Local features can be used in many vision applications such as image matching & indexing, object recognition, mobile robot localization, etc. Robustness and Invariance are the two most important characteristics of local features which influence entire feature performance for matching and recognition. Recently, Local scale & affine invariant features have gained popularity in the local feature research due to its ability to handle large image transformations.
Local feature detection is composed of interest point detection, invariant region extraction and region description. The first step extracts a set of characteristic points from an image. In the second step, invariant regions are extracted for these detected points. Finally, these invariant regions are characterized by descriptor vectors to provide invariance for matching.
In this research, we developed a novel robust local invariant feature detector for image matching and recognition. The proposed feature detector is based on the key idea of tracking and grouping scale space interest points to extract reliable scale invariant features. The algorithm significantly improved the repeatability rate over the existing feature detectors. In addition, based on the same tracking and grouping method, we further generalized the proposed scale invariant detector to the affine invariant one for handling large viewpoint changes.
Our proposed feature detectors have high repeatability and invariance to the various geometric and photometric transformations. The efficiency and usefulness of the proposed feature detection methods are confirmed by the excellent experimental results and performance evaluation. Finally, we applied the developed feature detectors to the object recognition framework. The results showed that our feature detectors can be robustly and efficiently used in the real-time object recognition system.
지역 불변 특징량 은 영상 정합, 물체인식, 이동로봇의 위치추정 등 많은 분야에 응용되고 있다. 강인성과 불변성은 지역 불변 특징량 의 두 개의 가장 중요한 특성으로서 정합과 인식에서 특징량 의 성능에 큰 영향을 준다. 최근에 스케일 및 어파인 불변 특징량 이 해당 연구분야에서 인기를 많이 끌었는데 그 원인은 이런 특징량 들이 영상의 큰 변화에 잘 적응될 수 있기 때문 이였다.
지역 특징량 추출과정은 특징점 추출, 불변영역 추출 및 영역 표현 등 세 단계로 나누어진다. 첫 단계에서는 영상에서 특징적인 점들을 추출하고 두 번째 단계에서는 이런 추출된 특징점 주변에서 불변영역을 찾는다. 마지막으로 이런 불변 영역이 포함하고 있는 영상조각에 대해서 표현을 하여 정합을 위한 수치적 량을 구한다.
본 연구에서는 정합과 인식을 위한 하나의 새로운 강인한 지역 불변 특징량 을 개발하였다. 제안한 특징량 추출기는 스케일 스페이스 특징점 추적과 그룹화의 아이디어에 근거하여 신뢰성 있는 특징량 들을 뽑는다. 결과, 이 알고리즘을 통하여 반복성과 인식률을 크게 제고하였다. 그리고 같은 기본 아이디어에 근거하여 제안된 스케일 불변 특징량 추출기를 어파인 불변 특징량 추출기로 확장하여 큰 시점변화를 처리할 수 있도록 하였다.
제안한 추출기 들은 각종 영상 변환에 대해 높은 반복성과 불변성을 보여주었다. 그리고 실험결과와 성능평가를 통하여 제안된 알고리즘의 유효성과 유용성을 확인하였다. 마지막으로 제안된 특징량 추출기를 물체인식에 적용하여 그 우수성을 증명하였다.
