Interest Point Detectors The most w

Interest Point Detectors The most widely used detector probably is the Harris corner detector [10], proposed back in 1988, based on the eigenvalues of the second-moment matrix. However, Harris corners are not scale-invariant. Lindeberg introduced the concept of automatic scale selection [1]. This allows to detect interest points in an image, each with their own characteristic scale. He experimented with both the determinant of the Hessian matrix as well as the Laplacian (which corresponds to the trace of the Hessian matrix) to detect bloblike structures. Mikolajczyk and Schmid refined this method, creating robust and scale-invariant feature detectors with high repeatability, which they coined Harris-Laplace and Hessian-Laplace [11]. They used a (scale-adapted) Harris measure or the determinant of the Hessian matrix to select the location, and the Laplacian to select the scale. Focusing on speed, Lowe [12] approximated the Laplacian of Gaussian (LoG) by a Difference of Gaussians (DoG) filter. Several other scale-invariantinterest point detectors have been proposed. Examples are the salient region detector proposed by Kadir and Brady [13], which maximises the entropy within the region,and the edge-based region detector proposed by Jurie et al. [14]. They seem less amenable to acceleration though. Also, several affine-invariant feature detectors have been proposed that can cope with longer viewpoint changes. However, these fall outside the scope of this paper. By studying the existing detectors and from published comparisons [15,8], we can conclude that (1) Hessian-based detectors are more stable and repeatable than their Harris-based counterparts. Using the determinant of the Hessian matrix rather than its trace (the Laplacian) seems advantageous, as it fires less on elongated, ill-localised structures. Also, (2) approximations like the DoG can bring speed at a low cost in terms of lost accuracy.

Kết quả (Việt) 1:

Thiết bị dò điểm quan tâm đến các máy dò được sử dụng rộng rãi nhất có lẽ là các góc Harris detector [10], đề xuất trở lại vào năm 1988, dựa trên các tuyến của ma trận thứ hai-thời điểm. Tuy nhiên, Harris góc không phải là bất biến quy mô. Lindeberg giới thiệu khái niệm về quy mô tự động lựa chọn [1]. Điều này cho phép để phát hiện các điểm quan tâm trong một hình ảnh, mỗi với quy mô đặc trưng riêng của họ. Ông thí nghiệm với cả hai định thức của ma trận Hesse, Laplace (mà tương ứng với dấu vết của ma trận Hesse) để phát hiện các bloblike cấu trúc. Mikolajczyk và Schmid refined phương pháp này, việc tạo ra tính năng mạnh mẽ và quy mô bất biến dò với cao độ, mà họ đặt ra Harris-Laplace và Hessian-Laplace [11]. Họ sử dụng một biện pháp Harris (chuyển thể quy mô) hoặc định thức của ma trận Hesse để chọn vị trí, và Laplace để chọn quy mô. Tập trung vào tốc độ, Lowe [12] xấp xỉ Laplace Gaussian (đăng nhập) bởi một filter Difference Gaussians (con chó). Một số khác phát hiện điểm quy mô-invariantinterest đã được đề xuất. Ví dụ là các máy dò nổi bật khu vực được đề xuất bởi Kadir và Brady [13], maximises dữ liệu ngẫu nhiên trong khu vực, và phát hiện cạnh dựa trên vùng được đề xuất bởi Jurie et al. [14]. Họ có vẻ ít amenable để tăng tốc mặc dù. Ngoài ra, một số bất biến affine tính năng phát hiện đã được đề xuất rằng có thể đối phó với thay đổi quan điểm lâu hơn. Tuy nhiên, những nằm ngoài phạm vi của bài báo này. Bằng cách nghiên cứu các thiết bị dò hiện tại và từ xuất bản so sánh [15,8], chúng tôi có thể kết luận rằng (1) dựa trên Hessian dò ổn định hơn và lặp lại hơn đối tác của họ dựa trên Harris. Bằng cách sử dụng định thức của ma trận Hesse chứ không phải là dấu vết của nó (Laplace) có vẻ thuận lợi, vì nó fires ít hơn trên thuôn dài, ill-cÎc cấu trúc. Ngoài ra, xấp xỉ (2) như con chó có thể mang lại tốc độ một chi phí thấp trong điều khoản của tính chính xác bị mất.

Kết quả (Việt) 2:

Detectors Point lãi dò được sử dụng rộng rãi nhất có lẽ là các góc máy dò Harris [10], đề xuất trở lại vào năm 1988, dựa trên các giá trị riêng của ma trận thứ hai thời điểm. Tuy nhiên, góc Harris không quy mô bất biến. Lindeberg giới thiệu các khái niệm về lựa chọn quy mô tự động [1]. Điều này cho phép phát hiện các điểm quan tâm trong một hình ảnh, đều có quy mô đặc trưng của riêng mình. Ông đã thử nghiệm với cả hai định thức của ma trận Hessian cũng như các Laplacian (tương ứng với các dấu vết của ma trận Hessian) để phát hiện các cấu trúc bloblike. Mikolajczyk và Schmid lại fi ned phương pháp này, việc tạo ra máy phát hiện tính năng mạnh mẽ và quy mô bất biến với độ lặp lại cao, mà họ đặt ra Harris-Laplace và Hessian-Laplace [11]. Họ đã sử dụng một (quy mô thích nghi) Harris biện pháp hoặc các yếu tố quyết định của ma trận Hessian để chọn vị trí, và các Laplacian để chọn quy mô. Tập trung vào tốc độ, Lowe [12] xấp xỉ Laplacian của Gaussian (log) của một ff Di erence Gaussian (DoG) fi lter. Một số phát hiện điểm mô-invariantinterest khác đã được đề xuất. Ví dụ như các máy dò khu vực nổi bật của Kadir và Brady [13], trong đó tối đa hóa entropy trong khu vực đề xuất, và các khu vực phát hiện cạnh dựa trên bằng Jurie et al. [14]. Họ dường như ít tuân theo để tăng tốc mặc dù. Ngoài ra, một số tính năng dò một ffi ne-bất biến đã được đề xuất có thể đối phó với những thay đổi quan điểm lâu hơn. Tuy nhiên, những nằm ngoài phạm vi của bài viết này. Bằng cách nghiên cứu các máy dò hiện tại và từ so sánh được công bố [15,8], chúng ta có thể kết luận rằng (1) dò Hessian dựa trên là ổn định hơn và lặp lại so với các đối tác Harris của họ dựa trên. Sử dụng định thức của ma trận Hessian hơn là dấu vết của nó (Laplacian) có vẻ thuận lợi, vì nó fi res ít trên kéo dài, cơ cấu bệnh khu trú. Ngoài ra, (2) xấp xỉ như DoG có thể mang lại tốc độ tại một chi phí thấp về độ chính xác mất.