Feature Descriptors An even larger

Feature Descriptors An even larger variety of feature descriptors has been proposed,likeGaussianderivatives[16],momentinvariants[17],complexfeatures[18, 19], steerable filters [20], phase-based local features [21], and descriptors representing the distribution of smaller-scale features within the interest point neighbourhood. The latter, introduced by Lowe [2], have been shown to outperform the others [7]. This can be explained by the fact that they capture a substantial amount of information about the spatial intensity patterns, while at the same time being robust to small deformations or localisation errors. The descriptor in [2], called SIFT for short, computes a histogram of local oriented gradients around the interest point and stores the bins in a 128-dimensional vector (8 orientation bins for each of the 4× 4 location bins). Various refinements on this basic scheme have been proposed. Ke and Sukthankar [4] applied PCA on the gradient image. This PCA-SIFT yields a 36dimensional descriptor which is fast for matching, but proved to be less distinctive than SIFT ina second comparative study by Mikolajczyket al. [8]andslower feature computation reduces the effect of fast matching. In the same paper [8], the authors have proposed a variant of SIFT, called GLOH, which proved to be even more distinctive with the same number of dimensions. However, GLOH is computationally more expensive. The SIFT descriptor still seems to be the most appealing descriptor for practical uses, and hence also the most widely used nowadays. It is distinctive and relatively fast, which is crucial for on-line applications. Recently, Se et al. [22] implemented SIFT on a Field Programmable Gate Array (FPGA) and improved its speed by an order of magnitude. However, the high dimensionality of the descriptor is a drawback of SIFT at the matching step. For on-line applications on a regular PC, each one of the three steps (detection, description, matching) should be faster still. Lowe proposed a best-bin-first alternative [2] in order to speed up the matching step, but this results in lower accuracy.
Our approach In this paper, we propose a novel detector-descriptor scheme, coined SURF (Speeded-Up Robust Features). The detector is based on the Hessian matrix [11,1], but uses a very basic approximation, just as DoG [2] is a very basic Laplacian-based detector. It relies on integral images to reduce the computation time and we therefore call it the ’Fast-Hessian’ detector. The descriptor, on the other hand, describes a distribution of Haar-wavelet responses within the interest point neighbourhood. Again, we exploit integral images for speed. Moreover,only 64 dimensions are used, reducing the time for feature computation and matching, and increasing simultaneously the robustness. We also present a new indexing step based on the sign of the Laplacian, which increases not only the matching speed, but also the robustness of the descriptor. In order to makethe paper more self-contained,we succinctly discuss the concept of integral images, as defined by [23]. They allow for the fast implementation of box type convolution filters. The entry of an integral imageIΣ(x) at a location x =(x, y) represents the sum of all pixels in the input image I of a rectangular region formed by the point x and the origin, IΣ(x)=i≤x i=0j≤y j=0 I(i, j). With IΣ calculated, it only takes four additions to calculate the sum of the intensities over any upright, rectangular area, independent of its size.

Kết quả (Việt) 2:

Tính năng mô tả Một loạt thậm chí lớn hơn của mô tả tính năng đã được đề xuất, likeGaussianderivatives [16], momentinvariants [17], complexfeatures [18, 19], lters fi steerable [20], các tính năng giai đoạn dựa trên địa phương [21], và mô tả đại diện phân phối các tính năng quy mô nhỏ trong khu phố điểm quan tâm. Sau này, được giới thiệu bởi Lowe [2], đã được chứng minh để làm tốt hơn những người khác [7]. Điều này có thể được giải thích bởi thực tế rằng họ nắm bắt một số lượng đáng kể các thông tin về mô hình cường độ không gian, trong khi tại cùng một thời điểm là mạnh mẽ để biến dạng nhỏ hoặc lỗi nội địa hóa. Bộ mô tả trong [2], được gọi là SIFT cho ngắn, tính toán một biểu đồ của gradient hướng địa phương xung quanh các điểm quan tâm và lưu trữ các thùng trong một vector 128 chiều (8 thùng định hướng cho mỗi 4 × 4 thùng vị trí). Nhiều nements fi lại trên lược đồ cơ bản đã được đề xuất. Ke và Sukthankar [4] áp dụng PCA vào hình ảnh gradient. Đây PCA-SIFT mang lại một mô tả 36dimensional mà là nhanh chóng cho phù hợp, nhưng đã chứng minh được ít đặc biệt, hơn SIFT ina nghiên cứu so sánh thứ hai bởi Mikolajczyket al. [8] andslower tính năng tính toán giảm e ff ect khớp nhanh chóng. Trong cùng một giấy [8], các tác giả đã đề xuất một biến thể của SIFT, gọi GLOH, mà thâm chí còn đặc biệt hơn với cùng một số phương diện. Tuy nhiên, GLOH là tính toán đắt tiền hơn. Bộ mô tả SIFT vẫn có vẻ là sự mô tả hấp dẫn nhất đối với sử dụng thực tế, và do đó cũng được sử dụng rộng rãi nhất hiện nay. Nó là đặc biệt và tương đối nhanh, mà là rất quan trọng cho các ứng dụng trên mạng. Gần đây, Se et al. [22] thực hiện SIFT trên một Array Dòng Programmable Gate (FPGA) và cải thiện tốc độ của nó bằng một thứ tự cường độ. Tuy nhiên, chiều cao của mô tả là một nhược điểm của Chọn lọc ở bước phù hợp. Đối với các ứng dụng trực tuyến trên một máy tính thường xuyên, mỗi một trong ba bước (phát hiện, mô tả, matching) nên còn nhanh hơn nữa. Lowe đề xuất một best-BIN fi đầu tiên thay thế [2] để tăng tốc độ các bước phù hợp, nhưng kết quả này trong độ chính xác thấp hơn.
Cách tiếp cận của chúng tôi Trong bài báo này, chúng tôi đề xuất một chương trình máy dò-mô tả tiểu thuyết, SURF đặt ra (đẩy-Up Robust Features). Các máy dò được dựa vào ma trận Hessian [11,1], nhưng sử dụng một xấp xỉ rất cơ bản, giống như DoG [2] là một máy dò Laplacian dựa trên rất cơ bản. Nó dựa trên hình ảnh không thể thiếu để làm giảm thời gian tính toán và do đó chúng ta gọi nó là phát hiện các 'Fast-Hessian'. Bộ mô tả, mặt khác, mô tả sự phân bố của các phản ứng Haar-wavelet trong khu phố điểm quan tâm. Một lần nữa, chúng ta khai thác những hình ảnh không thể thiếu cho tốc độ. Hơn nữa, chỉ có 64 kích thước được sử dụng, giảm thời gian cho tính năng tính toán và kết hợp, và tăng đồng thời sự vững mạnh. Chúng tôi cũng trình bày một bước lập chỉ mục mới dựa trên các dấu hiệu của Laplacian, làm tăng không chỉ có tốc độ phù hợp, nhưng cũng mạnh mẽ của các bộ mô tả. Để makethe nhiều giấy khép kín, chúng tôi ngắn gọn thảo luận khái niệm hình ảnh không thể thiếu, như de fi xác định bởi [23]. Chúng cho phép để thực hiện nhanh chóng các loại hộp lters chập fi. Sự tham gia của một imageIΣ tích phân (x) tại một vị trí x = (x, y) đại diện cho tổng của tất cả các điểm ảnh trong hình ảnh đầu vào I của một khu vực hình chữ nhật được hình thành bởi các điểm x và nguồn gốc, IΣ (x) =? I ≤xi = 0? j≤yj = 0 I (i, j). Với IΣ tính, nó chỉ mất bốn bổ sung để tính tổng các cường độ hơn bất cứ thẳng đứng, diện tích hình chữ nhật, độc lập với kích thước của nó.