Download
pose tracking from natural features on mobile phones n.
Skip this Video
Loading SlideShow in 5 Seconds..
Pose Tracking from Natural Features on Mobile Phones PowerPoint Presentation
Download Presentation
Pose Tracking from Natural Features on Mobile Phones

Pose Tracking from Natural Features on Mobile Phones

130 Views Download Presentation
Download Presentation

Pose Tracking from Natural Features on Mobile Phones

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

  1. Pose Tracking from Natural Features on Mobile Phones 西村 孝

  2. はじめに • リアルタイムでテンプレートとの対応点マッチング Pose Tracking from Natural Features on Mobile Phones,ISMAR2008 Fast Keypoint Recognition using Random Ferns,PAMI 2009 Fast Keypoint Recognition in Ten Lines of Code,CVPR2007 Keypoint Recognition using Randomized Trees, PAMI 2006

  3. 手法の流れ

  4. 特徴点検出 DoG処理は削除 • FAST corner detectorに置き換え • 異なるスケールすべてから特徴量算出 →スケール変化の不変性を得る →メモリ資源を使いCPUにかかるコストを削減

  5. FAST corner detector(1/2) p:コーナ候補点 コーナ点:Ipの輝度より円上のすべてのピクセルの輝度は明るいか暗い 高速化のため円上の4方位のピクセルのみを比較(1,5,9,13)

  6. FAST corner detector (2/2) t:閾値 x:円上のピクセル座標(1~16) d,s,b:状態 暗い 差がない 明るい

  7. トラッキング • アウトライア判定に通過した特徴点を用いる • 良い特徴点:アウトライアに合格しマッチング成功 • 悪い特徴点:マッチング失敗,アウトライア判定に失敗 • 良い悪い特徴点の情報を次フレームに送る • 有効な特徴点のみを処理 • 追跡範囲は前フレームの半径25ピクセル

  8. 記述子:特徴量 3x3領域から4つの勾配方向(36次元) →メモリ削減のため.精度は128次元より10%低下 • 15ピクセルの領域から3x3の領域を作成 • 1ブロック:5ピクセル • 3×3のガウスで平滑化 →ノイズの影響を軽減 3×3の領域

  9. 記述子:オリエンテーション • オリエンテーション算出はSIFTと同様 • 3つ以上のピークが存在する場合はその特徴点を削除  →あらゆる方向のテスクチャが多い場所:物体の内側 • オリエンテーション方向にパッチを回転 • 回転したパッチに対して特徴量記述 • オリエンテーションの数だけ特徴量が存在

  10. マッチング • 全探索による対応点マッチング • 計算コストが高い • Spill Treeを利用 • モデル画像の特徴点をクラスタリング(クラス数は定義) • 追跡対象に一番近いクラス内を探索 →探索範囲の削減

  11. Constructing a Spill Tree [Preperata and Shamos 1985]

  12. Constructing a Spill Tree 1. 2つのクラスに分ける

  13. Constructing a Spill Tree 2.ベクトルの中間点と垂直な線(決定境界)を算出

  14. Constructing a Spill Tree overlap buffer 3.オーバーラップ・バッファー中のノードは両方のクラスの特徴を多く含んでいる   オーバーラップ・バッファー中の追跡点は削除

  15. アウトライア • オリエンテーションを利用 • 追跡点は常に同じオリエンテーションを持つ • 異なるオリエンテーションを持つ特徴点は削除 • オーバーラップ・バッファー中の特徴点は削除

  16. 36次元 36次元 スケール 36次元 ターゲットデータ取得 • モデル画像の特徴データベースの作成 • イメージピラミッドの作成 • 入力画像を  倍づつ縮小 • 各縮小画像に対してコーナ点算出   →連続した縮小画像に対して同位置のコーナ点を特徴点として決定 • スケールの範囲は定義 • すべてのスケールで特徴量算出 • 3つ以上のオリエンテーションがある特徴点は削除

  17. Ferns C:クラス Fi:ノードの特徴量

  18. 木の表現 深さが3なら1バイト

  19. 学習 • 学習画像 • 1枚の正面の画像をアフィン変換 • 各キーポイントにヒストグラム作成

  20. マッチング

  21. 木の深さ ノードの数は6個を採用

  22. 評価実験 • 速度の比較 • 実験に用いる端末を下記に示す(4種類) 実験データ

  23. PCを用いた結果 約15~20倍高速化

  24. モバイル端末を用いた結果 15fps程度の実行速度を実現

  25. おわりに • Pose Tracking from Natural Features on Mobile Phonesの文献調査