×

兹马思-数学第一资源

尺度空间中影响关键点稳定性的因素分析。(英语) Zbl公司 1386.68182
最流行的图像匹配算法SIFT,由D。十年前,Lowe已经被证明具有足够的尺度不变性,可以用于许多应用。然而,在实践中,尺度不变性可能被SIFT实现固有的各种误差源削弱,这些误差源影响关键点检测的稳定性和准确性。高斯尺度空间的采样密度和输入图像中的模糊程度就是其中的两个来源。本文对它们对提取的关键点稳定性的影响进行了数值分析。这种分析对于如何比较特征检测器和如何改进SIFT都具有方法论和实际意义。我们表明,即使在显著的过采样尺度下,空间数值误差也无法达到完美的稳定性。过滤不稳定检测的常用策略(例如,对比度差的极值)被证明是低效的。我们还证明了假设中的误差对初始模糊是不对称的,并且在存在混叠或没有对相机模糊进行正确假设的情况下,该方法会严重退化。这一分析提出了一系列切实可行的建议。
理学硕士:
68T45型 机器视觉与场景理解
68U10 图像处理的计算方法
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] Agrawal,M.,Konolige,K.,Blas,M.:责难:用于实时特征检测和匹配的中心环绕极值。第115-102页。斯普林格,海德堡(2008)
[2] Ancuti,C.,Bekaert,P.:SIFT-CCH:通过颜色共现直方图增加SIFT的清晰度。输入:ISPA。第五届IEEE国际研讨会,第130-135页(2007年)·Zbl公司 1002.68177
[3] Bay,H.,Tuytelaars,T.,van Gool,L.:冲浪:加速健壮特性。输入:ECCV(2006)
[4] 棕色,M;Lowe,D.使用不变特征自动拼接全景图像,IJCV,74,59-73,(2007)
[5] Brown,M.,Szeliski,R.,Winder,S.:使用多尺度定向面片的多图像匹配。输入:CVPR(2005)
[6] Calonder,M.,Lepetit,V.,Strecha,C.,Fua,P.:简介:二进制鲁棒独立基本特征。输入:ECCV。第778-792页。斯普林格,海德堡(2010)·Zbl公司 1246.68253
[7] 陈杰;掸,S;他,C;赵,G;皮蒂凯宁,M;陈,X;Gao,W,WLD:鲁棒局部图像描述符,PAMI,321705-1720,(2010)
[8] Cordes,K.,Muller,O.,Rosenhahn,B.,Ostermann,J.:半SIFT:用于SIFT的高精度本地化特征。在:CVPR研讨会。第31-38页(2009年)
[9] 德尔布拉西奥,M.,马斯é, P、 ,Almansa,A.:非参数亚像素局部点扩展函数估计。国际石油公司(2012)·Zbl公司 1235.68255
[10] 迪克谢德,T;辛德勒,F;Förstner,W,《用局部特征编码图像》,IJCV,94154-174,(2011)·Zbl公司 1235.68310
[11] Florack,L.,《尺度空间滤波的空间频率权衡尺度》,IEEE Trans。肛门模式。机器。国际,22,1050-1055,(2000年)
[12] Förstner,W.,Dickscheid,T.,Schindler,F.:检测可解释和精确的尺度不变关键点。输入:ICCV(2009)
[13] Grabbner,M.,Grabbner,H.,Bischof,H.:快速近似筛选。In:ACCV,第918-927页。斯普林格,海德堡(2006)
[14] Ke,Y.,Sukthankar,R.:PCA-SIFT:一种更独特的局部图像描述符表示。在:CVPR(2004)
[15] Leutenegger,S.,Chli,M.,Siegwart,R.:BRISK:二进制鲁棒不变可伸缩关键点。入:ICCV(2011)
[16] 林德伯格:计算机视觉中的尺度空间理论。斯普林格,纽约(1993)·Zbl公司 812.68040
[17] Liu,C.,Yuen,J.,Torralba,A.,Sivic,J.,Freeman,W.:筛选流:不同场景之间的密集对应。In:ECCV,第28-42页。斯普林格,海德堡(2008)
[18] Loncomilla,P.,Ruiz del Solar,J.:改进基于sift的机器人应用对象识别。在:图像分析和处理ICIAP 2005,第3617卷,第1084-1092页。斯普林格,柏林(2005年)。http://dx.doi.org/10.1007/11553595 U 133
[19] Lowe,D.:基于局部尺度不变特征的物体识别。输入:ICCV(1999)
[20] Lowe,D.,《尺度不变关键点的独特图像特征》,IJCV,6091-110,(2004)
[21] 梅纳利,P;Lafruit,克;杨Q;吉伦,B;古尔,我;劳韦雷因斯,R,SIFER:具有容错能力的尺度不变特征检测器,IJCV,104172-197,(2013)·Zbl公司 1286.68476
[22] Mikolajczyk,K;施密德,C,局部描述符的性能评价,帕米,271615-1630,(2005)
[23] Mikolajczyk,K;Tuytelaars,T;施密德,C;齐瑟曼,A;马塔斯,J;沙夫利茨基,F;卡迪尔,T;比较65号、65号和65号区域探测器
[24] 莫雷尔,吉咪;余,G,SIFT尺度不变吗?,逆问题。影像学,5115-136,(2011年)·Zbl公司 1217.68195
[25] 莫雷诺,P;贝纳迪诺,A;Santos Victor,J,用平滑导数滤波器改进SIFT描述符,模式识别。Lett.,30,18-26,(2009年)
[26] Pele,O.,Werman,M.:用于改进SIFT匹配的线性时间直方图度量。输入:ECCV。第495-508页。斯普林格,海德堡(2008)·Zbl公司 1286.68476
[27] 拉宾,J;德隆,J;郭绍,Y,局部特征匹配的统计方法,暹罗J。影像科学,2931-958,(2009)·Zbl公司 1175.62069
[28] 雷伊·奥特罗,我;Delbracio,M,SIFT法解剖学,图像处理。线路,4370-396,(2014年)
[29] 雷伊·奥特罗,我;Delbracio,M,计算精确高斯尺度空间,图像处理。第6、8-26行(2016年)
[30] Rey Otero,I.,Morel,J.M.,Delbracio,M.:SIFT中尺度空间抽样分析。图像处理(ICIP),2014 IEEE国际会议。第4847-4851页(2014年)
[31] Riggi,F.,Toews,M.,Arbel,T.:通过不变参数的尖端转移进行基本矩阵估计。输入:ICPR(2006)
[32] Rublee,E.,Rabaud,V.,Konolige,K.,Bradski,G.:ORB:过滤或冲浪的有效替代品。入:ICCV(2011)
[33] Sadek,R.:关于时间一致性视频编辑和对象识别的一些问题。博士。Pompeu Fabra大学论文(2012)
[34] 萨迪克,R;康斯坦丁诺普洛斯,C;Meinhardt,E;芭蕾舞演员;Caselles,V.关于与SIFT相关的仿射不变描述符,暹罗,5652-687,(2012)·Zbl公司 1246.68253
[35] Strecha,C.,von Hansen,W.,Van Gool,L.,Fua,P.,Thoennessen,U.:关于高分辨率图像的摄像机校准和多视点立体定位的基准。输入:CVPR(2008)
[36] Tola,E.,Lepetit,V.,Fua,P.:密集匹配的快速局部描述符。输入:CVPR(2008)·Zbl公司 1286.68476
[37] 托拉,E;麻风,V;Fua,P,DAISY:应用于宽基线立体声的高效密集描述符,PAMI,32815-830,(2010)
[38] Tuytelaars,T;Mikolajczyk,K,局部不变特征检测器:一项调查,发现。趋势计算。图表。第3177-280页,(2008年)
[39] 桑德,K;杰弗斯,T;Snoek,C,评估物体和场景识别的颜色描述符,PAMI,321582-1596,(2010)
[40] Vedaldi,A.,Fulkerson,B.:VLFeat:一个开放的可移植的计算机视觉算法库。第18届ACM多媒体国际会议论文集(2010)
[41] 韦克特,J;石川,S;线性尺度空间是日本J。数学。影像学,10237-252,(1999)·Zbl公司 1002.68177
[42] 温德,S.,布朗,M.:学习局部图像描述符。输入:CVPR(2007)
[43] 温德,S.,华,G.,布朗,M.:挑选最好的雏菊。输入:CVPR(2009)
[44] Zeisl,B.,Georgel,P.F.,Schweiger,F.,Steinbach,E.G.,Navab,N.,Munich,G.:尺度不变特征点的位置不确定性估计。输入:BMVC。第1-12页(2009年)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。