台大sift 等特征匹配ppt讲解的scribe.pdf

Feature Matching 田知本。沈允中。徐士璿 Block matching Specify feature correspondence What is feature? 同樣一個物體在不同視角下得到兩張影像, 想要identify 在這兩張影像 中, 哪一個點, 是對應到物體上的同一個點 通常找有特徵的點, ex: 位在角落上的點 最簡單的方法: 用顏色來找, 但是會找到太多顏色一樣的點; 因為一個 點本身的information 太少, 會有很多ambiguous 的match, 所以單獨一 個點是不夠的 Block matching 在這個點周圍建立一個block(window), ex: 5x5, 假設說從這個視角到另 一個視角, 這個window 本身因為是local,很小,dense,沒什麼太大變化, 所以假設這個5x5 window 裡25 個點的顏色也不太會改變, 這樣子就會 有一個比較好的matching 效果 Ex: 紅色方塊, 在scanline上作search, 對每個不同的offset d形成一個方 塊, 然後拿來跟這個(紅色)方塊做比較算cost, cost最低就表示最接近(接 近: slides_8 - Sum of Squared Disteance(SSD) 把這兩個紅色方塊裡的pixel 值拿來兩兩相減後再平方再取和, 表示它 們的”相似程度”) 想要找feautre point, 可是feature point 太ambiguous, 所以要找一個 feature descriptor 來描述這個feature, 要夠distinctive. 所以把這點周圍 這個5x5 的block 當成一個25 維的descriptor, 再去找看哪一個25 維的 vector 跟這個vector 最接近(by SSD). 在這裡feature descriptor = 25–d vector Features 一個feature matching algorithm 被兩個component 所決定 1. Detector : 決定哪個點是feature(不容易產生false matching 的地方), 找出feature 在哪裡 2. 對這個feature 做描述, 有了描述之後, 才能對兩個feature 做比較 (ex: 25-d vector in block matching, 然後算它們的distance) 不同的algorithm 有不同的detector descriptor 怎樣是好的feature? slides_13: 1. distinctive: 很少有其他feature 會得到一樣的descriptor, 不同的 feature 對應到descriptor 不一樣 2. invariant: feature 不會受transformation 的影響 25-d 只對translation invariant, 對rotation affine 等不是invariant Harris corner detector 改進Moravec detector 看這個點周圍的window 來recognize 這個feature, 不須看整張image 一個好的feature, 把這個window shift一下, 看到的東西會很不一樣, ex: slides_18 edge: 沿著某個方向移動, 看到的image block 差不多,