SIFT4 SIFT mind map 다시 정리하는 김에 마인드 맵도 작성해 보았다. 2012. 3. 21. 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 :.. 2012. 3. 21. SURF(Speeded-Up Robust Features) SURF란??? 말그대로 빠르게 강인한 특징점을 찾아보자!!! 이거 아입니까?? 이 논문에서는 SIFT외에도 다른 방법들과 비교를 했는데 최대한 SIFT못지 않게 성능을 유지하면서 계산속도를 향상 시키고자했다 그래서 중요한 속도향상을 위해 제안한 방법들을 요약해보면 1. Integral image를 이용. (4개의 point만 알면 그영역의 면적을 간단하게 바로 계산 가능) 2. 간편화한 Detector와 Descriptor활용 (차원수를 줄임) 3. Contrast를 이용한 간단한 매칭 이렇게 3가지를 들 수 있습니다. 그럼 이제부터 하나씩 파헤쳐 보겠습니다. 주요 속도 상승의 요인인 Integral image - 임의의 크기의 사각형을 일정시간 내에 계산 - I(x)공식을 보면 먼저 영상에 대해서 면.. 2010. 5. 19. SIFT(Scale Invariant Feature Transform) SIFT란??? 간단하게 소개하자면 크기와 회전에 불변하는 특징을 추출하는 것이다. 이 특징을 뽑아서 뭐하자고??? 물체인식이나 파노라마영상을 만드는 등의 작업을 할 때 특징을 찾을 필요가 있다. SIFT는 크기가 변하든 회전을 하든 상관이 없이 항상 그 위치에서 뽑히는 특징을 찾아내준다. SIFT가 나온 후에 많은 유사 논문들이 쏟아져 나왔지만 여전히 SIFT만큼 성능이 좋은 것은 없다고들 말한다. SIFT는 David Lowe's라는 사람이 2004년에 논문을 제출하면서 알려지게 되었다. 지금부터 어떻게 SIFT가 크기에 불변하고 회전에도 불변한 특징을 뽑아내는지 천천히 정리해보자. 1.Sacle-Space extrema detection Scale(크기)과 Orientation에 불변할 거라 추측되.. 2010. 2. 26. 이전 1 다음
