[OpenCV] Feature Extraction, Descriptor

특징 검출기 및 디스크립터

• 특징 검출기
  • 영상에서 관심 있는 특징점(keypoint) 검출
  • 에지, 코너, 영역 등
  • keyPoint 클래스 객체의 리스트로 반환
• 디스크립터
  • 검출된 특징점 주위의 밝기, 색상, 그래디언트 방향 등 매

MSER(Maximally Stable Extremal Regions)

• 그레이스케일 영상 혹은 컬러 영상에서 주변에 비해 밝거나 어두운 영역 중 임계값을 변화시키며 변화율이 작은 영역 검출
• 주로 connected componenet로 연결되어 있는 BLOB(Binary Large Object)detection에 사용
•  delta로 임계값 지정
  • delta가 클수록 검출되는 영역은 감소

SimpleBlob

GFTTDetector

• goodFeaturesToTrack 함수를 내부적으로 사용하여 특징 검출
• Harris나 MinEigenVal을 이용하여 측정된 코너점의 최대값과 설정된 퀄리티값을 곱하여 이보다 작은 코너값은 모두 제거

ORB: Oriented BRIFF(Binary Robust Independent Elementary Features)

• FAST + BRIFF + Harris corner detector
• SIFT, SURF를 대체하기 위해 개발되었고 속도 빠름
• 회전 불변성
• 특징점 검출
  • 피라미드 FAST 혹은 Harris 응답 사용하여 특징 선택
  • 1차 모멘트 이용 방향 검색
• 디스크립터 계산
  • BRIFF 사용
    • 특징점에 대한 디스크립터로 특징점 검출 방법은 제공하지 않음
    • Fast처럼 어두운 픽셀, 밝은 픽셀, 유사한 픽셀로 분류

BRIEF

• 특징점 주변의 픽셀쌍을 미리 정하고 해당 픽셀 값 크기를 비교하여 0 혹은 1로 특징을 기술

KAZE, AKAZE

• 기존의 스케일 공간 특징점 검출 방법의 한계
  • 가우시안 피라미드도 인한 특징점 약화
  • 비선형 확산 필터링 사용
• 물체 경계 유지
• 특징점 검출 정확도 높임
• 속도는 SIFT와 비슷하고 SURF보다 느림
• AKAZE는 FED로 비선형 공간에서 피라미드 구축 시 속도 개선
• 디스크립터: 64비트 정규화 벡터

SIFT

• Harris corner detection의 한계
  • 코너는 회전 불변의 특징점
  • 스케일 변환에 대응을 못함
    • 크기가 다른 두 객체 영상에서 코너 점을 이용하여 서로 같은 위치를 찾는 것은 한계가 있음
• 크기 불변 특징 변환 등장
  • Scale Invariant Feature Transform
  • 2004년 캐나다 브리티시 컬럼비아 대학교 Lowe교수 발표
• 가우시안 피라미드와 DoG 구성
  • 블러링된 영상으로 스케일 스페이스 구성 -Octave
  • 영상 크기에 따라 여러 옥타브 구성
• DoG(Difference of Gaussian)
  • 인접한 가우시안 블러링의 차영상 이용
  • SIFT는 DoG영상을 고려한 지역 극값 위치 특징점 사용
  • 엣지 성분이 강하거나 명암비가 낮은 지점은 특징점에서 제외
• 특징점 검출
  • DoG에 모든 점에 대한 극점 검사
    • 26개 이웃 대비 가장 크거나 작으면 keypoint
    • 통과한 점은 후보 특징점이 됨
  • 극점 제거
    • 낮은 대비 극점 제거
    • 엣지에 놓인 극점 제거
  • 방향 결정
    • 특징점에 대해 가장 강한 방향 결정
    • 특징점은 위치, 스케일, 방향을 고려하여 결정됨
• 디스크립터 계산
  • 그래디언트 히스토그램
    • 특징점 주위 16 X 16 윈도우 설정 후 4 X 4 윈도우로 재구성
    • 16개의 작은 윈도우 x 8개 bin 값 = 특징점 당 128개의 feature vector 생성

SURF

• Speed-Up Robust Feature
• SIFT 알고리즘보다 속도 향상, 강인한 특징 추출
• 박스 필터와 적분 영상 사용
• 특징점 검출
  • Fast Hessian detector 사용