基于叠代霍夫转换与反霍夫转换的特征点对应技术-Computer.PDF

基於疊代霍夫轉換與反霍夫轉換的特徵點對應技術 1 2 1 陳心怡 、林彥宇 、陳炳宇 1 2 國立台灣大學 中央研究院資訊科技創新研究中心 Email: fensi@cmlab.csie.ntu.edu.tw; yylin@citi.sinica.edu.tw; robin@ntu.edu.tw 摘要 本論文旨在發展一個 特徵點對應演算法，它可以同時提升對應之正確率與召回率。我們觀察到， 在同 一物件上鄰近的特徵點 ，在正確對應時 ，其對應轉換(如角度旋轉、大小縮放、位移)通常是十 分相仿的；基於這項性質，我們將特徵點對應之問題，以霍夫空間(Hough space)中的 密度估測來實 現。具體來說，我們將每一個特徵點對應，依其對應轉換參數投影至霍夫空間，並在其中估測密度 來判斷該特徵點 對應的正確性。相關之特徵點對應將可依此方式進行交互幾何驗證，因而提高對應 之正確率。另一方面，我們從區域 成群特徵點(locally grouped features)推測一致性高的對應轉換， 並依此動態地增加可能性高之特徵點對應，以便提高召回率。上述兩個過程彼此緊密結合，我們以 迭代最佳化的方法連結霍夫轉換(Hough transform)與反霍夫轉換(inverted Hough transform) ，逐步地 擴增合理的對應轉換 ，進而檢測到更多正確的特徵點對應。最後在三組標竿(benchmark)資料 集的 實驗結果顯示我們提出的方法可以有效地得到特徵點對應 。 關鍵詞 ：特徵點對應、霍夫轉換、反霍夫轉換 I 一、 介紹 研究目的 特徵點對應(feature correspondence)在電腦視覺領域中備受矚目，其目的在於識別兩張或多張影 像之間像素的對應關係。這是一個十分基礎的影像內容分析技術，也是許多影像相關應用的基本元 素，例如：目標 辨識(object recognition) [1]、影像檢索(image retrieval) [2]、3D重建 (reconstruction) [3] 、 影像增強 [4]與編輯[5], [6] 。儘管 具有高度之應用性，要建立高品質的特徵點對應仍然有 至少兩個普 遍存在的問題。第一，在特徵點匹配時的低正確性(low precision) 。由於建立特徵點對應主要的方 法是從區域特徵點開始產生可能性高之對應 ，在衡量相似度時，雖然區域描述子(local descriptors) 的設計已經 獲得顯著的進步，但描述子無法對物體在外觀或幾何上的變換維持不變性 ，且大量的背 景雜訊更使得描述子無法成功分辨出正確的對應關係，所以 這類方法的正確率會受到影響 。第二， 低召回率 (low recall)的問題 許多。 改進的方法 [7], [8], [9], [10]藉由確保幾何的一致性來提高正確率， 但高階幾何檢查使得這些方法沒有很好地發展 ，另外，他們往往著重於如何在初始建構的特徵點組 合中 找尋正確的對應，而沒有利用已經得到的配對 特徵點，去找出其他的潛在正確對應因而， 限制 住最終正確對應的數量 (recall) 。 圖一[ ] (上)我們將特徵點對應投影至轉換空間，並根據集中程度分辨正確 (紅)與錯誤黑( 的對應。) (下)潛在的(綠)對應可以透過探索由 BPLRs [11]組成之轉換的密度分佈逐步推斷而得 。 本論文之內容主要參考 [35] ，在其中為了可以同時解決上述兩個問題，我們根據以下的觀察開 發一個新的演算法。我們發現到，同一物件即使在外觀有許多不同的變異，但同一物件中相鄰的特 徵點在對應時，必具有相仿之對應轉換 (transformation or homography) ，而這些正確對應組合(feature correspondence)的對應轉換往往會在其轉換空間(transformation space)中聚集在一起；相反的 ，錯誤 的對應組合的對應轉換因不具有一致性，因此在轉換空間中呈現零散分佈。這意味著 ，每一對應組