Submit Search
Upload
Sift特徴量について
•
29 likes
•
39,615 views
L
la_flance
Follow
【社内勉強会用】Sift特徴量について ※間違っている部分があるかもしれません
Read less
Read more
Technology
Report
Share
Report
Share
1 of 31
Download now
Download to read offline
Recommended
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
Hironobu Fujiyoshi
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
SSII
Point net
Point net
Fujimoto Keisuke
三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)
Tomohiro Motoda
【メタサーベイ】Neural Fields
【メタサーベイ】Neural Fields
cvpaper. challenge
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
Recommended
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
Hironobu Fujiyoshi
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
SSII
Point net
Point net
Fujimoto Keisuke
三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)
Tomohiro Motoda
【メタサーベイ】Neural Fields
【メタサーベイ】Neural Fields
cvpaper. challenge
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
semantic segmentation サーベイ
semantic segmentation サーベイ
yohei okawa
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
Yusuke Uchida
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
モデル高速化百選
モデル高速化百選
Yusuke Uchida
点群深層学習 Meta-study
点群深層学習 Meta-study
Naoya Chiba
Semantic segmentation
Semantic segmentation
Takuya Minagawa
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
Kensho Hara
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
Siftによる特徴点抽出
Siftによる特徴点抽出
Masato Nakai
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Toru Tamaki
ILSVRC2015 手法のメモ
ILSVRC2015 手法のメモ
Hirokatsu Kataoka
関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)
tackson5
More Related Content
What's hot
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
semantic segmentation サーベイ
semantic segmentation サーベイ
yohei okawa
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
Yusuke Uchida
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
モデル高速化百選
モデル高速化百選
Yusuke Uchida
点群深層学習 Meta-study
点群深層学習 Meta-study
Naoya Chiba
Semantic segmentation
Semantic segmentation
Takuya Minagawa
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
Kensho Hara
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
Siftによる特徴点抽出
Siftによる特徴点抽出
Masato Nakai
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Toru Tamaki
What's hot
(20)
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
semantic segmentation サーベイ
semantic segmentation サーベイ
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
モデル高速化百選
モデル高速化百選
点群深層学習 Meta-study
点群深層学習 Meta-study
Semantic segmentation
Semantic segmentation
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Active Learning 入門
Active Learning 入門
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
カルマンフィルタ入門
カルマンフィルタ入門
Siftによる特徴点抽出
Siftによる特徴点抽出
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Viewers also liked
ILSVRC2015 手法のメモ
ILSVRC2015 手法のメモ
Hirokatsu Kataoka
関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)
tackson5
Face Alignment by Explicit Shape Regression
Face Alignment by Explicit Shape Regression
Takuya Minagawa
ICCV2015勉強会 顔関連論文のまとめ
ICCV2015勉強会 顔関連論文のまとめ
Koichi Takahashi
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
kanejaki
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Takuya Minagawa
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
tomoaki0705
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
sumisumith
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会
nonane
【講演資料】アテにされる / どういうこと?どすればいいの?
【講演資料】アテにされる / どういうこと?どすればいいの?
Masanori Saito
公共案件セールスガイド_sample
公共案件セールスガイド_sample
Masanori Saito
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
28th CV勉強会@関東 #3
28th CV勉強会@関東 #3
Hiroki Mizuno
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
Jubatus 1.0 の紹介
Jubatus 1.0 の紹介
JubatusOfficial
新聞から今年の漢字を予測する
新聞から今年の漢字を予測する
JubatusOfficial
Python 特徴抽出プラグイン
Python 特徴抽出プラグイン
JubatusOfficial
Jubakitの解説
Jubakitの解説
JubatusOfficial
小町のレス数が予測できるか試してみた
小町のレス数が予測できるか試してみた
JubatusOfficial
Viewers also liked
(20)
ILSVRC2015 手法のメモ
ILSVRC2015 手法のメモ
関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)
Face Alignment by Explicit Shape Regression
Face Alignment by Explicit Shape Regression
ICCV2015勉強会 顔関連論文のまとめ
ICCV2015勉強会 顔関連論文のまとめ
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会
【講演資料】アテにされる / どういうこと?どすればいいの?
【講演資料】アテにされる / どういうこと?どすればいいの?
公共案件セールスガイド_sample
公共案件セールスガイド_sample
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
28th CV勉強会@関東 #3
28th CV勉強会@関東 #3
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
Jubatus 1.0 の紹介
Jubatus 1.0 の紹介
新聞から今年の漢字を予測する
新聞から今年の漢字を予測する
Python 特徴抽出プラグイン
Python 特徴抽出プラグイン
Jubakitの解説
Jubakitの解説
小町のレス数が予測できるか試してみた
小町のレス数が予測できるか試してみた
Similar to Sift特徴量について
関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14
Akisato Kimura
ICCV2011 report
ICCV2011 report
Hironobu Fujiyoshi
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
Hironori Washizaki
20110909 品質シンポジウム2011発表資料
20110909 品質シンポジウム2011発表資料
Kenichiro Nakajima
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
cyberagent
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
「デザイニング・インターフェース」勉強会 - 第7章
「デザイニング・インターフェース」勉強会 - 第7章
Tsutomu Kawamura
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
cvpaper. challenge
Similar to Sift特徴量について
(8)
関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14
ICCV2011 report
ICCV2011 report
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
20110909 品質シンポジウム2011発表資料
20110909 品質シンポジウム2011発表資料
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
「デザイニング・インターフェース」勉強会 - 第7章
「デザイニング・インターフェース」勉強会 - 第7章
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
Recently uploaded
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Recently uploaded
(7)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Sift特徴量について
1.
2015/3/12 【社内勉強会用】
2.
SIFT:Scale-Invariant Feature
Transform 特徴点の検出と特徴量の記述を行う 特徴 ◦ 拡大縮小に強い ◦ 回転に強い ◦ 照明変化に強い 用例 ◦ 異なる画像間でのマッチング パノラマ画像の自動作成とか ◦ 一般物体認識
3.
ざっくり言うと以下の過程をふむ 1.特徴点の検出 1-1.特徴点となる候補点の探索 1-2.候補点の絞り込み 2.特徴量の記述 2-1.各特徴点の勾配を検出 2-2.各特徴点の勾配方向ヒストグラムを計算
4.
「第1 段階のキーポイント検出では,DoG
処理を 用いてスケールスペースにおける極値探索をする ことで,キーポイントの位置とスケールを決定す る」 (中部大学 藤吉先生 談)
5.
「スケールスペース」って何? ◦ 2次元(x,
y)である画像に、「スケール」という次元 を加えて、3次元で画像を理解してみようという考え
6.
「スケール」っていう次元は、具体的にどーやっ て追加するのか ↓ 画像(x,y)を、ある量σだけ 平滑化した(x,y,σ)を考える
「平滑化」とは、いわゆる “ぼかした”画像にすること スケールσ
7.
「平滑化」ってどーやるの? ↓ 平滑化の方法自体はいろいろあるけど、SIFTでは 「ガウシアンフィルタ」を使用する ・フィルタの式 𝑓𝑓 𝑥𝑥,
𝑦𝑦 = 1 2𝜋𝜋𝜎𝜎2 exp(− 𝑥𝑥2+𝑦𝑦2 2𝜎𝜎2 ) (3次元目のパラメータがσとなる)
8.
基本的な考え方 注目画素の周辺要素の画素に、適当な倍率を掛け た値の合計を、フィルタ適用後の値とする (例) (2,2)座標の4で フィルタ計算する時。 6×(-1)+1×(-1)+6×(-1) +5×(-1)+4×( 8)+3×(-1) +2×(-1)+2×(-1)+1×(-1) =6
9.
ガウシアンフィルタでは、注目要素周りの倍率を 以下の式によって決定する。 ((x,y)は注目画素からの距離) ◦ 𝑓𝑓
𝑥𝑥, 𝑦𝑦 = 1 2𝜋𝜋𝜎𝜎2 exp(− 𝑥𝑥2+𝑦𝑦2 2𝜎𝜎2 ) ◦ 普通は適用に離散化して使うらしい ⇒ ◦ フィルタイメージ これが各要素毎に適用される σ大 σ小
10.
ガウス窓と計算量 ◦ ガウシアンフィルタは真上から見ると、実質的な適用範 囲は円形になり、それをガウス窓と言ったりする ◦
σが大きくなると、ガウス窓が大きくなり、適用範囲も 大きくなり、計算量も大きくなる SIFTではこれを回避する ための工夫がされてますが 割愛します・・・ スケールσ
11.
特徴点の(候補点)探索 ↓ スケール方向の差分画像(DoG画像)において、 極値をとる点を特徴点とする (DoG:Difference-of-Gaussian) DoG画像
12.
DoG画像における極値の検出 DoG画像 ある点(図中のX)において、 スケールを含めた近傍26点 のいずれよりも大きい(or 小さい) ↓ Xを特徴点(の候補)とする
13.
なぜ、前述の方法で、「特徴点」が探せるのか ↓ 「特徴点として適した点では、スケールスペースに おいてDoGフィルタの結果が極値を持つ」から・・・ よくわからないけど 差分が極値(最大or最小)となる ⇒変化量が大きい ⇒情報量が多い ってことみたい
14.
なぜ、拡大・縮小に強いのか ↓ 同じ画像であれば、拡大・縮小しても、 同じ点でDog画像が極値を持つから・・・ なお、そのときのσは、拡大率・縮小率に比例する
15.
この点が極値を示した とき、 DoG画像 2倍した画像でもこの点が極値 を示す. また、その時のガウス窓のサ イズ(σ)も2倍となる :ガウス窓 2倍に拡大
16.
サブピクセル位置推定 特徴点をピクセル単位(整数単位)じゃなくて、 もっと細かく出す(補正する) ダメな候補点を除外 ダメな候補点たち ◦
エッジ上の点 ◦ 極値をとりはしたものの、値自体が小さい点
17.
サブピクセル位置推定 ◦ 候補点の周りでDoG関数をテイラー展開 ◦
出てきた関数の導関数=0となる点を求めて、それを特 徴点とする ◎要するに、DoG画像の出力値は、(x,y,σ)を変数とする 関数なので、それを特徴点周りで近似してやり、 その近似式の導関数とかを使って、極値をとる点を算出し 直すってことだと思う
18.
エッジ上の点を除外 ◦ ヘッセ行列とハリスのコーナー検出の原理を用いて、 エッジ上の点を除外
詳細は割愛・・・ DoG出力値が小さいものを除外 ◦ 閾値以下だったら除外 ◦ 閾値は、0.03が良いらしい(値は0~1に正規化済み)
19.
特徴点の周りで輝度勾配ヒストグラムを作成 方向・強度の計算はHOG特徴量と(ほぼ)同じ
方向は36方向 ◎ポイント 強度は、特徴点のスケールの ガウシアンフィルタで重み付け ↓ ・このスケールのみ強調されるので スケール変化に強くなる ・特徴点に近いほど強調される
20.
求めたヒストグラムにて、強度が最大値の80%を 超える方向を、この特徴点の方向と定める (複数出てくるときもある)
21.
特徴点の方向を基準の方向として、再度 輝度勾 配ヒストグラムを作成する(回転に強い)
このとき、対象領域をHOGで言うところの4×4ブ ロックに分割し、各ブロックごとにヒストグラム を作成する 方向は8方向(45度ずつ)とする 4×4×8=128次元の特徴量となる あと、正規化もする(照明変化に強い)
22.
⇒ 基準方向に 回転 ⇒ ブロック毎に勾 配(8方向)・ 強度を算出 ⇒ ⇒ ヒストグラ ム作成 (4×4×8 =128次元)
23.
各画像で抽出した特徴点同士で、総当たり比較う 比較方法はユークリッド距離を使う
dが最も小さい点同士を対応点とする 場合によっては制約をつけたりもする ◦ (例)最小のdと2番目に小さいdを比較して、2倍以上差 がないとダメ
24.
あらかじめ特徴点を抽出しておいたテンプレート 画像を用意 対象画像とテンプレート画像で対応点探索
対応点の位置・スケール・方向を比較して、最も 近いテンプレート画像を決定する
25.
位置情報は無視して、画像を特徴量の集合とみな し、Bag-of-Keypointsを使って分類する Bag-of-KeypointsはBag-of-Wordsの画像版
特徴量の頻度で画像を分類する
26.
色情報使ってない SURFはSIFTの特徴点検出処理を軽量化したものら しい(その分精度は落ちる)
SURFはOpenCVにあるらしい
27.
http://www.hci.iis.u-tokyo.ac.jp/~ysato/class14/supplements/sift_tutorial- Fujiyoshi.pdf http://www.isl.titech.ac.jp/~nagahashilab/member/longb/iip/LectureNotes/sif t_image.pdf
http://www.kki.yamanashi.ac.jp/~ohbuchi/courses/2013/sm2013/pdf/sm13_lect03 _20131028all.pdf http://d.hatena.ne.jp/colorcle/20091021/1256138848 http://www.ic.is.tohoku.ac.jp/~swk/lecture/ic2009/kagami_ic20090630.pdf
28.
以下に、デモようのツール(siftDemoV4)が置い てあったので触ってみた ◦ http://www.cs.ubc.ca/~lowe/keypoints/
使い方 ◦ コマンドプロンプトから実行 入力画像の特徴点をテキストにはく siftWin32.exe <source.pgm >resultkey.txt 入力画像に特徴点を追記した画像を作成する siftWin32.exe -display <source.pgm >result.pgm ※画像形式は.pgm限定
29.
DoG画像のヘッセ行列 H = Dxx
Dxy Dxy Dyy を考えた時、その固有値は主曲率に比例する 主曲率:曲面上のある点における最大曲率と最小 曲率(厳密には違うけど雰囲気的にはそんな感じ・・・ 二つの主曲率の差が大きい⇒ある方向の変化は大 きいけど、別の方向の変化は小さい⇒エッジの可 能性が高い Hの固有値の大小=主曲率の大小から、コーナー (エッジじゃない部分)を検出する
30.
車 顔猫 ↓SIFT特徴量抽出 一つ一つが 128次元のベクトル ⇒⇒⇒ クラスタリング ↓代表ベクトル作成 車 顔猫 各代表ベクトルに最 も近い特徴量の出現 頻度から、それぞれ の画像を表すヒスト グラムを作成
31.
分類したい画像のSIFT特徴量を抽出 ↓ 前述の方法で、各代表ベクトルのヒストグラムを 作成 ↓
学習画像のどのヒストグラムに近いかを判定
Download now