آشکارسازهای ویژگی گوشه

LDAHash: Improved Matching with Smaller Descriptors
نوامبر 7, 2020
دستور impixel برای گرفتن RGB پیکسل
دسامبر 26, 2020

آشکارسازهای ویژگی گوشه

ویژگی گوشه
به عنوان مثال ، یک ویژگی گوشه را می توان تقاطع دو خط مستقیم به شکل “L” ، “T” ، “X” یا یک نقطه انحنای زیاد کانتور تعریف کرد. ایده کلی تشخیص گوشه محاسبه پاسخ گوشه بوده و تشخیص آن از لبه ها ، سطوح صاف یا سایر مناطق تصویری به آسانی قابل تمایزنیست. برای جستجوی گوشه به روش سنتی، می توان از استراتژی های مختلفی استفاده کرد ، مثلا بر اساس شیب ، روشنایی و انحنای کانتور. لطفاً به Zitova and Flusser (2003) ، Li et al مراجعه کنید. (2015) ، Tuytelaars و Mikolajczyk (2008) و Rosten و همکاران. (2010).

2.2.1 آشکارساز مبتنی بر گرادیان
پاسخ گوشه ای مبتنی بر گرادیان تمایل دارد تا از اطلاعات مرتبه اول در تصویر برای تشخیص ویژگی های گوشه استفاده کند. اولین روش خودکار تشخیص گوشه را می توان درآشکارساز Moravec (Moravec 1977) جستجو کرد. این روش ابتدا مفهوم “نقاط مورد علاقه” را برای تعریف نقاط ویژگی متمایز معرفی کرد ، که براساس همبستگی روشنایی محلی استخراج شدند. این روش حداقل تغییر روشنایی هر پیکسل را از پنجره ای که در هشت جهت حرکت می کند محاسبه و جستجو می کند.اگر حداقل روشنایی از آستانه معین بهتر باشد ، نقطه مورد نظر شناسایی می شود.

با این حال ، به دلیل جهت و اندازه مقایسه ناپیوسته ، آشکارساز Moravec در جهت یا چرخش تصویر مقاوم نیست. آشکارساز گوشه معروف هریس (Harris و همکاران ، 1988) برای حل مشکلات ناهمسانگردی و پیچیدگی محاسبات معرفی شده است. هدف روش هریس استفاده از ماتریس گستاور مرتبه دوم یا ماتریس همبستگی خودکار برای یافتن جهت سریعترین و کمترین تغییر مقدار خاکستری است. بنابراین نسبت به جهت و نور ثابت است و تکرارپذیری و منحصر به فرد بودن قابل اطمینان برخوردار است.

2.2.2 آشکارساز های مبتنی بر روشنایی
چندین آشکارساز گوشه یاب مبتنی بر مقایسه الگوی یا روشنایی با مقایسه روشنایی های پیکسل های اطراف با پیکسل مرکزی برای ساده سازی محاسبات گرادیان تصویر پیشنهاد شده است. به دلیل ماهیت باینری بودن ، در بسیاری از برنامه های مدرن ، به ویژه برخی با نیازهای ذخیره سازی و زمان واقعی ، به طور گسترده ای مورد استفاده قرار می گیرند.آشکارساز گوشه یاب مبتنی بر روشنایی ، کوچکترین هسته جذب کننده قطعه ای تک ارزش (SUSAN) (اسمیت و بردی 1997) ، بر اساس شباهت روشنایی بین پیکسل ها و هسته ها در شعاع محلی است. از آنجا که محاسبه گرادیان لازم نیست ، SUSAN می تواند به سرعت اجرا شود. بسیاری از روشهای مشابه بر اساس مفهوم مقایسه روشنایی ارائه شده است که معروف ترین آنها آشکارساز FAST است (Trajkovi´c و Hedley 1998).به عنوان یک بهبود SUSAN ، FAST با تکرارپذیری بالا بسیار کارآمد است و به طور گسترده ای مورد استفاده قرار گرفته است. برای بهبود FAST بدون از دست دادن کارایی ، FAST-ER (Rosten و همکاران 2010) برای افزایش تکرارپذیری با تعمیم آشکارساز بر اساس مقایسه روشنایی پیکسل بیشتر با محوریت هسته ، معرفی شد. پیشرفت دیگر AGAST (Mair و همکاران 2010) است ، که در آن دو معیار مقایسه روشنایی پیکسل دیگر تعریف شده است ، پس از آن یک درخت تصمیم گیری بهینه و تخصصی در فضای پیکربندی گسترده آموزش داده می شود ، بنابراین آشکارساز FAST عمومی تر و سازگارتر می شود.

2.2 Corner Features
A corner feature can for example be defined as the crossing point of two straight lines with the forms of “L”, “T”, “X”, or a high curvature point of a contour. The common idea of corner detection is to compute a corner response and distinguish it from edge, flat, or other less distinctive image areas.Different strategies can be utilized for traditional corner searching, namely, gradient-, intensity-, and contour curvature-based. Refer to Zitova and Flusser (2003), Li et al. (2015), Tuytelaars and Mikolajczyk (2008) and Rosten et al. (2010) for details.

2.2.1 Gradient-Based Detectors
A gradient-based corner response prefers the use of the firstorder information in image to distinguish the corner feature.The earliest automatic corner detection method could be traced to Moravec detector (Moravec 1977), which first introduced the concept of “interest points” to define the distinct feature points, which are extracted based on the autocorrelation of the local intensity. This method calculates and searches the minimum intensity variation of each pixel from a shifted window in eight directions, and the interest point is detected if the minimum is superior to the given threshold.

However, the Moravec detector is not invariant to the direction or image rotation due to the discontinuous comparing directions and sizes. The famous Harris corner detector (Harris et al. 1988) was introduced to address the anisotropy and computation complexity problem. The goal of the Harris method is to find the directions of the fastest and lowest grey-value changes using a two-order moment matrix or an auto-correlationmatrix; thus, it is invariant to orientation and illumination and has reliable repeatability and distinctiveness.Harris was further improved in Shi and Tomasi (1993) for better tracking performance by making the features more “spread out” and locating more accurate.

2.2.2 Intensity-Based Detectors
Several template-or intensity comparison-based corner detectors have been proposed by comparing the intensity of the surrounding pixels with that of the center pixel to simplify the image gradient computing. Due to their binary nature, they are widely used in many modern applications, particularly some with storage and real-time requirements.The intensity-based corner detector, namely, smallest univalue segment assimilating nucleus (SUSAN) (Smith and Brady 1997), is based on the brightness similarity between the local radius region pixels and the nucleus. SUSAN can be implemented rapidly because it does not require gradient computation. Many analogous methods have been proposed based on the concept of brightness comparison, the most famous of which is the FAST detector (Trajkovi´c and Hedley 1998).As an improvement of SUSAN, FAST is extremely efficient with high repeatability and is used more widely. To improve FAST without loss of efficiency, FAST-ER (Rosten et al. 2010) was introduced to enhance the repeatability by generalizing the detector based on further pixel intensity comparison centered on the nucleus. Another improvement is the AGAST (Mair et al. 2010), in which two more pixel brightness comparison criteria are defined, after which an optimal and specialized decision tree is trained in an extended configuration space, thus rendering the FAST detector more generic and adaptive.

To combine the efficiency of FAST and the reliability of the Harris detector, Rublee et al. (2011) proposed an integrated feature detector and descriptor for matching called ORB. The ORB uses the Harris response to select a certain number of FAST corners as the final detected features. The gray-scale centroid of the local patch and the center pixel itself are formed as a vector to represent the main direction of the ORB feature, which helps calculate the similarity of the binary descriptor in ORB.

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *