related