特徴点のタイプ

イメージの特徴検出は、イメージのレジストレーション、追跡およびオブジェクト検出といった多くのコンピュータービジョンタスクの基本ブロックとなります。Computer Vision Toolbox™ にはイメージの特徴を検出するさまざまな関数が含まれています。これらの関数は、(x,y) 座標 (Location プロパティ内) など、特定タイプの特徴に固有の情報を格納する点オブジェクトを返します。検出関数から得た点オブジェクトは、特徴点の入力を必要とする他の各種の関数に渡すことができます。検出関数で返す点オブジェクトのタイプは、その関数が使用するアルゴリズムによって決まります。詳細については、局所特徴の検出と抽出を参照してください。

点オブジェクトを返す関数

点オブジェクト	生成元	特徴のタイプ
`cornerPoints`	`detectFASTFeatures` Features from accelerated segment test (FAST) アルゴリズム近似メトリクスを使用してコーナーを判定。[1]	コーナーシングルスケール検出点の追跡、スケール変更がない、あるいはスケール変更の少ないイメージレジストレーション、路上や屋内シーンなど人工物のシーンのコーナー検出。
	`detectMinEigenFeatures` 最小固有値アルゴリズム最小固有値メトリクスを使用してコーナーの位置を判定。[4]
	`detectHarrisFeatures` Harris-Stephens アルゴリズム最小固有値アルゴリズムよりも効率的。[3]
`BRISKPoints`	`detectBRISKFeatures` Binary Robust Invariant Scalable Keypoints (BRISK) アルゴリズム [6]	コーナーマルチスケール検出点の追跡、イメージレジストレーション、スケールと回転による変化の処理、路上や屋内シーンなど人工物のシーンのコーナー検出。
`SIFTPoints`	`detectSIFTFeatures` Scale-invariant feature transform	ブロブマルチスケール検出オブジェクト検出およびスケールと回転による変化を伴うイメージレジストレーション。
`SURFPoints`	`detectSURFFeatures` Speeded-Up Robust Features (SURF) アルゴリズム [11]	ブロブマルチスケール検出オブジェクト検出およびスケールと回転による変化を伴うイメージレジストレーション。
`ORBPoints`	`detectORBFeatures` Oriented FAST and Rotated BRIEF (ORB) 法[13]	コーナーマルチスケール検出点の追跡、イメージレジストレーション、回転による変化の処理、路上や屋内シーンなど人工物のシーンのコーナー検出。
`KAZEPoints`	`detectKAZEFeatures` KAZE は頭辞語ではなく、風を意味する日本語 kaze から派生した名前です。大規模な非線形プロセスで規定される空気の流れを基準とします。[12]	マルチスケールブロブ特徴オブジェクト境界のブレ除去の削減
`MSERRegions`	`detectMSERFeatures` Maximally stable extremal regions (MSER) アルゴリズム[7][8][9][10]	強度が一様な領域マルチスケール検出レジストレーション、ベースラインの広いステレオキャリブレーション、テキスト検出、オブジェクト検出。スケールと回転の変化を処理。他の検出器よりもアフィン変換にロバスト。

点オブジェクトを受け入れる関数

関数説明

estrelpose

カメラの姿勢間の相対的な回転と並進を計算

estimateFundamentalMatrix ステレオイメージ内の対応する点から基礎行列を推定

estgeotform2d マッチする点のペアから幾何学変換を推定

estimateUncalibratedRectification キャリブレーションなしのステレオ平行化

extractFeatures 関心点記述子の抽出

Method 特徴ベクトル

BRISK 関数は validPoints 出力オブジェクトの Orientation プロパティを、抽出した特徴の向き (ラジアン単位) に設定します。

FREAK 関数は validPoints 出力オブジェクトの Orientation プロパティを、抽出した特徴の向き (ラジアン単位) に設定します。

SURF

関数は validPoints 出力オブジェクトの Orientation プロパティを、抽出した特徴の向き (ラジアン単位) に設定します。

SURF 法で MSERRegions オブジェクトを使用すると、オブジェクトの Centroid プロパティによって SURF 記述子が抽出されます。オブジェクトの Axes プロパティは、特徴を表す円の領域が MSER 楕円領域に比例するような SURF 記述子のスケールを選択します。このスケールは 1/4*sqrt((majorAxes/2).* (minorAxes/2)) で求められ、SURFPoints オブジェクトの要件として 1.6 に飽和されます。

KAZE

非線形のピラミッドベースの特徴。

関数は validPoints 出力オブジェクトの Orientation プロパティを、抽出した特徴の向き (ラジアン単位) に設定します。

KAZE 法で MSERRegions オブジェクトを使用すると、オブジェクトの Location プロパティを使用して KAZE 記述子を抽出します。

オブジェクトの Axes プロパティは、特徴を表す円の領域が MSER 楕円領域に比例するような KAZE 記述子のスケールを選択します。

ORB 関数は validPoints 出力オブジェクトの Orientation プロパティを、抽出した特徴の向きに設定しません。既定では、validPoints の Orientation プロパティは入力 ORBPoints オブジェクトの Orientation プロパティに設定されます。

Block

シンプルな正方形近傍。

Block 法は、イメージの境界内に完全に含まれる近傍のみを抽出します。したがって、出力 validPoints に含まれる点の数が入力 POINTS よりも少ない場合があります。

Auto

この関数は入力の点のクラスに基づいて Method を選択し、次を実装します。

cornerPoints 入力オブジェクトの場合は FREAK 法。

SURFPoints 入力オブジェクトまたは MSERRegions 入力オブジェクトの場合は SURF 法。

BRISKPoints 入力オブジェクトの場合は FREAK 法。

ORBPoints 入力オブジェクトの場合は ORB 法。

[x y] 座標の M 行 2 列の入力行列の場合、関数は Block 法を実装します。

extractHOGFeatures 勾配方向ヒストグラム (HOG) 特徴を抽出

insertMarker イメージまたはビデオにマーカーを挿入

showMatchedFeatures 対応する特徴点を表示

triangulate ステレオイメージでの歪み補正後のマッチする点の 3 次元位置

undistortPoints レンズ歪みの点座標の修正

参照

[1] Rosten, E., and T. Drummond, “Machine Learning for High-Speed Corner Detection.” 9th European Conference on Computer Vision. Vol. 1, 2006, pp. 430–443.

[2] Mikolajczyk, K., and C. Schmid. “A performance evaluation of local descriptors.” IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 27, Issue 10, 2005, pp. 1615–1630.

[3] Harris, C., and M. J. Stephens. “A Combined Corner and Edge Detector.” Proceedings of the 4th Alvey Vision Conference. August 1988, pp. 147–152.

[4] Shi, J., and C. Tomasi. “Good Features to Track.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. June 1994, pp. 593–600.

[5] Tuytelaars, T., and K. Mikolajczyk. “Local Invariant Feature Detectors: A Survey.” Foundations and Trends in Computer Graphics and Vision. Vol. 3, Issue 3, 2007, pp. 177–280.

[6] Leutenegger, S., M. Chli, and R. Siegwart. “BRISK: Binary Robust Invariant Scalable Keypoints.” Proceedings of the IEEE International Conference. ICCV, 2011.

[7] Nister, D., and H. Stewenius. "Linear Time Maximally Stable Extremal Regions." Lecture Notes in Computer Science. 10th European Conference on Computer Vision. Marseille, France: 2008, no. 5303, pp. 183–196.

[8] Matas, J., O. Chum, M. Urba, and T. Pajdla. "Robust wide-baseline stereo from maximally stable extremal regions." Proceedings of British Machine Vision Conference. 2002, pp. 384–396.

[9] Obdrzalek D., S. Basovnik, L. Mach, and A. Mikulik. "Detecting Scene Elements Using Maximally Stable Colour Regions." Communications in Computer and Information Science. La Ferte-Bernard, France: 2009, Vol. 82 CCIS (2010 12 01), pp 107–115.

[10] Mikolajczyk, K., T. Tuytelaars, C. Schmid, A. Zisserman, T. Kadir, and L. Van Gool. "A Comparison of Affine Region Detectors." International Journal of Computer Vision. Vol. 65, No. 1–2, November, 2005, pp. 43–72.

[11] Bay, H., A. Ess, T. Tuytelaars, and L. Van Gool. “SURF:Speeded Up Robust Features.” Computer Vision and Image Understanding (CVIU).Vol. 110, No. 3, 2008, pp. 346–359.

[12] Alcantarilla, P.F., A. Bartoli, and A.J. Davison. "KAZE Features", ECCV 2012, Part VI, LNCS 7577 pp. 214, 2012

[13] Rublee, E., V. Rabaud, K. Konolige and G. Bradski. "ORB: An efficient alternative to SIFT or SURF." In Proceedings of the 2011 International Conference on Computer Vision, 2564–2571. Barcelona, Spain, 2011.

[14] Rosten, E., and T. Drummond. "Fusing Points and Lines for High Performance Tracking," Proceedings of the IEEE International Conference on Computer Vision, Vol. 2 (October 2005): pp. 1508–1511.

[15] Lowe, David G.. "Distinctive Image Features from Scale-Invariant Keypoints." Int. J. Comput. Vision 60 , no. 2 (2004): 91–110.