Ця стаття містить , але походження окремих тверджень через брак . (січень 2023) |
У комп'ютернім баченні приско́рені стійкі́ озна́ки (англ. speeded up robust features, SURF) — це запатентований виявляч та описувач локальних ознак. Його можливо використовувати для таких завдань як [en], зіставляння зображень, класифікування, та об'ємна відбудова. Він частково натхнений описувачем масштабоінваріантного ознакового перетворення (SIFT). Стандартна версія SURF у декілька разів швидша за SIFT і, як стверджують її автори, стійкіша за SIFT щодо різних перетворень зображень.
Щоби виявляти особливі точки, SURF використовує цілочислові наближення виявляча плям визначником гессіана, які можливо обчислювати за допомогою трьох цілочислових операцій з використанням попередньо обчисленого інтегрального зображення. Його описувач ознак ґрунтується на сумі відгуків гаарових вейвлетів навколо особливої точки. Їх також можливо обчислювати за допомогою інтегрального зображення.
Описувачі SURF використовували для встановлювання та розпізнавання об'єктів, людей та облич, відбудовування тривимірних сцен, відстежування об'єктів та виділяння особливих точок.
SURF вперше опублікували Герберт Бей, Тінне Туйтелаарс та Люк Ван Ґул, і презентували його на [en] 2006 року. Застосування цього алгоритму запатентовано в США. «Вертикальна» (англ. "upright") версія SURF (звана U-SURF) не інваріантна щодо обертання зображення, тому вона швидша для обчислень і краще підходить для застосування, коли камера залишається більш-менш горизонтальною.
Зображення перетворюють на координати за допомогою методики піраміди з кількома роздільностями, щоби скопіювати первинне зображення за допомогою піраміди гауссового або лапласового вигляду, щоб отримати зображення такого ж розміру, але зменшеної пропускної здатності. Таким чином досягають особливого ефекту розмиття первинного зображення, який називають простором масштабів, і який забезпечує масштабоінваріантність особливих точок.
Алгоритм та властивості
Алгоритм SURF ґрунтується на тих же принципах і кроках, що й SIFT, але відрізняється деталями кожного з кроків. Цей алгоритм має три основні частини: виявляння особливих точок, описування локального околу, та зіставляння.
Виявляння
SURF використовує фільтри квадратної форми як наближення гауссового згладжування. (Підхід SIFT для виявляння масштабоінваріантних характерних точок використовує каскадні фільтри, де послідовно обчислюють різницю гауссіанів (РГ) на перемасштабованих зображеннях.) Фільтрування зображення квадратом набагато швидше, якщо використовувати інтегральне зображення:
За допомогою інтегрального зображення можливо швидко оцінювати суму первинного зображення в межах будь-якого прямокутника, для чого потрібні значення інтегрального зображення в чотирьох кутах цього прямокутника.
Щоби знаходити особливі точки, SURF використовує виявляч плям на основі матриці Гессе. Визначник матриці Гессе використовують як міру локальної зміни навколо точки, й обирають точки, де цей визначник максимальний. На відміну від гессіанно-лапласіанного виявляча Міколайчика та Шмід, SURF також використовує визначник гессіана і для обирання масштабу, як це також зробив і Ліндеберг. Для заданої точки p=(x, y) на зображенні I матрицею Гессе H(p, σ) у точці p й масштабі σ є
де тощо є згорткою похідної другого порядку гауссіана із зображенням
в точці
.
Коробковий фільтр розміру 9×9 — це наближення гауссіана з σ=1,2, й подає найнижчий рівень (найвищу просторову роздільність) для карт плямового відгуку.
Масштабопросторове подання та розташування особливих точок
Особливі точки можуть виявлятися на різних масштабах, зокрема через те, що пошук відповідностей часто вимагає порівняльних зображень, які видно в різних масштабах. В інших алгоритмах виявляння ознак простір масштабів зазвичай втілюють як піраміду зображення. Щоразу, щоб отримати наступний вищий рівень піраміди, зображення згладжують гауссовим фільтром, а потім субдискретизують. Отже, обчислюють декілька поверхів, або сходин, з різними розмірами масок:
Простір масштабів ділять на певне число октав, де октава означає низку карт відгуку, яка охоплює подвоєння масштабу. У SURF найнижчий рівень простору масштабів отримують із виходу фільтрів 9×9.
Таким чином, на відміну від попередніх методів, простори масштабів у SURF втілюють застосуванням коробкових фільтрів різних розмірів. Відповідно, простір масштабів аналізують шляхом збільшування розміру фільтра, а не ітеративного зменшування розміру зображення. Вихід вищевказаного фільтра 9×9 вважають початковим масштабним шаром у масштабі s =1,2 (що відповідає похідним гауссіана з σ = 1,2). Наступні шари отримують фільтруванням зображення поступово збільшуваними масками з урахуванням дискретної природи інтегральних зображень та конкретної структури фільтра. У результаті виходять фільтри розмірів 9×9, 15×15, 21×21, 27×27, … . Для встановлення положень особливих точок на зображенні та в масштабах застосовують пригнічування немаксимумів в околі 3×3×3. Відтак максимуми визначника матриці Гессе інтерполюють у просторі масштабів та зображення методом, запропонованим Брауном зі співавт. Інтерполювання простору масштабів у цьому випадку особливо важливе, оскільки різниця в масштабі між першими шарами кожної з октав є відносно великою.
Описувач
Мета описувача (англ. descriptor) — надання унікального та стійкого опису ознаки зображення, наприклад, шляхом опису розподілу яскравості пікселів в околі цієї особливої точки. Відтак, більшість описувачів обчислюють локально, отже, опис отримують для кожної визначеної раніше особливої точки.
Розмірність описувача безпосередньо впливає як на його обчислювальну складність, так і на стійкість/точність зіставляння точок. Короткий описувач може бути стійкішим щодо варіацій зовнішнього вигляду, але може не пропонувати достатнього розрізнювання, й отже, давати забагато хибнопозитивних.
Перший крок полягає у фіксуванні відтворюваного спрямування на основі інформації з кругової області навколо особливої точки. Потім ми будуємо квадратну область, вирівняну за обраним спрямуванням, і виділяємо з неї описувач SURF.
Призначування спрямування
Щоби досягти інваріантності щодо обертання, необхідно знаходити спрямування особливих точок. Обчислюють відгуки гаарових вейвлетів в обох напрямках x та y у межах кругового околу радіусу навколо особливої точки, де
це масштаб, на якому було виявлено особливу точку. Отримані відгуки зважують гауссовою функцією з центром в особливій точці, а потім відкладають як точки у двовимірному просторі з горизонтальним відгуком за абсцисою та вертикальним відгуком за ординатою. Переважне спрямування оцінюють обчисленням суми всіх відгуків у ковзному вікні спрямування розміру π/3. Горизонтальні та вертикальні відгуки в межах вікна підсумовують. Ці два сумарні відгуки відтак дають локальний вектор спрямування. Найдовший такий вектор загалом визначає спрямування особливої точки. Розмір ковзного вікна — це параметр, який слід підбирати ретельно, щоби досягти бажаного балансу між стійкістю та кутовою роздільністю.
Описувач на основі суми відгуків гаарових вейвлетів
Щоб описати область навколо точки, виділяють квадратну область із центром в особливій точці, спрямовану, як обрано вище. Розмір цього вікна 20s.
Особливу область ділять на менші квадратні підобласті 4×4, і для кожної з них виділяють відгуки гаарових вейвлетів у рівномірно розташованих точках вибірки 5×5. Ці відгуки зважують гауссіаном (щоби забезпечити більшу стійкість щодо деформацій, шуму та зміщення).
Зіставляння
Порівнюючи описувачі, отримані з різних зображень, можливо знаходити відповідні пари.
Див. також
Примітки
- US 2009238460, Ryuji Funayama, Hiromichi Yanagihara, Luc Van Gool, Tinne Tuytelaars, Herbert Bay, "ROBUST INTEREST POINT DETECTOR AND DESCRIPTOR", published 2009-09-24 (англ.)
Джерела
- Herbert Bay, Andreas Ess, Tinne Tuytelaars, and Luc Van Gool, "Speeded Up Robust Features", ETH Zurich, Katholieke Universiteit Leuven (англ.)
- Andrea Maricela Plaza Cordero,Jorge Luis Zambrano Martínez, " Estudio y Selección de las Técnicas SIFT, SURF y ASIFT de Reconocimiento de Imágenes para el Diseño de un Prototipo en Dispositivos Móviles" , 15º Concurso de Trabajos Estudiantiles, EST 2012 (ісп.)
- A. M. Romero and M. Cazorla, "Comparativa de detectores de característicasvisuales y su aplicación al SLAM ", X Workshop de agentes físicos, Setiembre 2009, Cáceres (ісп.)
- P. M. Panchal, S. R. Panchal, S. K. Shah, "A Comparison of SIFT and SURF ", International Journal of Innovative Research in Computer and Communication Engineering Vol. 1, Issue 2, April 2013 (англ.)
- Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool "SURF: Speeded Up Robust Features", Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346–359, 2008 (англ.)
- Christopher Evans "Notes on the OpenSURF Library", MSc Computer Science, University of Bristol; source code and documentation archived (англ.)
- J an Knopp, Mukta Prasad, Gert Willems, Radu Timofte, and Luc Van Gool, "Hough Transform and 3D SURF for Robust Three Dimensional Classification", European Conference on Computer Vision (ECCV), 2010 (англ.)
Посилання
- SURF на GitHub
- Вебсайт SURF: speeded up robust features (англ.)
- Перша публікація прискорених стійких ознак (2006) (англ.)
- Переглянуте видання SURF (2008) (англ.)
Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет
Cya stattya mistit perelik posilan ale pohodzhennya okremih tverdzhen zalishayetsya nezrozumilim cherez brak vnutrishnotekstovih dzherel vinosok Bud laska dopomozhit polipshiti cyu stattyu peretvorivshi dzherela z pereliku posilan na dzherela vinoski u samomu teksti statti Zvernitsya na storinku obgovorennya za poyasnennyami ta dopomozhit vipraviti nedoliki sichen 2023 U komp yuternim bachenni prisko reni stijki ozna ki angl speeded up robust features SURF ce zapatentovanij viyavlyach ta opisuvach lokalnih oznak Jogo mozhlivo vikoristovuvati dlya takih zavdan yak en zistavlyannya zobrazhen klasifikuvannya ta ob yemna vidbudova Vin chastkovo nathnenij opisuvachem masshtaboinvariantnogo oznakovogo peretvorennya SIFT Standartna versiya SURF u dekilka raziv shvidsha za SIFT i yak stverdzhuyut yiyi avtori stijkisha za SIFT shodo riznih peretvoren zobrazhen Shobi viyavlyati osoblivi tochki SURF vikoristovuye cilochislovi nablizhennya viyavlyacha plyam viznachnikom gessiana yaki mozhlivo obchislyuvati za dopomogoyu troh cilochislovih operacij z vikoristannyam poperedno obchislenogo integralnogo zobrazhennya Jogo opisuvach oznak gruntuyetsya na sumi vidgukiv gaarovih vejvletiv navkolo osoblivoyi tochki Yih takozh mozhlivo obchislyuvati za dopomogoyu integralnogo zobrazhennya Opisuvachi SURF vikoristovuvali dlya vstanovlyuvannya ta rozpiznavannya ob yektiv lyudej ta oblich vidbudovuvannya trivimirnih scen vidstezhuvannya ob yektiv ta vidilyannya osoblivih tochok SURF vpershe opublikuvali Gerbert Bej Tinne Tujtelaars ta Lyuk Van Gul i prezentuvali jogo na en 2006 roku Zastosuvannya cogo algoritmu zapatentovano v SShA Vertikalna angl upright versiya SURF zvana U SURF ne invariantna shodo obertannya zobrazhennya tomu vona shvidsha dlya obchislen i krashe pidhodit dlya zastosuvannya koli kamera zalishayetsya bilsh mensh gorizontalnoyu Zobrazhennya peretvoryuyut na koordinati za dopomogoyu metodiki piramidi z kilkoma rozdilnostyami shobi skopiyuvati pervinne zobrazhennya za dopomogoyu piramidi gaussovogo abo laplasovogo viglyadu shob otrimati zobrazhennya takogo zh rozmiru ale zmenshenoyi propusknoyi zdatnosti Takim chinom dosyagayut osoblivogo efektu rozmittya pervinnogo zobrazhennya yakij nazivayut prostorom masshtabiv i yakij zabezpechuye masshtaboinvariantnist osoblivih tochok Algoritm ta vlastivostiAlgoritm SURF gruntuyetsya na tih zhe principah i krokah sho j SIFT ale vidriznyayetsya detalyami kozhnogo z krokiv Cej algoritm maye tri osnovni chastini viyavlyannya osoblivih tochok opisuvannya lokalnogo okolu ta zistavlyannya Viyavlyannya SURF vikoristovuye filtri kvadratnoyi formi yak nablizhennya gaussovogo zgladzhuvannya Pidhid SIFT dlya viyavlyannya masshtaboinvariantnih harakternih tochok vikoristovuye kaskadni filtri de poslidovno obchislyuyut riznicyu gaussianiv RG na peremasshtabovanih zobrazhennyah Filtruvannya zobrazhennya kvadratom nabagato shvidshe yaksho vikoristovuvati integralne zobrazhennya S x y i 0x j 0yI i j displaystyle S x y sum i 0 x sum j 0 y I i j Za dopomogoyu integralnogo zobrazhennya mozhlivo shvidko ocinyuvati sumu pervinnogo zobrazhennya v mezhah bud yakogo pryamokutnika dlya chogo potribni znachennya integralnogo zobrazhennya v chotiroh kutah cogo pryamokutnika Shobi znahoditi osoblivi tochki SURF vikoristovuye viyavlyach plyam na osnovi matrici Gesse Viznachnik matrici Gesse vikoristovuyut yak miru lokalnoyi zmini navkolo tochki j obirayut tochki de cej viznachnik maksimalnij Na vidminu vid gessianno laplasiannogo viyavlyacha Mikolajchika ta Shmid SURF takozh vikoristovuye viznachnik gessiana i dlya obirannya masshtabu yak ce takozh zrobiv i Lindeberg Dlya zadanoyi tochki p x y na zobrazhenni I matriceyu Gesse H p s u tochci p j masshtabi s ye H p s Lxx p s Lxy p s Lxy p s Lyy p s displaystyle H p sigma begin pmatrix L xx p sigma amp L xy p sigma L xy p sigma amp L yy p sigma end pmatrix de Lxx p s displaystyle L xx p sigma tosho ye zgortkoyu pohidnoyi drugogo poryadku gaussiana iz zobrazhennyam I x y displaystyle I x y v tochci p displaystyle p Korobkovij filtr rozmiru 9 9 ce nablizhennya gaussiana z s 1 2 j podaye najnizhchij riven najvishu prostorovu rozdilnist dlya kart plyamovogo vidguku Masshtaboprostorove podannya ta roztashuvannya osoblivih tochok Osoblivi tochki mozhut viyavlyatisya na riznih masshtabah zokrema cherez te sho poshuk vidpovidnostej chasto vimagaye porivnyalnih zobrazhen yaki vidno v riznih masshtabah V inshih algoritmah viyavlyannya oznak prostir masshtabiv zazvichaj vtilyuyut yak piramidu zobrazhennya Shorazu shob otrimati nastupnij vishij riven piramidi zobrazhennya zgladzhuyut gaussovim filtrom a potim subdiskretizuyut Otzhe obchislyuyut dekilka poverhiv abo shodin z riznimi rozmirami masok snablizhenij rozmir potochnogo filtru masshtab bazovogo filrurozmir bazovogo filtru displaystyle sigma text nablizhenij text rozmir potochnogo filtru times left frac text masshtab bazovogo filru text rozmir bazovogo filtru right Prostir masshtabiv dilyat na pevne chislo oktav de oktava oznachaye nizku kart vidguku yaka ohoplyuye podvoyennya masshtabu U SURF najnizhchij riven prostoru masshtabiv otrimuyut iz vihodu filtriv 9 9 Takim chinom na vidminu vid poperednih metodiv prostori masshtabiv u SURF vtilyuyut zastosuvannyam korobkovih filtriv riznih rozmiriv Vidpovidno prostir masshtabiv analizuyut shlyahom zbilshuvannya rozmiru filtra a ne iterativnogo zmenshuvannya rozmiru zobrazhennya Vihid vishevkazanogo filtra 9 9 vvazhayut pochatkovim masshtabnim sharom u masshtabi s 1 2 sho vidpovidaye pohidnim gaussiana z s 1 2 Nastupni shari otrimuyut filtruvannyam zobrazhennya postupovo zbilshuvanimi maskami z urahuvannyam diskretnoyi prirodi integralnih zobrazhen ta konkretnoyi strukturi filtra U rezultati vihodyat filtri rozmiriv 9 9 15 15 21 21 27 27 Dlya vstanovlennya polozhen osoblivih tochok na zobrazhenni ta v masshtabah zastosovuyut prignichuvannya nemaksimumiv v okoli 3 3 3 Vidtak maksimumi viznachnika matrici Gesse interpolyuyut u prostori masshtabiv ta zobrazhennya metodom zaproponovanim Braunom zi spivavt Interpolyuvannya prostoru masshtabiv u comu vipadku osoblivo vazhlive oskilki riznicya v masshtabi mizh pershimi sharami kozhnoyi z oktav ye vidnosno velikoyu Opisuvach Meta opisuvacha angl descriptor nadannya unikalnogo ta stijkogo opisu oznaki zobrazhennya napriklad shlyahom opisu rozpodilu yaskravosti pikseliv v okoli ciyeyi osoblivoyi tochki Vidtak bilshist opisuvachiv obchislyuyut lokalno otzhe opis otrimuyut dlya kozhnoyi viznachenoyi ranishe osoblivoyi tochki Rozmirnist opisuvacha bezposeredno vplivaye yak na jogo obchislyuvalnu skladnist tak i na stijkist tochnist zistavlyannya tochok Korotkij opisuvach mozhe buti stijkishim shodo variacij zovnishnogo viglyadu ale mozhe ne proponuvati dostatnogo rozriznyuvannya j otzhe davati zabagato hibnopozitivnih Pershij krok polyagaye u fiksuvanni vidtvoryuvanogo spryamuvannya na osnovi informaciyi z krugovoyi oblasti navkolo osoblivoyi tochki Potim mi buduyemo kvadratnu oblast virivnyanu za obranim spryamuvannyam i vidilyayemo z neyi opisuvach SURF Priznachuvannya spryamuvannya Shobi dosyagti invariantnosti shodo obertannya neobhidno znahoditi spryamuvannya osoblivih tochok Obchislyuyut vidguki gaarovih vejvletiv v oboh napryamkah x ta y u mezhah krugovogo okolu radiusu 6s displaystyle 6s navkolo osoblivoyi tochki de s displaystyle s ce masshtab na yakomu bulo viyavleno osoblivu tochku Otrimani vidguki zvazhuyut gaussovoyu funkciyeyu z centrom v osoblivij tochci a potim vidkladayut yak tochki u dvovimirnomu prostori z gorizontalnim vidgukom za abscisoyu ta vertikalnim vidgukom za ordinatoyu Perevazhne spryamuvannya ocinyuyut obchislennyam sumi vsih vidgukiv u kovznomu vikni spryamuvannya rozmiru p 3 Gorizontalni ta vertikalni vidguki v mezhah vikna pidsumovuyut Ci dva sumarni vidguki vidtak dayut lokalnij vektor spryamuvannya Najdovshij takij vektor zagalom viznachaye spryamuvannya osoblivoyi tochki Rozmir kovznogo vikna ce parametr yakij slid pidbirati retelno shobi dosyagti bazhanogo balansu mizh stijkistyu ta kutovoyu rozdilnistyu Opisuvach na osnovi sumi vidgukiv gaarovih vejvletiv Shob opisati oblast navkolo tochki vidilyayut kvadratnu oblast iz centrom v osoblivij tochci spryamovanu yak obrano vishe Rozmir cogo vikna 20s Osoblivu oblast dilyat na menshi kvadratni pidoblasti 4 4 i dlya kozhnoyi z nih vidilyayut vidguki gaarovih vejvletiv u rivnomirno roztashovanih tochkah vibirki 5 5 Ci vidguki zvazhuyut gaussianom shobi zabezpechiti bilshu stijkist shodo deformacij shumu ta zmishennya Zistavlyannya Porivnyuyuchi opisuvachi otrimani z riznih zobrazhen mozhlivo znahoditi vidpovidni pari Div takozhMasshtaboinvariantne oznakove peretvorennya SIFT Gistograma roztashuvan ta napryamkiv gradiyenta GLOH Gistograma formi na osnovi lokalnoyi energiyi LESH Viyavlyannya plyam Viyavlyannya oznak komp yuterne bachennya PrimitkiUS 2009238460 Ryuji Funayama Hiromichi Yanagihara Luc Van Gool Tinne Tuytelaars Herbert Bay ROBUST INTEREST POINT DETECTOR AND DESCRIPTOR published 2009 09 24 angl DzherelaHerbert Bay Andreas Ess Tinne Tuytelaars and Luc Van Gool Speeded Up Robust Features ETH Zurich Katholieke Universiteit Leuven angl Andrea Maricela Plaza Cordero Jorge Luis Zambrano Martinez Estudio y Seleccion de las Tecnicas SIFT SURF y ASIFT de Reconocimiento de Imagenes para el Diseno de un Prototipo en Dispositivos Moviles 15º Concurso de Trabajos Estudiantiles EST 2012 isp A M Romero and M Cazorla Comparativa de detectores de caracteristicasvisuales y su aplicacion al SLAM X Workshop de agentes fisicos Setiembre 2009 Caceres isp P M Panchal S R Panchal S K Shah A Comparison of SIFT and SURF International Journal of Innovative Research in Computer and Communication Engineering Vol 1 Issue 2 April 2013 angl Herbert Bay Andreas Ess Tinne Tuytelaars Luc Van Gool SURF Speeded Up Robust Features Computer Vision and Image Understanding CVIU Vol 110 No 3 pp 346 359 2008 angl Christopher Evans Notes on the OpenSURF Library MSc Computer Science University of Bristol source code and documentation archived angl J an Knopp Mukta Prasad Gert Willems Radu Timofte and Luc Van Gool Hough Transform and 3D SURF for Robust Three Dimensional Classification European Conference on Computer Vision ECCV 2010 angl PosilannyaSURF na GitHub Vebsajt SURF speeded up robust features angl Persha publikaciya priskorenih stijkih oznak 2006 angl Pereglyanute vidannya SURF 2008 angl