A wide variety of detectors and des

A wide variety of detectors and descriptorshave alreadybeen proposedin the literature (e.g. [1–6]). Also, detailed comparisons and evaluations on benchmarking datasets have been performed [7–9]. While constructing our fast detector and descriptor, we built on the insights gained from this previous workin order to get a feel for what are the aspects contributing to performance. In our experiments on benchmark image sets as well as on a real object recognition application, the resulting detector and descriptor are not only faster, but also more distinctive and equally repeatable. When working with local features, a first issue that needs to be settled is the required level of invariance. Clearly, this depends on the expected geometric and photometric deformations, which in turn are determined by the possible changes in viewing conditions. Here, we focus on scale and image rotation invariant detectors and descriptors. These seem to offer a good compromise between feature complexity and robustness to commonly occurring deformations. Skew, anisotropic scaling, and perspective effects are assumed to be second-order effects, that are covered to some degree by the overall robustness of the descriptor. As also claimed by Lowe [2], the additional complexity of full affine-invariantfeatures often has a negative impact on their robustness and does not pay off, unless really large viewpoint changes are to be expected. In some cases, even rotation invariance can be left out, resulting in a scale-invariant only version of our descriptor, which we refer to as ’upright SURF’ (U-SURF). Indeed, in quite a few applications, like mobile robot navigation or visual tourist guiding, the camera often only rotates about the vertical axis. The benefit of avoiding the overkill of rotation invariance in such cases is not only increased speed, but also increased discriminative power. Concerning the photometric deformations, we assume a simple linear model with a scale factor and offset. Notice that our detector and descriptor don’t use colour. The paper is organised as follows. Section 2 describes related work, on which our results are founded. Section 3 describes the interest point detection scheme. In section 4, the new descriptor is presented. Finally, section 5 shows the experimental results and section 6 concludes the paper.

Kết quả (Việt) 1:

Một loạt các thiết bị dò và descriptorshave alreadybeen proposedin các tài liệu (ví dụ như [1-6]). Ngoài ra, chi tiết so sánh và đánh giá vào điểm chuẩn datasets đã được thực hiện [7-9]. Trong khi xây dựng nhanh chóng phát hiện và mô tả của chúng tôi, chúng tôi xây dựng trên những hiểu biết thu được từ workin bộ này trước để có được một cảm giác cho những gì các khía cạnh góp phần vào hiệu suất. Trong các thí nghiệm của chúng tôi trên điểm chuẩn hình ảnh bộ cũng như trên một ứng dụng nhận dạng đối tượng thực sự, kết quả phát hiện và mô tả là không chỉ nhanh hơn, nhưng cũng nhiều hơn đặc biệt và lặp lại như nhau. Khi làm việc với các tính năng địa phương, một vấn đề chính mà cần phải được giải quyết là mức yêu cầu của định. Rõ ràng, điều này phụ thuộc vào các dự kiến sẽ hình học và thể biến dạng, mà lần lượt được xác định bởi những thay đổi có thể xem điều kiện. Ở đây, chúng tôi tập trung vào quy mô và hình ảnh quay bất biến dò và mô tả. Đây dường như offer một thỏa hiệp tốt giữa tính năng phức tạp và mạnh mẽ để thường xảy ra biến dạng. Skew, đẳng hướng mở rộng quy mô, và quan điểm effects được giả định là hiệu ứng thứ hai để, được đề cập đến mức độ một số bởi tổng thể mạnh mẽ của mô tả. Như cũng tuyên bố bởi Lowe [2], sự phức tạp thêm của đầy đủ affine-invariantfeatures thường có một tác động tiêu cực trên của họ mạnh mẽ và không trả tiền off, trừ khi những thay đổi quan điểm thực sự lớn đang được dự kiến. Trong một số trường hợp, thậm chí quay định có thể được trái ra ngoài, kết quả là một phiên bản duy nhất bất biến quy mô của mô tả của chúng tôi, mà chúng tôi đề cập đến như là 'thẳng đứng SURF' (U-SURF). Thật vậy, trong khá một vài ứng dụng, như robot điện thoại di động chuyển hướng hoặc hình ảnh du lịch hướng dẫn, máy ảnh thường chỉ quay về trục dọc. Chứa tránh quá mức cần thiết của xoay định trong trường hợp này là không chỉ tăng tốc độ, nhưng cũng discriminative suất. Liên quan đến các biến thể, chúng tôi giả định một mô hình tuyến tính đơn giản với một yếu tố quy mô và offset. Thông báo rằng chúng tôi phát hiện và mô tả không sử dụng màu sắc. Giấy tổ chức như sau. Phần 2 mô tả công việc liên quan, mà kết quả của chúng tôi được thành lập. Phần 3 mô tả lược đồ phát hiện điểm quan tâm. Trong phần 4, mô tả mới được trình bày. Cuối cùng, phần 5 cho thấy các kết quả thử nghiệm và phần 6 kết luận giấy.

Kết quả (Việt) 2:

Một loạt các máy dò và descriptorshave alreadybeen proposedin văn học (ví dụ [1-6]). Ngoài ra, so sánh chi tiết và đánh giá về các bộ dữ liệu điểm chuẩn đã được thực hiện [7-9]. Trong khi xây dựng máy dò nhanh của chúng tôi và mô tả, chúng tôi xây dựng trên những hiểu biết có được từ lệnh này workin trước để có được một cảm giác về sự góp mặt để thực hiện được những gì. Trong thí nghiệm của chúng tôi về bộ ảnh chuẩn cũng như trên một ứng dụng nhận dạng đối tượng thực sự, các máy dò kết quả và mô tả không chỉ nhanh hơn, mà còn đặc biệt hơn và đều lặp lại. Khi làm việc với các tính năng địa phương, một vấn đề đầu tiên fi mà cần phải được giải quyết là mức độ yêu cầu của bất biến. Rõ ràng, điều này phụ thuộc vào sự biến dạng hình học và trắc quang dự kiến, mà lần lượt được xác định bởi những thay đổi có thể trong điều kiện xem. Ở đây, chúng tôi tập trung vào quy mô và hình ảnh xoay dò bất biến và mô tả. Đây dường như o ff er một sự thỏa hiệp tốt giữa tính năng phức tạp và mạnh mẽ để thường xảy ra biến dạng. Skew, đẳng hướng mở rộng quy mô, và quan điểm e các dự ff được giả định là hiệu ứng bậc hai, được bao phủ một mức độ nào bởi sự vững mạnh tổng thể của các mô tả. Như cũng tuyên bố chủ Lowe [2], sự phức tạp thêm đầy đủ một ffi ne-invariantfeatures thường có một tác động tiêu cực đến tính bền vững của họ và không trả o ff, trừ khi thay đổi quan điểm thực sự lớn là để được mong đợi. Trong một số trường hợp, thậm chí bất biến quay có thể được bỏ qua, kết quả là chỉ một phiên bản mô-bất biến của mô tả của chúng tôi, mà chúng tôi gọi là 'SURF thẳng đứng "(U-SURF). Thật vậy, trong một vài ứng dụng, như định hướng robot di động hoặc hướng dẫn du lịch trực quan, các camera thường chỉ quay quanh trục thẳng đứng. Các lợi ích fi t tránh quá mức cần thiết của vòng quay bất biến trong trường hợp này là không chỉ tăng tốc độ, mà còn làm tăng sức mạnh phân biệt. Liên quan đến các biến dạng trắc quang, chúng tôi giả định một mô hình tuyến tính đơn giản với một yếu tố quy mô và o ff bộ. Chú ý rằng phát hiện và mô tả của chúng tôi không sử dụng màu sắc. Loại giấy này được tổ chức như sau. Phần 2 mô tả công việc liên quan, mà kết quả của chúng tôi được thành lập. Phần 3 mô tả các chương trình phát hiện điểm quan tâm. Trong phần 4, những mô tả mới được trình bày. Cuối cùng, phần 5 cho thấy các kết quả thí nghiệm và phần 6 kết thúc giấy.