SURF: Speeded Up Robust Features 中部大学 藤吉研究室
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
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
1.検出子
処理の流れ Integral Imageの利用 Hessian行列算出にbox filtersの利用
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
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
box filters
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 勾配強度の和が最も大きい角度 →オリエンテーション x 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
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
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
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
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)
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