1 / 14

Fast and compact Binary descriptors

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：. 为特征维度，论文中取 = 128, 256, 512. BRIEF: Binary Robust Independent Elementary Features. 关于二元测试中 x 、 y 的选择. 在图像块平均采样

toya
Download Presentation

Fast and compact Binary descriptors

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. Fast and compact Binary descriptors

  2. 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： 为特征维度，论文中取 = 128, 256, 512

  3. BRIEF: Binary Robust Independent Elementary Features 关于二元测试中x、y的选择 在图像块平均采样 x、y都符合（0,）的高斯分布 X符合（0,）高斯，y符合（0,）高斯 随机采样 X固定为(0,0)，y在周围平均采样

  4. 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。

  5. BRIEF: Binary Robust Independent Elementary Features • 部分结果： • 对大多数变化都比较敏感。

  6. 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向量角度作为图像块的角度

  7. 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，将这些点旋转，得到新的点 • 在新的点集中做二元测试，实现旋转不变

  8. 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

  9. 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，则共有个测试 在所有训练集（图像块）上运行所有测试 将测试按均值与0.5的距离由小到大排序 将第一个测试加入结果集 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。

  10. 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

  11. 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

  12. 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

  13. D—BRIEF: Discriminative BRIEF • 因计算速度快选择了3类字典 • Box filters (BOX): 在的图像块的每一个像素的窗口滤波，共1024个元素 • Gaussian filters (GAUSS): 同上，使用的高斯滤波，共1024个元素 • 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

  14. D—BRIEF: Discriminative BRIEF • 实验结果

More Related