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 所属 Telefonica (Spain)
DARTの位置付け SIFT SURF DART リアルタイム処理が困難 SIFTに比べると精度低下 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 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 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
DARTの位置付け SIFT SURF DART リアルタイム処理が困難 SIFTに比べると精度低下 高速化
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
DARTの処理手順
Hessiain 行列
triangle filter による近似 近似式: triangle filter :9アクセス box filter :32アクセス
triangle filter による近似
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 極値探索はSURF同様26近傍 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
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 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 x y
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
標本点の最適化 DAISY記述子が持つパラメータ 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 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
精度比較
精度比較
速度比較
Demo
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