最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

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。点オブジェクトは、検出関数から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。

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
cornerPointsdetectFASTFeatures
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]
BRISKPointsdetectBRISKFeatures
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。

SURFPointsdetectSURFFeatures
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。

ORBPointsdetectORBFeatures
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。

KAZEPointsdetectKAZEFeatures
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
relativeCameraPose

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
estimateGeometricTransform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、validPointsOrientation 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.

関連するトピック