Darts efficient scale space extraction of daisy keypoints
Download
1 / 32

DARTs : Efficient scale-space extraction of DAISY keypoints - PowerPoint PPT Presentation


  • 97 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' DARTs : Efficient scale-space extraction of DAISY keypoints' - stacy


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
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

  • スケール探索

    2.記述

  • オリエンテーション

  • 特徴量の記述


.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
Hessian行列

  • Hessian-based

    Lyyはy軸の2次微分

    判別式:

Lyy


Hessian1
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
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


.記述子


 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 


特徴量記述

16分割×4次元=64次元



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


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
Hessiain行列


Triangle filter
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 filter1
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

    • 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


 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


Daisy
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

    • 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:

外側の円:






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


ad