More Related Content Similar to 画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ - Similar to 画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ - (20) More from MPRG_Chubu_University More from MPRG_Chubu_University (14) 1. 1
画像局所特徴量と特定物体認識
- SIFTと最近のアプローチ -
http://mprg.jp/tutorials
機械知覚&ロボティクス研究グループ(中部大学)
中部
工学
助手
中部大学
工学部 情報工学科
講師
大学
部 ロボット理工学科
中部大学
工学部 ロボット理工学科
助手
山内 悠嗣
機械知覚＆ロボティクスグル
487-8501
愛知県春日井市松本町120
Tel 0568-51-8249
Fax 0568-51-9409
yuu@vision.cs.chubu.ac.jp
http://vision.cs.chubu.ac.jp
MACHINE PERCEPTION AND
中部大学
工学部 情報工学科
講師
山下 隆義
機械知覚＆ロボティクスグループ
487-8501
愛知県春日井市松本町1200
Tel 0568-51-9670
Fax 0568-51-1540
yamashita@cs.chubu.ac.jp
http://vision.cs.chubu.ac.jp
博士（工学）
MACHINE PERCEPTION AND ROBOTICS GROUP
中部大学
工学部 ロボット理工学科
教授
藤吉 弘亘
機械知覚＆ロボティクスグループ
487-8501
愛知県春日井市松本町1200
Tel 0568-51-9096
Fax 0568-51-9409
hf@cs.chubu.ac.jp
http://vision.cs.chubu.ac.jp
博士（工学）
MACHINE PERCEPTION AND ROBOTICS GROUP
2. 概要
1. SIFT(Scale-Invariant Feature Transform)
2. SIFTアプローチの高精度化
- PCA-SIFT
- GLOH(Gradient Location and Orientation)
3. SIFTアプローチの高速化
- SURF(Speeded Up Robust Features)
4. SIFT以降のアプローチ
- FAST, Cascaded FAST, BRIEF, BRISK, ORB, CARD
2
5. Related Work
特徴点検出 スケール選択 回転に不変
頑健性の向上 背景の影響
を低減
1988
Harris, Stephens:
Harris Corner
Detector
1994
Lindeberg:
Scale-space
theory
1997
Schmid, Mohr:
Local grayvalue
invariant
1999
Lowe:
SIFT
2004
Ke, Sukthankar:
PCA-SIFT
2005
Stein, Herbert:
BSIFT
5
回転・スケール変化
照明変化等に頑健
6. SIFT: Scale-Invariant Feature Transform
• 誰が考えたのか？
‒ British Columbia大学のDavid Lowe
‒ 1999年発表 (2004年journal)
• どんなアイデア？
‒ 特徴点(キーポイント)の検出と特徴量の記述
‒ 回転・スケール変化に不変，照明変化に頑健な特徴量
6
11. 拡散方程式：変位の時間tに関する偏微分と空間xに関する
二階偏微分が比例
DoGとLoGの関係
€
∂G
∂σ
= σ∇2
G
€
σ∇2
G : ガウス関数の2階微分(LoG)
€
∂G
∂σ
≈
G(x,y,kσ) − G(x,y,σ)
kσ −σ
€
σ∇2
G =
∂G
∂σ
≈
G(x,y,kσ) − G(x,y,σ)
kσ −σ
€
(k −1)σ2
∇2
G ≈ G(x,y,kσ) − G(x,y,σ)
LoG DoG
DoGはLoGの近似となる
€
∂G(x,σ)
∂σ
= k
∂2
G(x,σ)
∂x2
€
G : ガウス関数
€
x = (x,y)T
拡散方程式より：
€
∂u(x,t)
∂t
= k
∂2
u(x,t)
∂x2
11
12. Difference-of-Gaussian(DoG)
• 異なる の平滑化画像の差分によりDoG画像を生成
€
σ
€
L(x,y,σ) = G(x,y,σ)∗ I(x,y)
€
D(x,y,σ) = L(x,y,kσ) − L(x,y,σ)€
L(x,y,σ)
€
I(x,y)
€
G(x,y,σ)
€
D(x,y,σ)
€
k
：入力画像
：ガウス関数
：DoG画像
：増加率
ー
：平滑化画像
€
σ0
€
kσ0
平滑化画像
DoG画像入力画像 LoG画像
€
G(x,y,σ) =
1
2πσ2
exp −
x2
+ y2
2σ2
%
&
'
(
)
*
12
27. キーポイントのサブピクセル位置推定
€
D(x) = D +
∂D
∂x
T
x +
1
2
xT ∂2
D
∂x2
x
€
∂D
∂x
+
∂2
D
∂x2
ˆx = 0
€
∂2
D
∂x2
ˆx = −
∂D
∂x
ある点 でのDoG関数 をテイラー展開
€
x = (x,y,σ)T
€
D(x)
x に関する導関数を求め0とする
€
ˆx
€
(x,y,σ)T
：サブピクセル位置
変形
サブピクセル位置
ˆx =
x
y
σ
#
$
%
%
%
&
'
(
(
(
= −
∂2
D
∂x2
∂2
D
∂xy
∂2
D
∂xσ
∂2
D
∂xy
∂2
D
∂y2
∂2
D
∂yσ
∂2
D
∂xσ
∂2
D
∂yσ
∂2
D
∂σ2
#
$
%
%
%
%
%
%
%
&
'
(
(
(
(
(
(
(
−1
∂D
∂x
∂D
∂y
∂D
∂σ
#
$
%
%
%
%
%
%
&
'
(
(
(
(
(
(
• 3次元空間におけるパラボラフィッティング
27
30. • キーポイントの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
オリエンテーションの算出
€
m(u,v) = (L(u +1,v) − L(u −1,v))2
+ (L(u,v +1) − L(u,v −1))2
θ(u,v) = tan−1 L(u,v +1) − L(u,v −1)
L(u +1,v) − L(u −1,v)
$
%
&
'
(
)
キーポイントが検出された平滑化画像 の勾配強度 と
勾配方向 を算出
€
m(u,v)
€
θ(u,v)
€
L(u,v)
平滑化画像L(u, v)
30
31. 勾配方向
勾配方向ヒストグラムの作成
1
0
h
0 35勾配方向(36bin)
×
• 勾配情報から勾配方向ヒストグラムを作成
‒ 全方向を36方向に離散化
‒ キーポイントの持つスケールに対応する領域から勾配を算出
‒ ガウス窓と勾配強度から重みをヒストグラムに加算
€
m(u,v) = (L(u +1,v) − L(u −1,v))2
+ (L(u,v +1) − L(u,v −1))2
θ(u,v) = tan−1 L(u,v +1) − L(u,v −1)
L(u +1,v) − L(u −1,v)
$
%
&
'
(
)
勾配強度 = 重み
ガウス窓
勾配方向ヒストグラム
m(u,v)
31
49. 画像の変化 ユークリッド距離 対応点数
輝度変化 7.8 118
スケール変化 27.3 102
回転 42.6 183
アフィン変化 149.1 24
検証結果
• アフィン変化のSIFT特徴量への影響
‒ 画像に歪みの変化が含まれるためスケールと方向を正規化して
特徴を記述するだけでは不十分
→回転・スケール変化・輝度変化に対しては対応点の検出が可能
49
50. SIFTの応用分野
• scholar.google.com1でSIFT論文2の引用件数を調査
‒ 引用総数：911件3
• SIFTを用いたアプリケーションに関する論文数：291件
• 応用分野は4つに大別可能
1 http://scholar.google.com/
2 D. Lowe, Distinctive image features from scale-invariant keypoints , IJCV 04
3 2007年5月22日時点
・対応点探索による画像のマッチング：142件，49%
・特定画像を用いた物体認識：71件，24%
・画像分類：73件，25%
・特徴点追跡：5件，2%
50
53. SIFTを用いた交通道路標識の認識 [高木 07]
• 対応点のスケールとオリエンテーションの投票処理も利用
1. SIFT特徴量算出
2. 標識パターンと入力画像の対応点探索
3. 標識パターンの中心位置座標に投票
(対応点のスケール，オリエンテーション情報を使用)
4. 投票数のしきい値処理により標識認識
入力画像
：スケール
：回転
テンプレート画像
：特徴点
：基準点
Voting
53
57. • Bag-of-Keypoints : SIFT + SVM
→ 顔
→ バイク
→
→
→
→
入力画像
入力画像
特徴抽出
特徴抽出
ベクトル量子化ヒストグラム
ベクトル量子化ヒストグラム
[G. Csurka et al., Visual Categorization with Bags of Keypoints , ECCV2004]
Bag-of-Keypointsによる画像分類 [Csurka 08]
57
61. PCA-SIFT [Ke 04]
• SIFTで検出した局所領域の勾配情報に対して主成分分析
(PCA)を適用
‒ キーポイント検出はSIFTと同じ
‒ 特徴ベクトルは36次元(実験から決定)
‒ SIFT特徴の頑健性の向上
PCA
36次元の特徴量
キーポイント検出
勾配情報
61
62. SIFT vs PCA-SIFT
• マッチング性能
• マッチング速度
SIFT
4/10 correct
PCA-SIFT
9/10 correct
PCA-SIFT
10/10 correct
SIFT
6/10 correct
SIFT PCA-SIFT
Localization and I/O 2.63
Representation 1.59 1.64
Matching 2.2 0.58
処理時間の比較 [sec]
（キーポイント数：2,200点） 62
63. GLOH [Mikolajczyk 05]
• SIFT
‒ キーポイント周辺領域を正方形のグリッドに分割（4 4=16領域）
‒ それぞれのグリッド内で8方向の勾配方向ヒストグラム
• 128次元の特徴量(4 4 8 = 128)
• GLOH
‒ キーポイント周辺領域を対数極座標(log-polar)に変換
‒ 半径方向に3分割，角度方向に8分割したグリッド領域
• キーポイントに近い領域は分割しない
‒ 各領域に対して16方向の勾配方向ヒストグラム（ 272次元）
‒ PCAを用いて128次元に次元圧縮
63
68. SIFTアプローチの高速化
• アルゴリズムの改良
‒ SURF(Speeded Up Robust Features) [H. Bay et al., ECCV 06]
‒ Box filter [M. Grabner et al., ACCV 06]
• GPGPU(General-Purpose computation on GPUs)の利用
‒ GPU-Based Video Feature Tracking and Matching
[S. N. Sinha et al., EDGE 06]
68
69. SURF(Speeded Up Robust Features)の処理の流れ
1. キーポイント検出
‒ 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
69
71. 処理の流れ
1. 近似ヘッセ行列の算出
‒ Box filterによる近似
‒ Integral Imageによる高速化
2. スケールスペースの構築
3. 極値探索によるキーポイント検出
入力画像 キーポイント極値探索近似ヘッセ行列の算出
•box filter
•integral image
•scale: σ
スケールスペースの構築
•scale σの変更
71
72. • 2次微分の集合
• Lはガウシアンの各方向の2次微分を画像Iに畳み込んだ
応答値
ヘッセ行列
H(x, ) =
Lxx(x, ) Lxy(x, )
Lxy(x, ) Lyy(x, )
⇥
LyyLxx Lxy
Lxx(x, ) = I(x)
⇤2
⇤x2
g( ), Lyy(x, ) = I(x)
⇤2
⇤y2
g( ), Lxy(x, ) = I(x)
⇤2
⇤x⇤y
g( )
72
73. • エッジの種類
‒ 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
‒ xy方向の両方の輝度差が大きい
• 判別式
エッジの種類と判別式
ガウシアンの2次微分は計算コストが高いため判別に時間が掛かる
det(H) = LxxLyy (Lxy)2
det(H) < 0 det(H) = 0det(H) > 0
73
77. det(Happrox(x, 2))
• スケールσを増加し，複数の近似ヘッセ行列を作成
‒ スケールσ : 1.2, 2.0, 2.8, 3.6
‒ フィルタサイズ : 9 x 9, 15 x 15, 21 x 21, 27 x 27
スケールスペース
Scale
=
Scale
det(Happrox(x, 0))
det(Happrox(x, 1))
det(Happrox(x, 2))
77
84. 速度とマッチングの比較
Detector しきい値 特徴点数 処理時間
Fast-Hessian
Hessian-Laplace
Harris-Laplace
DoG
600
1000
2500
default
1418
1979
1664
1520
120
650
1800
400
Detectorの処理時間 [ms]
U-SURF SURF SURF-128 SIFT
255 354 391 1036
Descriptorの処理時間 [ms]
U-SURF SURF SURF-128 SIFT GLOH PCA-SIFT
正解率 83.8 82.6 85.7 78.1 78.3 72.3
対応点マッチングの正解率 [%]
84
88. まとめ：速度の比較
ハード 手法 処理時間（FPS）
PC
PC
GPU1（GeForce GT220 ）
GPU2（Tesla C1060）
SIFT
SURF
SiftGPU
SiftGPU
1
9
16
22
SIFTとSURFの処理速度の比較
SIFT ：http://vision.ucla.edu/~vedaldi/code/siftpp/siftpp.html
SURF ：OpenCV2.1
SIFT-GPU：http://cs.unc.edu/~ccwu/siftgpu/
88
89. 公開されているソースコード
• SIFT(実行形式ファイル)：Lowe
‒ http://www.cs.ubc.ca/ lowe/keypoints/
• SIFT(C++)：Vedaldi
‒ http://vision.ucla.edu/ vedaldi/code/siftpp/siftpp.html
• SIFT(MATLAB)：Vedaldi
‒ http://vision.ucla.edu/ vedaldi/code/sift/sift.html
• PCA-SIFT：Ke
‒ http://www.cs.cmu.edu/ yke/pcasift/
• SURF : Herbert
‒ http://www.vision.ee.ethz.ch/ surf/
• GPGPUを用いたSIFT : Wu
‒ http://cs.unc.edu/ ccwu/siftgpu/
89
94. キーポイント検出
• SIFT(DoG) [ICCV1999]
‒ DoG画像からの極値探索による
キーポイント(位置とスケール)検出
• SURF [ECCV2006]
‒ 近似Hessian-Laplaceによる
キーポイント (位置とスケール) 検出
• FAST [ECCV2006]
‒ 決定木を利用したコーナー検出
• Cascaded FAST [SSII2013]
‒ カスケード状に並べた決定木による
キーポイント(位置とスケールとオリエンテーション)検出
94
95. Harrisのコーナー検出
• ヘッセ行列を用いたコーナー検出
€
H =
Ix
2
IxIy
IxIy Iy
2
"
#
$
%
&
'ヘッセ行列
第一固有値 : α
第二固有値 : β
Edge
EdgeFlat
Corner R 0 (α, βともに小さい) ：フラット
R << 0 (α>>β または β>>α) ：エッジ
R >> 0 (α, βともに大きい) ：コーナー
: x 軸方向の微分 : y 軸方向の微分
€
Ix
€
Iy
€
R = Det(H) − k(α + β)2
判別式 ( k = 0.04 ∼ 0.06 )
α
β
95
96. FAST: Features from Accelerated Segment Test [Rosten 10]
• 注目画素 p の周辺の円周上の16画素を観測
注目画素 p がコーナーである条件
p の輝度値と比較して円周上の輝度値が連続してn 個以上が
しきい値 t 以上 明るい，もしくは暗い (図中の破線)
96
103. • 周囲{20, 16, 12}画素を参照するため3つの決定木を学習
‒ 決定木をカスケード状に並べて高速化
Cascaded FAST [長谷川 13]
103
周囲12画素を
参照する決定木
オリエンテーション
の類似性
オリエンテーション
算出
非コーナー非コーナー 非コーナー
TRUE TRUE TRUE
TRUE
コーナー
非コーナー
FALSE FALSE FALSE
FALSE
入力画像
非コーナー
TRUE TRUE TRUE
TRUE
コーナー
FALSE
TRUE
周囲16画素を
参照する決定木
周囲20画素を
参照する決定木
Step1
Step2 Step3
104. Step1. 3値化した輝度の連続性による条件
• 周囲{20, 16, 12}画素をBrighter, Similar, Darkerに分類
‒ BrighterまたはDarkerがそれぞれ{11, 9, 6}画素以上
連続する場合に注目画素をコーナー候補点とする
104
Sp x =
⌅⇤
⌅⇥
Brighter Ip + t ⇥ Ip x
Similar Ip t < Ip x < Ip + t
Darker Ip x ⇥ Ip t
：注目画素の輝度値
：周囲の画素の位置
：周囲の画素の輝度値
：しきい値t
Ip x
Ip
x
11画素以上連続
9画素以上連続
6画素以上連続
コーナー候補点
111. バイナリコードの利点
• バイナリコードで特徴記述
‒ SIFT：128次元 8bit (unsigned char)
‒ 数十∼数百個程度の0と1の列から成る短いバイナリコードで
表現
• メリット
‒ 大幅な省メモリ化が可能
‒ ハミング距離による高速な距離計算
010010000
010010101
000000101
XOR
ハミング距離: 2
→SSE拡張命令で高速に演算可能
111
112. 112
BRIEF [Calonder, 10]
• バイナリコードの生成アルゴリズム
‒ パッチをガウシアンフィルタにより平滑化
‒ ランダムに選択されたペア(2点)の画素値の大小関係からバイナ
リ列を生成
ガウシアン分布に基づきペアを決定
キーポイント
パッチ
113. • ペアの選び方
• キーポイント検出
‒ 画像ピラミッドを利用したスケールを獲得
‒ パッチのオリエンテーションはそれぞれの工夫あり
直接的にバイナリ化：BRISK, ORB
BRISK [Leutenegger 11]
規則的に選択
ORB [Rublee 11]
学習により選択
113
116. ORB [Rublee 11]
• パッチ内のモーメントによりオリエンテーションを算出
• 学習により良いペアを選択
1. ビットの分散が大きい
2. ペア同士の相関が低い
116
パッチ
117. • パッチの画素値に関する0, 1次モーメントから重心を
算出
• パッチの中心と重心位置との方向をオリエンテーション
として算出
ORBにおけるオリエンテーション
117
パッチ
O
C
OC
パッチの中心
OC
C
O
パッチの重心
オリエンテーション
mpq = xp
yq
I(x, y)
C =
m10
m00
,
m01
m00
⇥
mpq
C
：モーメント
：重心位置
119. 2. バイナリコードのビット間の相関が小さくなるように
選択
0 0 0 1 0 0 1 0
1 0 1 0 1 1 0 1
1 0 1 0 0 0 1 1
0 0 1 0 1 1 0 1
1 0 1 0 1 0 1 0
ORBにおけるペアの選択方法
119
相関が大きい：悪 相関が小さい：良
k5
k4
k3
k2
k1
b1 b2 b3 b4 b5 b6 b7 b8
b1
b2
b3
b4
b5
b6
b7
b8
k1
k3
k5
k2
k4
b1
b2
b3
b4
b5
b6
b7
b8
b1
b2
b3
b4
b5
b6
b7
b8
b1
b2
b3
b4
b5
b6
b7
b8
b1
b2
b3
b4
b5
b6
b7
b8
121. 間接的にバイナリ化：CARD [Ambai 11]
• 勾配情報からバイナリコードを生成
‒ LUTによる勾配特徴の高速計算
‒ 特徴ベクトルのバイナリ変換を高速化
相当し，QLPQM
L1
P}QQ が量子化レベルの変換に相当する
（10）式は複雑に見えるが，qP2, 3Q と a がそれぞれ
りの値しか取りえないことに着目すると，図 10 に示
うに，M-M のテーブルで表現できることが分かる
たがって，図 9，10 に示した 2 種類のテーブルを用い
とで，高速に勾配特徴量を算出できるようになる．
（b）バイナリコード化
特徴ベクトルをバイナリコードに変換するというア
ーチは，機械学習や web，大規模検索の分野で活発
究されている．これまでの研究により，多くのバイナ
ード化手法は次の形で書けることが分かっている．
b/sgn PfPWT
d+cQQ （1
d は D 次元の特徴ベクトル，b は長さ B ビットのバ
リコード，c はオフセットベクトル，W は D 行 B 列
換行列，fP}Q は任意の関数である（d の平均がゼロベ
1. バイナリコードに変換前の距離(ベクトル間角度) と変換後の距離(ハミング距離)
がなるべく一致するように W を最適化
2. 各要素が,+1, 0, -1 のうちいずれかの値のみを取るという制約のもとでWを最適化
→和演算で構成できるため特徴記述が高速化
121
123. ソースコード＆アプリの公開
• FAST：Features from Accelerated Segment Test
- OpenCV
- iOSアプリ：FAST Corner
• BRIEF：Binary Robust Independent Elementary Features
‒ OpenCV
• BRISK：Binary Robust Invariant Scalable Keypoints
‒ http://www.asl.ethz.ch/people/lestefan/personal/BRISK
• ORB：Oriented FAST and Rotated BRIEF
‒ OpenCV ver2.3
• CARD：Compact And Real-time Descriptors
‒ http://cvlab.jp/
‒ iOSアプリ：CARDesc
123
124. 解説記事：局所勾配特徴抽出技術-SIFT以降のアプローチ-
画像技術の最前線
局所勾配特徴抽出技術*
―SIFT 以降のアプローチ―
Gradient-based Image Local Features
藤吉弘亘**
安倍 満***
Hironobu FUJIYOSHI and Mitsuru AMBAI
Key words image local feature, SIFT, SURF, FAST, RIFF, BRIEF, BRISK, ORB, CARD
1．は じ め に
画像のスケール変化や回転に不変な特徴量を抽出する
Scale Invariant Feature Transform（SIFT)1)
は，特定物体
認識だけではなく画像合成や画像分類など多くのアプリケ
ーションに利用されている．SIFT の処理過程は，キーポ
イント検出と特徴量記述の二段階からなり，各処理は以下
の流れとなる．
キーポイント検出
]
1．スケールとキーポイント検出
2．キーポイントのローカライズ
特徴量記述
]
3．オリエンテーションの算出
4．特徴量の記述
キーポイント検出処理では，Difference-of-Gaussian
（DoG）処理によりキーポイントのスケールと位置を検出
する．特徴量記述では，スケール内の勾配情報からオリエ
ンテーションを求め，キーポイント周辺領域（パッチ）を
オリエンテーション方向に回転させて特徴量を記述するこ
とで，回転に対して不変な特徴量を抽出する．SIFT で
は，キーポイント検出処理における DoG 画像の生成や，
特徴量記述処理における勾配ヒストグラム算出の計算コス
トが高いという問題がある．この問題を解決する高速化の
手法として，2006 年に SURF2)
が提案された．SURF で
は，各処理において積分画像を利用した Box フィルタを
用いることで，SIFT と比較して約 10 倍の高速化を実現
した．近年では，高性能な PC だけではなく携帯端末等の
小型デバイスでの利用を考慮し，キーポイント検出と特徴
量記述の各処理を高速化および省メモリ化した手法が提案
されている．図 1 に，キーポイント検出と特徴量記述に
おける SIFT 以降の変遷を示す．キーポイント検出処理で
は，コーナーに特化することで高速かつ省メモリを実現し
た FAST3)
が提案された．FAST は，後述の特徴量記述手
法と組み合わせて使用される．特徴量記述の処理において
は，SIFT や SURF と同様に勾配特徴量に基づく RIFF4)
が 2010 年に提案された．SIFT では 128 次元，SURF で
は 64 次元，RIFF では 100 次元のベクトルが抽出される．
高次元のベクトル特徴量は，高い識別能力をもつ反面，メ
モリ消費量が多く，2010 年以降ではベクトル特徴量の代
わりにバイナリコードで特徴量を記述する手法が提案され
ている．パッチからバイナリコードを直接生成する手法と
して BRIEF5)
，BRISK6)
，ORB7)
が，間接的にバイナリコ
ードを生成する手法として CARD8)
が提案された．このよ
うに，SIFT と SURF 以降では，キーポイント検出および
特徴量記述において，高速化と省メモリ化を同時に実現す
る手法が展開されている．
本稿では，SIFT や SURF 以降のアプローチが，キーポ
イント検出と特徴量記述の各処理おいて，どのように展開
されてきたかを各手法のアルゴリズムとともに解説する．
2．キーポイント検出
SIFT では，複数の DoG 画像からキーポイントを検出
するのと同時に，キーポイントを中心とした特徴量記述を
行う範囲を表すスケールも検出する．DoG 画像の作成は
計算コストが高い上，複数の DoG 画像を保持するための
メモリを要するという問題点がある．キーポイント検出の
高速化として，SURF では積分画像を利用した Box フィ
ルタを用い高速化を実現した．Edward らが提案した
精密工学会誌 Vol.77, No.12, 2011 1109
*
原稿受付 平成 23 年 10 月 3 日
**
中部大学工学部情報工学科（愛知県春日井市松
本町 1200）
***
(株)デンソーアイティーラボラトリ（東京都渋
谷区二丁目 15 番 1 号渋谷クロスタワー 25 階）
藤吉弘亘
1997 年中部大学大学院博士後期課程修了．博士
（工学）．1997∼2000 年米カーネギーメロン大学
ロボット工学研究所 Postdoctoral Fellow．2000
年 中 部 大 学 講 師，2004 年 同 大 准 教 授 を 経 て 2010 年 よ り 同 大 教 授．
2005∼2006 年米カーネギーメロン大学ロボット工学研究所客員研究員．
2010 年計算機視覚，動画像処理，パターン認識・理解の研究に従事．2005
年度ロボカップ研究賞．2009 年度情報処理学会論文誌コンピュータビジョ
ンとイメージメディア優秀論文賞．2009 年度山下記念研究賞．情報処理学
会，電子情報通信学会，電気学会，IEEE 各会員．
安倍 満
2007 年慶應義塾大学大学院博士後期課程修了．博士（工学）．2007 年株式
会社デンソーアイティーラボラトリシニアエンジニア．2011 年画像センシ
ングシンポジウム（SSII）オーディエンス賞．2011 年画像の認識・理解シ
ンポジウム（MIRU）インタラクティブセッション賞．パターン認識・理
解，コンピュータビジョンの研究に従事．電子情報通信学会，IEEE 各
会員．
藤吉, 安倍： 局所勾配特徴抽出 -SIFT以降のアプローチ-
精密工学会誌 2011年12月 77巻12号 pp.1109-1116
124
126. 参考文献１
•1. SIFT(Scale-Invariant Feature Transform)
- [Lowe 04] David G.Lowe, Distinctive image features from scale-invariant
keypoints , Int.Journal of Computer Vision,Vol.60, No.2, pp.91-110, 2004．
- [高木 08] 高木雅成, 藤吉弘亘, SIFT特徴量を用いた交通道路標識認識 , 電気学会
論文誌, Vol. 129-C, No. 5, pp. 824-831, 2009.
- [都築 08] 都築勇司, 藤吉弘亘, 金出武雄, SIFT特徴量に基づくMean-Shift探索に
よる特徴点追跡 , 情報処理学会論文誌, Vol.49, No.6, pp.35-45, 2008.
- [Csurka 08] Csurka, G., Bray, C., Dance, C. and Fan, L. Visual
categorization with bags of keypoints , Workshop on Statistical Learning in
Computer Vision,European Conference on Computer Vision, pp.1‒22,
2004.
126
127. 参考文献２
•2. SIFTアプローチの高精度化
- [Ke 04] Yan Ke, Rahul Sukthankar, PCA-SIFT: A more distinctive
representation for local image descriptors , Proc. of CVPR, pp.506-503,
2004.
- [Mikolajczyk 05] Krystian Mikolajczyk and Cordelia Schmid, GLOH A
performance evaluation of local descriptors , IEEE tran. On Pattern
Analysis and Machine Intelligence, pp.1615-1630, 2005.
•3. SIFTアプローチの高速化
- [Bay 06] H. Bay, T. Tuytelaars, and L. Van Gool, SURF: Speeded Up
Robust. Features , In ECCV , pp.404-417, 2006.
- [Grabner 06] M. Grabner, H. Grabner, H. Bischof, Fast approximated SIFT ,
Proc. of ACCV, pp.918-927, 2006.
- [Sinha 06] Sudipta N Sinha, Jan-Michael Frahm, Marc Pollefeys and Yakup
Genc, GPU-Based Video Feature Tracking and Matching , EDGE 2006,
workshop on Edge Computing Using New Commodity Architectures,
Chapel Hill, 2006.
127
128. 参考文献３
•4. SIFT以降のアプローチ
- [Rosten 10] E. Rosten, R. Porter, T. Drummond, Faster and Better: A
Machine Learning Approach To Corner Detection , Pattern Analysis and
Machine Intelligence, pp. 105-119, 2010.
- [M.Calonder 10] M.Calonder, V.Lepetit and C.Strecha and P.Fua, BRIEF:
Binary Robust Independent Elementary Features , In Proc. European
Conference on Computer Vision, pp.778-792, 2010.
- [Leutenegger 11] S.Leutenegger, M.Chli and R.Y.Siegwart BRISK: Binary
Robust Invariant Scalable Keypoints , In Proc. International Conference on
Computer Vision, 2011.
- [Rublee 11] E.Rublee, V.Rabaud, K.Konolige and G.Bradski ORB: an
efficient alternative to SIFT or SURF , In Proc. International Conference on
Computer Vision, 2011.
- [Ambai 11] M.Ambai and Y.Yoshida CARD: Compact And Real-time
Descriptors , In Proc. International Conference on Computer Vision, 2011.
- [長谷川 13] 長谷川昂宏, 山内悠嗣, 藤吉弘亘, 安倍満, 吉田悠一, Cascaded FAST
によるキーポイント検出 , 画像センシングシンポジウム, 2013.
128
