Feature

Feature에 대해서 간단하게라도 정리해보려고 적는다.

Invariant local feature
 - geometric invariance : translation, rotation, scale
 - photometric invariance : brightness, exposure

Advantage of local feature
 - Locality : feature가 local(뽑힌 위치에서 계속 뽑힘)하기 때문에 occlusion과 cluster에 강인함
 - Distinctiveness : 물체의 큰 Database에서 구별을 할 수 있다.
 - Quantity : 1장의 image에 100~ 1000개 이상의 feature가 있다.
 - Efficiency : real time
 - Generality : exploit different types of features in different situation

Feature points are used for:
 - Image alignment(e.g., mosaics)
 - 3D reconstruction
 - Motion tracking
 - Object recognition
 - Indexing and database retrieval

 - Robot navigation
 - ...other

일반적으로 Uniqueness feature(유일한)를 찾길 원한다.
그렇다면 어떤 feature가 가장 좋은 feature인가?
 - Corner가 좋은 feature이다.
 - Corner는 모든 방향으로 변화가 있다.

SSD를 이용해서 window의 변화를 측정 할 수 있다.

위의 식에서처럼 모든 방향으로 값이 커지는 위치가 Corner로 선택된다. Edge인 경우에는 어느 한 수직이나 수평 방향으로는 값의 변화가 크지만 나머지 방향으로는 변화가 크지 않다.

Feature detection summary
 - 영상내에서 각 point의 gradient를 계산
 - gradient의 entry들로부터 H matrix 계산
 - eigne value 계산
 - 응답 값이 가장큰 point를 찾는다. (람다 > threshold)
 - 선택한 point는 람다가 local maximum이다.

다음 식은 Harris corner detector이다.
간단하게 H matrix의 행렬값과 trace로 계산이 가능하다.

Invariance란?
 - 영상을 회전시켜도 여전히 같은 feature를 뽑을까?
 - 밝기를 바꾸면?
 - 크기를 바꾸면?
 - Invariance는 밝기, 크기, 회전 등의 변환에도 똑같은 위치에서 특징점이 뽑히는 것을 의미

Scale invariant detection
 - Key idea : f의 local maximum을 찾는 scale을 찾는다. f는 position과 scale에서 local maximum이다.
   f = 라플라시안

Feature descriptors
 - 어떻게 매칭을 할까?
   Simple method : point 주위에 window를 씌워서 매치
   최신 방법 : SIFT, SURF...등등
 - Harris : invariant to translation and rotation
 - SIFT : Scale invariant (best scale을 찾음)
 - MOPS : Scale invariant (Gaussian pyramid사용)

Rotation invariance for feature descriptors
 - 영상 패치의 주방향을 찾는다.
 - H의 eigne vector
 - 주방향으로 회전시킨다.