JP2015201209A - デジタル画像における関心点の検出方法 - Google Patents
デジタル画像における関心点の検出方法 Download PDFInfo
- Publication number
- JP2015201209A JP2015201209A JP2015079671A JP2015079671A JP2015201209A JP 2015201209 A JP2015201209 A JP 2015201209A JP 2015079671 A JP2015079671 A JP 2015079671A JP 2015079671 A JP2015079671 A JP 2015079671A JP 2015201209 A JP2015201209 A JP 2015201209A
- Authority
- JP
- Japan
- Prior art keywords
- interest
- image
- points
- detection threshold
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
Description
−第1の問題は、時間不変性である。不均一なビデオシーケンスでは、アルゴリズムは、画像のコントラスト、テクスチャ、照明等の特性に応じて画像ごとに非常に変動する数の関心点を検出する。具体的には、シーケンスの画像次第で、多くの、又は更には過度の数の関心点が存在する場合があり、これはこの画像の解析に用いられる計算リソースの観点で非常に不利益をもたらしており、又は逆に、少なすぎる数の関心点は、関心点の検出器の下流において行われる処理の性能の劣化を招く。
−第2の問題は空間不変性である。全体的に、画像が十分多くかつ実質的に一定の数の検出された関心点を含む場合であっても、検出は、画像の或る特定の領域において非常に僅かな関心点しか有さず、他の領域において多くを有して、非常に不均等に分布する場合があり、これは下流の処理の性能に関して上記と同じマイナスの影響を有することになる。
−第1に、これらの解決法は、(例えば、トンネルに入る時点又はトンネルから出る時点において)シーンのコンテンツの観点においても輝度全体の観点においても、画像の突然の変動を補償することを可能にしていない。さらに、カメラ露出の自動補正のためのシステムは、これらのシステムがセンサーの線形応答を仮定し、またシーン変動の実状を反映しない画像の平均統計値に基づく限り、この問題を悪化させる傾向にある。
−第2に、フィードバックを動作させるために、これらのシステムは検出閾値と、アルゴリズムによって検出される関心点の数との線形性を前提とし、これは不均一な画像シーケンスに関して実際に満足の行く結果を具体的にもたらさない、単純化された仮説である。
−非常に不均一な画像シーケンスが存在する場合であっても、1つの画像について実質的に一定であり続ける検出計算時間を調整する。
−関心点検出器の下流のアルゴリズム(カメラ変位解析アルゴリズム、地図作成アルゴリズム...)の平均計算時間を、このアルゴリズムが実質的に一定数の入力関心点を処理する限り減少及び安定化させる。
−シーンの複雑度に自動的に適応し、特に、シーンのテクスチャがより少ないとき(一般的な例は、自動者におけるトンネル通過である)、検出される関心点を十分な数保持することを可能にする。
−関連する関心点、すなわち1つの画像と後続の画像との間で認識することができる関心点の比率を増大させ、実際に、本発明によるアルゴリズムによって検出される関心点は、この観点から平均的に実質的に良好であり、それにより、後の計算動作をより効率的にかつより迅速に実行することができるようになる。
−関心点が画像の様々なエリアに非常に良好に分布し、これもまた検出の下流におけるアルゴリズムのより良好な効率をもたらす。
−関心点の所望の最適な数の調整が単純であり、1つのプラットフォームから別のプラットフォームへのアルゴリズムの容易な移植、及び様々なバージョン(例えばビジネスバージョン及びファミリーバージョン)への適応を可能にする。
a)現在の画像について、前記減少指数関数のパラメータ化の値を求めるステップと、
b)前記現在の画像について、ステップa)において求められた前記値を用いてパラメータ化された前記モデル化された特性を用いることによって、前記検出閾値の最適値を予測するステップと、
c)前記現在の画像に続く少なくとも1つの画像に対し、ステップb)において計算された前記最適な検出閾値を用いて前記関心点探索アルゴリズムを適用するステップと、
を含む。
a1)前記検出閾値の第1の所定の値を用いて前記探索アルゴリズムによって前記現在の画像内の関心点の第1の探索を行うサブステップであって、結果として関心点の第1の数を与える、サブステップと、
a2)前記検出閾値の前記第1の所定の値よりも高い前記検出閾値の第2の値を用いて、前記探索アルゴリズムによって前記現在の画像内の関心点の少なくとも1つの第2の探索を行うサブステップであって、結果として関心点の第2の数を与える、サブステップと、
a3)ステップa1)及びステップa2)において得られた前記関心点の数に基づいて前記パラメータ化の値C及びσを求めるサブステップと、を含む。
カメラ自動露出情報を、前記検出閾値の前記予測のための補足入力データとして適用することを有利に含むことができる。
前記現在の画像の様々な前記部分画像について独立してステップa)及びステップb)を実行することであって、結果として、各部分画像に固有の検出閾値の最適値を得ることと、
前記後続の画像の各部分画像について、該部分画像に固有のそれぞれの前記最適検出閾値を用いて前記関心点探索アルゴリズムを適用してステップc)を実行することと、
を更に含む。前記最適検出閾値は、特に全ての前記部分画像について関心点の同じ所定の数に対応する値とすることができる。
前記多重解像度表現のレベルごとにステップa)及びステップb)を反復的に実行することであって、より低い解像度のレベル)から開始して、所与のレベルについて求められた前記検出閾値が、より高いレベルの解像度における前記検出閾値の前記予測のための入力データとして適用されることと、
を含む。
前記ステップc)の実行は、前記後続の画像の前記多重解像度表現のレベルごとに、該レベルに固有のそれぞれの前記最適検出閾値を用いて前記関心点探索アルゴリズムを適用することを含み、
ステップa)及びステップb)の前記反復的実行は、前記多重解像度表現のレベルごとに、前記より高い解像度レベルにおける前記検出閾値の前記予測のための補足入力データとして、前記最適閾値及び前記より低いレベルの解像度に対応する前記適用される閾値、及び/又はカメラ自動露出情報を適用することを含み、
前記方法は、前記画像ピラミッドの前記様々なレベルにおける前記画像をサイズが低減された複数の部分画像に分割することと、前記様々な部分画像について独立してステップa)及びステップb)を実行することであって、結果として各部分画像に固有の最適検出閾値を得ることと、前記後続画像の各部分画像について、該部分画像に固有のそれぞれの前記最適検出閾値を用いて前記関心点探索アルゴリズムを適用してステップc)を実行することとを更に含む。前記最適検出閾値は、特に、全ての前記部分画像について関心点の同じ所定の数に対応する値とすることができる。
[6]G. Klein及びD. W. Murray「Parallel Tracking and Mapping for Small AR Workspaces」ISMAR, 2007
−初期レベル(全画像)VGA(640×480)、
−レベル1(低減されているが精密な解像度)QVGA(320×120)、
−レベル2(平均解像度)QQVGA(160×120)、
−レベル3(最も粗い解像度)QQQVGA(80×60)。
インデックスtは画像番号を表し、
指数kはスケールを表し、
(a)τ=20に固定され、このため従来のタイプのFASTアルゴリズムに対応する一定の閾値の場合、
(b)本発明による検出閾値の画像間予測(時間予測)の場合、
(c)(b)と同じ技法に従うが、図6を参照して上記で開示されたような多重解像度表現及びスケール間予測(空間予測)の更なる適用を伴う場合。
(a)一定の閾値τ=25を用いて従来の技法によって様々な解像度VGA...QQQVGAにおいて検出される関心点の数Nの変動、
(b)本発明による技法によって、検出閾値として前の画像について計算された最適値を適用することにより検出される関心点の数のこれらの同じ変動、
(c)対応する閾値τの画像あたりの瞬間変動。
[7] R. Voigt、J. Nikolic、C. Hurzeler、S. Weiss、L. Kneip及びR. Siegwart「Robust Embedded Egomotion Estimation」2011 IEEF/RSJ International Conference on Intelligent Robots and Systems (IROS), 2011, pp. 2694-2699
[8]B. Kitt、A. Geiger及びH. Lategahn「Visual Odometry Based on Stereo Image Sequences with Ransac-Based Outlier Rejection Scheme」2010 IEEE Intelligent Vehicles (IV) Symposium, June 2010, pp. 486-492
Claims (13)
- カメラ(10)によって捕捉されるシーンの画像シーケンス(12)のデジタル画像における関心点の検出方法であって、該方法は、前記画像において検出される関心点の数(N)が前記閾値レベルに応じて変動するように検出閾値(τ)を用いてパラメータ化可能な関心点探索アルゴリズム(14)を実施し、
該方法は、検出される関心点の前記数(N)を前記閾値(τ)に応じて与える特性の減少指数関数によるモデル化によって特徴付けられ、この指数関数は解析される画像にリンクされた値(C、σ)を用いて動的にパラメータ化可能であり、該方法は以下のステップ、すなわち、
a)現在の画像について、前記減少指数関数のパラメータ化の値(C、σ)を求めるステップ(18)と、
b)前記現在の画像について、ステップa)において求められた前記値を用いてパラメータ化された前記モデル化された特性を用いることによって、前記検出閾値(τ)の最適値を予測するステップ(18)と、
c)前記現在の画像に続く少なくとも1つの画像に対し、ステップb)において計算された前記最適な検出閾値(τ)を用いて前記関心点探索アルゴリズムを適用するステップ(14)と、
を含むことを特徴とする、カメラによって捕捉されるシーンの画像シーケンスのデジタル画像における関心点の検出方法。 - ステップb)において予測される前記最適検出閾値(τ)は、前記検出される関心点の数を前記閾値に応じて与える前記特徴によって示されるような、関心点の所与の数(N)に対応する値である、請求項1に記載の方法。
- 現在の画像について、前記指数関数の前記パラメータ化の値を求める前記ステップa)は、以下のサブステップ、すなわち、
a1)前記検出閾値の第1の所定の値(τ1)を用いて前記探索アルゴリズム(14)によって前記現在の画像内の関心点の第1の探索を行うサブステップであって、結果として関心点の第1の数(N1)を与える、サブステップと、
a2)前記検出閾値の前記第1の所定の値(τ1)よりも高い前記検出閾値の第2の値(τ2)を用いて、前記探索アルゴリズム(14)によって前記現在の画像内の関心点の少なくとも1つの第2の探索を行うサブステップであって、結果として関心点の第2の数(N2)を与える、サブステップと、
a3)サブステップa1)及びサブステップa2)において得られた前記関心点の数(N1、N2)に基づいて前記パラメータ化の値C及びσを求めるサブステップと、
を含む、請求項1に記載の方法。 - 前記ステップa)及び前記ステップb)の前記反復的な実行中に、
カメラ自動露出情報を、前記検出閾値の前記予測のための補足入力データとして適用すること、
を更に含む、請求項1に記載の方法。 - 前記現在の画像(50;54)をサイズが低減された複数の部分画像(52;56)に分割することと、
前記現在の画像の様々な前記部分画像について独立してステップa)及びステップb)を実行することであって、結果として、各部分画像に固有の検出閾値の最適値を得ることと、
前記後続の画像の各部分画像について、該部分画像に固有のそれぞれの前記最適検出閾値を用いて前記関心点探索アルゴリズムを適用してステップc)を実行することと、
を更に含む、請求項1に記載の方法。 - 前記最適検出閾値は、全ての前記部分画像について関心点の所定の同じ数に対応する値である、請求項6に記載の方法。
- ステップa)の前に、前記画像ピラミット型の多重解像度表現を生成すること(30,32)であって、様々な連続して増大する解像度(QQQVGA、QQVGA、QVGA、VGA)において前記捕捉されるシーンの前記現在の画像をモデル化することと、
前記多重解像度表現のレベルごとにステップa)及びステップb)を反復的に実行すること(34、38、40)であって、より低い解像度のレベル(QQQVGA)から開始して、所与のレベルについて求められた前記検出閾値が、より高いレベルの解像度における前記検出閾値の前記予測のための入力データとして適用されることと、
前記多重解像度表現のレベルごとにステップa)及びステップb)を反復的に実行すること(34、38、40)であって、より低い解像度のレベル(QQQVGA)から開始して、所与のレベルについて前記求められた検出閾値が、より高いレベルの解像度における前記検出閾値の前記予測のための入力データとして適用されることと、
を更に含む、請求項1に記載の方法。 - 前記後続の画像の前記多重解像度表現のレベルごとに、該レベルに固有のそれぞれの前記最適検出閾値を用いて前記関心点探索アルゴリズムを適用して前記ステップc)を実行すること、
を更に含む、請求項8に記載の方法。 - ステップa)及びステップb)の前記反復的実行の間に、前記多重解像度表現のレベルごとに、
前記より高い解像度レベルにおける前記検出閾値の前記予測のための補足入力データとして、前記最適閾値及び前記より低いレベルの解像度に対応する前記適用される閾値を適用すること、
を更に含む、請求項8に記載の方法。 - ステップa)及びステップb)の前記反復的実行の間に、前記多重解像度表現のレベルごとに、
前記より高い解像度レベルにおける前記検出閾値の前記予測のための補足入力データとして、カメラ自動露出情報を適用すること、
を更に含む、請求項8に記載の方法。 - 前記画像ピラミッドの前記様々なレベルにおける前記画像(50;54)をサイズが低減された複数の部分画像(52;56)に分割することと、
前記様々な部分画像について独立してステップa)及びステップb)を実行することであって、結果として各部分画像に固有の最適検出閾値を得ることと、
前記後続画像の各部分画像について、該部分画像に固有のそれぞれの前記最適検出閾値を用いて前記関心点探索アルゴリズムを適用して前記ステップc)を実行することと、
を更に含む、請求項8に記載の方法。 - 前記最適検出閾値は、全ての前記部分画像について関心点の所定の同じ数に対応する値である、請求項12に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1453161 | 2014-04-09 | ||
FR1453161A FR3019924B1 (fr) | 2014-04-09 | 2014-04-09 | Procede de detection de points d'interet dans une image numerique |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2015201209A true JP2015201209A (ja) | 2015-11-12 |
Family
ID=51210559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015079671A Pending JP2015201209A (ja) | 2014-04-09 | 2015-04-09 | デジタル画像における関心点の検出方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9251418B2 (ja) |
EP (1) | EP2930659B1 (ja) |
JP (1) | JP2015201209A (ja) |
CN (1) | CN104978738A (ja) |
FR (1) | FR3019924B1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9524432B1 (en) * | 2014-06-24 | 2016-12-20 | A9.Com, Inc. | Fast interest point extraction for augmented reality |
CN106815800B (zh) * | 2015-12-02 | 2020-12-08 | 谷歌有限责任公司 | 用于在计算机系统中控制空间分辨率的方法和装置 |
IL243846B (en) * | 2016-01-28 | 2020-11-30 | Israel Aerospace Ind Ltd | Systems and methods for detecting simulated clouds |
US9936187B2 (en) | 2016-05-18 | 2018-04-03 | Siemens Healthcare Gmbh | Multi-resolution lightfield rendering using image pyramids |
DE102017205458A1 (de) * | 2017-03-30 | 2018-10-04 | Robert Bosch Gmbh | System und ein Verfahren zur Erkennung von Augen und Händen, insbesondere für ein Kraftfahrzeug |
CN110555352B (zh) * | 2018-06-04 | 2022-11-08 | 百度在线网络技术(北京)有限公司 | 一种兴趣点识别方法、装置、服务器和存储介质 |
CN109598268B (zh) * | 2018-11-23 | 2021-08-17 | 安徽大学 | 一种基于单流深度网络的rgb-d显著目标检测方法 |
CN110310297B (zh) * | 2019-06-17 | 2023-02-03 | 广州番禺职业技术学院 | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014016933A (ja) * | 2012-07-11 | 2014-01-30 | Olympus Corp | 画像処理装置及び画像処理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2951565B1 (fr) * | 2009-10-20 | 2016-01-01 | Total Immersion | Procede, programme d'ordinateur et dispositif de suivi hybride de representations d'objets, en temps reel, dans une sequence d'images |
US8873865B2 (en) | 2011-10-10 | 2014-10-28 | Qualcomm Incorporated | Algorithm for FAST corner detection |
US9600744B2 (en) * | 2012-04-24 | 2017-03-21 | Stmicroelectronics S.R.L. | Adaptive interest rate control for visual search |
CN103218825B (zh) * | 2013-03-15 | 2015-07-08 | 华中科技大学 | 一种尺度不变的时空兴趣点快速检测方法 |
-
2014
- 2014-04-09 FR FR1453161A patent/FR3019924B1/fr active Active
-
2015
- 2015-03-18 US US14/661,794 patent/US9251418B2/en not_active Expired - Fee Related
- 2015-04-02 EP EP15162364.2A patent/EP2930659B1/fr active Active
- 2015-04-08 CN CN201510163682.2A patent/CN104978738A/zh active Pending
- 2015-04-09 JP JP2015079671A patent/JP2015201209A/ja active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014016933A (ja) * | 2012-07-11 | 2014-01-30 | Olympus Corp | 画像処理装置及び画像処理方法 |
Non-Patent Citations (1)
Title |
---|
MUHAMMAD ALTAMASH KHAN ET AL.: "Characterization of SURF Interest Point Distribution for Visual Processing in Sensor Networks", 2013 18TH INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING(DSP), JPN6019020419, 2013, ISSN: 0004049610 * |
Also Published As
Publication number | Publication date |
---|---|
FR3019924B1 (fr) | 2016-05-06 |
US9251418B2 (en) | 2016-02-02 |
EP2930659B1 (fr) | 2016-12-21 |
FR3019924A1 (fr) | 2015-10-16 |
CN104978738A (zh) | 2015-10-14 |
EP2930659A1 (fr) | 2015-10-14 |
US20150294152A1 (en) | 2015-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2015201209A (ja) | デジタル画像における関心点の検出方法 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
CN107481256B (zh) | 用于更新背景模型的方法和装置 | |
US7636454B2 (en) | Method and apparatus for object detection in sequences | |
JP6908944B2 (ja) | 多重カメラまたはサラウンドビューモニタリングに利用されるために、ターゲット物体統合ネットワーク及びターゲット物体予測ネットワークを利用して、重要業績評価指標のようなユーザー要求事項に適用可能なcnn基盤の物体検出器を学習する方法及び学習装置、並びにこれを利用したテスティング方法及びテスティング装置 | |
CN105404884B (zh) | 图像分析方法 | |
Onzon et al. | Neural auto-exposure for high-dynamic range object detection | |
CN107944403B (zh) | 一种图像中的行人属性检测方法及装置 | |
KR101414670B1 (ko) | 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법 | |
WO2014128688A1 (en) | Method, system and software module for foreground extraction | |
CN112257569B (zh) | 一种基于实时视频流的目标检测和识别方法 | |
KR101548639B1 (ko) | 감시 카메라 시스템의 객체 추적장치 및 그 방법 | |
Pezzementi et al. | Putting image manipulations in context: robustness testing for safe perception | |
JP6931203B2 (ja) | 映像解析装置、映像解析方法、および映像解析プログラム | |
WO2014004271A2 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
JP6809613B2 (ja) | 画像前景の検出装置、検出方法及び電子機器 | |
Hu et al. | Robust motion detection using histogram of oriented gradients for illumination variations | |
KR101026778B1 (ko) | 차량 영상 검지 장치 | |
CN113628202B (zh) | 一种确定方法、清洁机器人和计算机存储介质 | |
KR102665603B1 (ko) | 스테레오 매칭을 위한 하드웨어 디스패러티 평가 | |
JP7153264B2 (ja) | 画像解析システム、画像解析方法及び画像解析プログラム | |
WO2022045877A1 (en) | A system and method for identifying occupancy of parking lots | |
CN113628251B (zh) | 一种智慧酒店终端监测方法 | |
JP4387889B2 (ja) | テンプレート照合装置および方法 | |
KR100566629B1 (ko) | 이동물체 검출 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20170213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170818 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180406 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190409 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190606 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200116 |