puntos de inter es - escuela de ingeniería electrónica · 2019. 5. 25. · m etodos encontrar...
TRANSCRIPT
-
Puntos de interésLección 04.1
Dr. Pablo Alvarado Moya
MP6127 Visión por ComputadoraPrograma de Maestŕıa en Electrónica
Énfasis en Procesamiento Digital de SeñalesEscuela de Ingenieŕıa Electrónica
Tecnológico de Costa Rica
II Cuatrimestre 2019
P. Alvarado Puntos de interés 1 / 1
-
Contenido
P. Alvarado Puntos de interés 2 / 1
-
Introducción
Varias áreas de la Visión por Computador requieren detecciónde “puntos de referencia” o “puntos de interés”
Preámbulo a busqueda de correspondencias
Uso en reconocimiento de objetos, panoramas,reconstrucción. . .
Los puntos de interés deben ser invariantes ante variacionescomo
RotaciónEscalaTraslaciónCambio de perspectivaCambio de iluminaciónDeterioro de objetosEnvejecimiento de personas. . .
P. Alvarado Puntos de interés 3 / 1
-
MétodosEncontrar puntos de interés y correspondiencias
Dos métodos principales para encontrar correspondencias
1 Rastreo de puntos en secuencias de imágenes (flujo óptico)
2 Búsqueda independiente con posterior emparejamiento(match)
P. Alvarado Puntos de interés 4 / 1
-
Pasos con métodos de detección y emparejamiento
Tres pasos:
1 Detección de puntos de interés estables
2 Generación de descriptores invariantes
3 Emparejamiento de descriptores
Últimos pasos pueden reemplazarse por
rastreo de los puntos de interés.
P. Alvarado Puntos de interés 5 / 1
-
Puntos de interés (1)¿Qué propiedades son deseables?
Szelisky, 2011
P. Alvarado Puntos de interés 6 / 1
-
Puntos de interés (2)¿Qué propiedades son deseables?
Obsérvese que:
Si no hay bordes, incertidumbre es total
Si hay un borde, incertidumbre es en dirección del borde
Si hay una esquina, incertidumbre es baja
Necesaria estructura que describa distribución de direcciones debordes en una región
P. Alvarado Puntos de interés 7 / 1
-
Recordando el gradiente
En PDI gradiente se usa como detector de bordicidad:
∇I (x ,y) =
[∂∂x I (x ,y)∂∂y I (x ,y)
]=
[Ix(x ,y)Iy (x ,y)
]
I (x,y) | Sobel[I (x,y ]| ≈ |∇I (x,y)|
Aproximaciones: variaciones de diferencias finitas centradas
∂
∂xI (x ,y) ≈ I (x + 1,y)− I (x − 1,y)
2
Varios tipos: Sobel, Roberts, Prewitt, Ando, DoG, etc.
P. Alvarado Puntos de interés 8 / 1
-
ACP de gradientes
Idea: realizar en una pequeña región análisis de componentesprincipales de los gradientes
Datos son:
X =
Ix(x −∆x1,y −∆y1) Iy (x −∆x1,y −∆y1)Ix(x −∆x2,y −∆y2) Iy (x −∆x2,y −∆y2)Ix(x −∆x3,y −∆y3) Iy (x −∆x3,y −∆y3)
......
Ix(x −∆xn,y −∆yn) Iy (x −∆xn,y −∆yn)
T
donde los desplazamientos (∆xi ,∆yi ) recorren con i = 1 . . . nla región alrededor de (x ,y).
P. Alvarado Puntos de interés 9 / 1
-
Tensor de estructuraCovarianza de gradientes
Covarianza dada por
ΣX(x ,y) =1
nXXT =
[ 〈I 2x (x ,y)
〉〈Ix(x ,y)Iy (x ,y)〉
〈Ix(x ,y)Iy (x ,y)〉〈I 2y (x ,y)
〉 ]donde
〈F (x ,y)〉 = 1n
n∑i=1
F (x + ∆xi ,y + ∆yi )
ΣX(x ,y) es el tensor de estructura
La covarianza contiene información de la distribución de losgradientes en la ventana.
P. Alvarado Puntos de interés 10 / 1
-
Tensor de estructura
Sean λ1 y λ2 los eigenvalores de ΣX(x ,y)
Sean e1 y e1 los eigenvectores correspondientes
Asúmase λ1 ≥ λ2e1 es la dirección dominante
λi indica la varianza de los gradientes proyectados a ei .
Si I (x ,y)=cte ⇒ Ix(x ,y)= Iy (x ,y)=0 ∧ λ1 =λ2 =0Si hay borde lineal, todos los gradientes o son cero (fuera delborde) o están alineados en la dirección e1, lo que implicaλ2 = 0
Si hay esquina, hay varias direcciones y λ1 6= 0 ∧ λ2 6= 0
Los eigenvalores indican qué tan confiable es (x ,y) como punto deinterés
P. Alvarado Puntos de interés 11 / 1
-
Complejidad computacional
Matriz ΣX(x ,y) es siempre 2× 2 y simétricaExiste forma cerrada de calcular λ1 y λ2
Algunos métodos usan e1, otros no.
P. Alvarado Puntos de interés 12 / 1
-
Invarianza a la rotación
Ventana cuadrada: si se rota imagen, cambia ΣX(x ,y)
Solución, redefinir 〈F (x ,y)〉Usual: usar una ventana gaussiana
Puntos al centro tienen más peso que en borde
P. Alvarado Puntos de interés 13 / 1
-
Métricas de interés
Shi y Tomasi (1994): ¿Qué tan lejos está λ2 de cero?Máximos de
√λ2 indican menor incertidumbre
Harris y Stephens (1988), con α = 0,06
det (ΣX(x ,y))− α tr2 (ΣX(x ,y)) =〈I 2x〉 〈
I 2y〉− 〈Ix Iy 〉2 − α
(〈I 2x〉
+〈I 2y〉)2
= λ1λ2 − α(λ0 + λ1)2
que no requiere resolver el eigensistema ni ráıces cuadradas.
Brown, Szeliski y Winder (2005):
det ΣX(x ,y)
tr ΣX(x ,y)=
λ0λ1λ0 + λ1
P. Alvarado Puntos de interés 14 / 1
-
Detector Hessiano
Matriz Hessiana: alternativa a ΣX(x ,y)
H(x ,y ;σ) =
[Lxx(x ,y ;σ) Lxy (x ,y ;σ)Lxy (x ,y ;σ) Lyy (x ,y ;σ)
]con Lντ (x ,y ;σ) = Gντ (x ,y ;σ) ∗ I (x ,y) y
Gντ (x ,y ;σ) =∂2
∂ν∂τG (x ,y ;σ)
y
G (x ,y ;σ) =1
2πσ2e−(x
2+y2)/σ2
σ determina tamaño de ventana
Grado de interés se mide con det [H(x ,y ;σ)]
P. Alvarado Puntos de interés 15 / 1
-
Atribuntos de un punto de interés
Lo anterior permite encontrar posición de puntos de interés
Invarianza a escala: requiere además radio
Invarianza a rotación: requiere orientación
Invarianza af́ın: requiere aspecto
P. Alvarado Puntos de interés 16 / 1
-
Laplaciano de gaussianos
Mikolajczyk (2002) demostró empiricamente que método másestable busca máximos y ḿınimos del laplaciano de gaussianosnormalizado en escala:
σ2∇2G (x ,y ;σ) = σ2∇ · ∇G (x ,y ;σ)
= σ2[∂2
∂x2G (x ,y ;σ) +
∂2
∂y2G (x ,y ;σ)
]σ2∇2G (x ,y ;σ) ∗ I (x ,y) = σ2 tr [H(x ,y ;σ)]
P. Alvarado Puntos de interés 17 / 1
-
¿Cómo alcanzar la invarianza en escala?
Si imagen se escala pero ventana es constante ⇒ ΣX(x ,y) oH(x ,y ;σ) vaŕıan
La idea básica: detectar máximos de mediciones de interés nosolo en I (x ,y), sino en L(x ,y ;σ) donde
L(x ,y ;σ) = G (x ,y ;σ) ∗ I (x ,y)
P. Alvarado Puntos de interés 18 / 1
-
¿Cómo alcanzar la invarianza en escala?
Si imagen se escala pero ventana es constante ⇒ ΣX(x ,y) oH(x ,y ;σ) vaŕıan
La idea básica: detectar máximos de mediciones de interés nosolo en I (x ,y), sino en L(x ,y ;σ) donde
L(x ,y ;σ) = G (x ,y ;σ) ∗ I (x ,y)
Carlos Moya, 2004
P. Alvarado Puntos de interés 18 / 1
-
¿Cómo alcanzar la invarianza en escala?
Si imagen se escala pero ventana es constante ⇒ ΣX(x ,y) oH(x ,y ;σ) vaŕıan
La idea básica: detectar máximos de mediciones de interés nosolo en I (x ,y), sino en L(x ,y ;σ) donde
L(x ,y ;σ) = G (x ,y ;σ) ∗ I (x ,y)
Carlos Moya, 2004
P. Alvarado Puntos de interés 18 / 1
-
Espacio de escalas
Lindeberg
P. Alvarado Puntos de interés 19 / 1
-
Método de Lowe y BrownDiferencias de Gaussianas
Método aproxima laplaciano de gaussianos normalizado enescala con diferencias de gaussianas
D(x ,y ;σ) = (G (x ,y ; kσ)− G (x ,y ;σ)) ∗ I (x ,y)= L(x ,y ; kσ)− L(x ,y ;σ)
P. Alvarado Puntos de interés 20 / 1
-
Espacio de escalas de Lowe y Brown
Scale
(first
octave)
Scale
(next
octave)
Gaussian
Differenceof
Gaussian(DOG)
...
Lowe, 2004
P. Alvarado Puntos de interés 21 / 1
-
Escala y orientación
La escala la determina el σ del nivel con el máximo
La orientación se puede determinar con eigenvectores
Lowe utiliza histograma de direcciones y selecciona máximocon interpolación
Lowe también replica puntos de interés si hay varios máximos(el segundo mayor a 80 % del máximo)
P. Alvarado Puntos de interés 22 / 1
-
Invarianza af́ın
Transformaciones proyectivas se aproximan con afines
Necesaria cuando hay cambios de perspectiva en 3D
Opción: usar ambos eigenvectores del tensor de estructura ode matriz Hessiana
MSER
P. Alvarado Puntos de interés 23 / 1
-
MSER (1)Maximally Stable Extremal Regions
Imagen: I mapeo I : D ∈ IN2 → SS es ordenado, y existe predicado de adyacencia A (4-vecinos,p.ej.)
Región: Q ⊂ DBorde externo de region ∂Q
∂Q = {q ∈ D \ Q : ∃p ∈ Q : A(p,q)}
Región extrema: Q ∈ D region que para todo p ∈ Q:q ∈ ∂Q : I (p) > I (q) (región de intensidad máxima), oq ∈ ∂Q : I (p) < I (q) (región de intensidad ḿınima)
P. Alvarado Puntos de interés 24 / 1
-
MSER (2)Maximally Stable Extremal Regions
Región extrema de máxima estabilidad (MSER):
Sea Q1, . . .Qi−1,Qi . . . una sucesión de regiones extremasanidadas (Qi ⊂ Qi+1).Qi∗ es de máxima estabilidad sii q(i) = |Qi+∆ \ Qi−∆|/|Qi |tiene un ḿınimo local en i∗.
| · | denota cardinalidad.∆ ∈ S es un parámetro del método.
Existen algoritmos muy eficientes para su cálculo (quasiO(n)), similares al algoritmo de divisorias (watersheds)
P. Alvarado Puntos de interés 25 / 1
-
MSER (3)Maximally Stable Extremal Regions
Matas et al., 2004
P. Alvarado Puntos de interés 26 / 1
-
Descriptores
¿Cómo describir las regiones alrededor del punto de interés?
Imagen: sensible a iluminación: intensidad, sombras,distorsiones perspectivas, etc.
Bordes deseables
Muchas propuestas: MOPS, SIFT, PCA-SIFT, SURF, GLOH,etc.
P. Alvarado Puntos de interés 27 / 1
-
SIFT (1)
SIFT: Scale Invariant Feature Transform
Proposed by Lowe, 1999 (U British Columbia)
Image gradients Keypointdescriptor
Histogramas de orientación, con entradas proporcionales a|∇I |Ejemplo: descriptor 2× 2 a partir de 8× 8 muestrasLowe: descriptor 4× 4 a partir de 16× 16 muestras con 8 binspor histograma (128 dimensiones)
P. Alvarado Puntos de interés 28 / 1
-
SURF
SURF: Speeded Up Robust Features
Propuesto por Bay, Tuytelaars, Van Gool, 2006 (ETHZ, KULeuven)
Interés principal: aceleración del cálculo
Descriptor se basa en wavelets de Haar
Se describen subregiones con sumas de componentes de latransformada de Haar en las direcciones x y y :
v = (∑
dx ,∑
dy ,∑|dx |,
∑|dy |)
P. Alvarado Puntos de interés 29 / 1
-
Búsqueda de correspondencias
Objetivo: encontrar descriptores más cercanos en otra imagen
Suposición: distancia entre descriptores inversamenteproporcional a similitud
Métodos: dependen de la aplicación
Panoramas: buscar en regiones cercanas (se supone traslape)
Reconocimiento: estructuras de datos (kd-tree)
P. Alvarado Puntos de interés 30 / 1
-
Resumen
P. Alvarado Puntos de interés 31 / 1
-
Tarea 4
1 Revisar art́ıculo de Lowe sobre SIFT
2 Trabajar en el proyecto
P. Alvarado Puntos de interés 32 / 1
-
Este documento ha sido elaborado con software libre incluyendo LATEX, Beamer, GNUPlot, GNU/Octave, XFig,Inkscape, LTI-Lib-2, GNU-Make, Kazam, Xournal y Subversion en GNU/Linux
Este trabajo se encuentra bajo una Licencia Creative Commons Atribución-NoComercial-LicenciarIgual 3.0 Unpor-ted. Para ver una copia de esta Licencia, visite http://creativecommons.org/licenses/by-nc-sa/3.0/ o env́ıeuna carta a Creative Commons, 444 Castro Street, Suite 900, Mountain View, California, 94041, USA.
© 2017 Pablo Alvarado-Moya Escuela de Ingenieŕıa Electrónica Instituto Tecnológico de Costa Rica
P. Alvarado Puntos de interés 33 / 1
http://creativecommons.org/licenses/by-nc-sa/3.0/