JP5714599B2 - イメージ認識のための記述子パッチの高速部分空間射影 - Google Patents
イメージ認識のための記述子パッチの高速部分空間射影 Download PDFInfo
- Publication number
- JP5714599B2 JP5714599B2 JP2012542206A JP2012542206A JP5714599B2 JP 5714599 B2 JP5714599 B2 JP 5714599B2 JP 2012542206 A JP2012542206 A JP 2012542206A JP 2012542206 A JP2012542206 A JP 2012542206A JP 5714599 B2 JP5714599 B2 JP 5714599B2
- Authority
- JP
- Japan
- Prior art keywords
- descriptor
- sparse
- feature point
- patch
- feature
- 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.)
- Expired - Fee Related
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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Burglar Alarm Systems (AREA)
Description
図1(図1A、1B、および1Cからなる)は、オブジェクト認識において、高速の部分空間のスパース射影ベクトルを生成し、用いるための各種ステージを示すブロック図である。
L(x,y,cσ)=G(x,y,cσ)*I(x,y)と定義されるように、スケールcσで、原イメージ I(x,y)を、ぼやかし化/平滑化関数 G(x,y,cσ)でたたみ込むことを含む。1つの例で、スケール空間ピラミッドは、ガウススケール空間ピラミッドであってよい。従って、平滑化/ぼやかし化関数Gは、ガウスカーネルであってよく、cσは、イメージI(x,y)をぼやかし化するために用いられるガウス関数Gの標準偏差を意味する。乗算子cが変化する(c0<c1<c2<c3<c4)と、標準偏差cσが変化し、イメージI(x,y)の段階的なぼやかし化/平滑化が得られる。ここで、σは基本スケール変数(base scale variable)(例えば、ガウスカーネルの幅)である。ぼやかし化されたイメージスケール空間Lを生成するために、初期イメージI(x,y)がガウス関数で増加的にたたみ込まれるとき、ぼやかし化されたイメージスケール空間Lは、スケール空間における定数因子cにより分割される。ガウスぼやかし化(平滑化)イメージスケール空間Lの数が増加し、ガウスピラミッド202のために与えられる近似が連続する空間に達すると、2つの空間は、また、1つの空間に近づく。1つの例で、たたみ込まれたイメージ空間Lじゃ、オクターブ(8度)によりグループ化され得、ここで、オクターブは、標準偏差σの値の2倍に一致する。さらに、イメージスケール空間Lの固定された数がオクターブあたりで得られるように、乗算子c(例えば、c0<c1<c2<c3<c4)の値が選択される。スケーリングの各オクターブは、明白なイメージの再サイズ化に対応し得る。従って、原イメージI(x,y)が段階的なぼやかし化/平滑化関数Gによってぼやかし化/平滑化されると、画素の数は暫時少なくされる。
主要なコンポーネントの解析(Principal Component Analysis (PCA))は、次元数の削減のための標準的な技法であり、特徴選択、オブジェクト認識、および顔認識を含む広い種類のコンピュータ画像の課題に適用されている。PCA−SIFTは、特徴点の近くでの傾斜の値が、PCAによって得られる、非常に小さな部分空間に投影されることができることを示している。記述子抽出の役割として、PCAは。データ(即ち、イメージにおける特徴点)を、高い次元の空間からより少ない次元の空間に線形変換するために用いられ得る。PCAは、低い次元の表現でのデータの相違が最大になるような方法で、より低い次元の空間にデータの線形マッピングをおこなう。
(b)行列Aの中に、全ての特徴点パッチに係る傾斜ベクトルを結合すること(行列の次元=k(パッチ)x3042(パッチあたりのベクトル)、
(c)行列Aの分散行列Aを計算する、
(d)分散行列Aの固有ベクトルと固有値を計算する、および
(e)射影行列(n x 3042である)を得るために、第1のn個の固有ベクトルを選択する。このプロセスは、しばしば、固有値分解と呼ばれる。
(2)あるパッチについて、その局所的なイメージの傾斜を計算処理する、
(3)圧縮した特徴ベクトル(compact feature vector)(即ち、記述子)を生成するために、固有空間を用いて傾斜イメージベクトルを射影する。
スパース部分空間射影アルゴリズムが、局所の傾斜パッチからの記述子の効率的な抽出のために説明される。記述子は、局所的な傾斜パッチを、ガウスベース関数のスパース組み合わせで表されるPCA部分空間に射影することにより得られる。ガウスベース関数の標準偏差は、ガウススケール空間ピラミッドにおけるスケールの違いの1つから選択される。従って、PCA部分空間へのパッチの射影は、スケール空間において、スパース係数を対応する傾斜に単純に掛け合わせることで得られる。
図7(図7A、7B、および7Cからなる)は、スパース射影ベクトルを推定する、または、生成するためのプロセスを示す。複数のトレーニングイメージ702a、702b、および702cが得られる。それらイメージにおいて検出される各特徴点について、パッチが当該特徴点の周りにつくられる。傾斜行列は、行列704として示される各パッチに関して得られ、そこでは、行列の各要素gは、n x n(例えば、n=39)のパッチにおける対応する標本、点、または画素の各々についての大きさを示す。各傾斜行列704は、各要素gの位置がその対応するパッチの中の予測可能または既知の位置をもつように構成され、または、配置され得る。複数の傾斜行列704(複数のトレーニング用イメージに係るパッチを示す)は、行列X 706の中にベクトル化され得る。行列X 706からの複数のk列が、ランダムに、または、非ランダムに、行列706‘に示されるように選択される。この例では、K=4で、行707a、707b、707c、および707dが選択されている。行列X 706の選択された行をわたる分散が、スパース係数行列710を得るために最大化される(708)。スパース係数行列710における係数は、最大の分散をなすように選択される。
図10(図10Aと10Bとからなる)は、特徴記述子がスパース射影行列にもとづいてどのように生成され得るかを示す。ここで、スパース射影行列A 1002は、(図7に示されるように)オフラインで得られている。この例において、第1の射影ベクトル(即ち、第1の行)は、非ゼロ係数 α1 2、α1 75、α1 201、およびα1 576を含む。これらの係数は、図示のようにn x nのパッチ1004(例えば、n=39)に写像される。
図12は、あらかじめ定められるスパース射影ベクトルを用いることによって。特徴記述子を生成するための方法を示す。あらかじめ生成される1組のスパース射影ベクトルが得られる(1202)。イメージに係るスケール空間が得られ、ここで、スケール空間は複数のスケールレベルをもつ(1204)。次に、スケール空間における特徴点に係る記述子は、スパース射影ベクトルと、複数のスケールレベルにわたる複数の画素についてまばらに標本化された画素情報と、の結合にもとづいて生成され得る(1206)。画素情報は、特徴点に関連するパッチの中の各画素についての傾斜情報を含んでもよい。複数の画素は、スパース射影ベクトルに係る非ゼロ係数に対応した、あらかじめ定められた位置で選択され得る。
図15は、スパースPCA−SIFTアルゴリズムを用いて生成される記述子の正確さがテストされる、同一のテストイメージの様々な視点を示す。これらのイメージ1502、1506、および1508は、一致の正確性や計算処理の複雑さの観点で、この中に開示されるスパースPCA−SIFTアルゴリズムをSIFTやPCA−SIFTアルゴリズムと企画するために用いられる。一致の正確性は、リコール−プレシジョン・カーブ(recall-precision curves)を用いて評価される。これらのプロット(図16)は、2次元のシーンの2つのイメージについて、それらの間の既知のホモグラフィ(homography:相同性)を用いて得られる。x2が特徴空間においてx1の最も近いものであり、最も近いものへの距離と2番目の最も近いものへの距離との比率がしきい値tの下になる場合、第1のイメージにおける記述子x1が第2のイメージにおける記述子x2と「一致」とされる。この比率のテストは、差異のない記述子の一致を避けるために使われる。特定のしきい値に係るリコール比率は、正しい一致の、第1と第2のイメージの間の全ての可能な対応関係の数に対する比、即ち、recall= #true matches / #correspondences 、で与えられる。プレシジョンは、一致化の手続きがどれくらい正確であるかを、正しい一致の、一致検出のトータル数に対する比率、即ち、precision= #true matches / #matches 、を計算することにより表す。しきい値tが変化するので、リコール−プレシジョン・カーブが得られる。
図18は、スパース射影ベクトルを用いて特徴点記述子を生成することのできるイメージ一致化デバイスの例を示すブロック図である。イメージ一致化デバイス1800は、通信インタフェース1804、イメージ獲得デバイス1806、および/または、格納デバイス1808に接続される処理回路1802を有する。通信インタフェース1804は、有線/無線ネットワーク上で通信を行い、イメージ、および/または、1またはそれより多くのイメージに関する特徴記述子を受けるように適合される。イメージ獲得デバイス1806は、例えば、クエリイメージを獲得することができるデジタルカメラであってもよい。処理回路1802は、イメージから特徴を抽出するためにイメージ処理回路1814を、クエリイメージをターゲットイメージのデータベース1810と、または、クエリイメージ記述子と記述子データベース1812と比較するために抽出された特徴を用いるイメージ一致化回路1816と、を有する。処理回路は、また、スパース射影ベクトルのスパース係数行列1809を生成する射影ベクトル生成回路1813を有する、または、実装できる。スパース射影ベクトルがどのように生成され、用いられるかの例は、図1、6、7、8、10、12、13、および14に示される。イメージ一致化デバイス1800は、前記図面に記載される1またはそれより多くの態様および/または方法を実装し得る。
図19は、イメージまたはオブジェクトの認識の目的のためにイメージ処理を実施するよう適合されるモバイルデバイスの例を示すブロック図である。モバイルデバイス2200は、イメージ獲得デバイス1904、通信インタフェース1910、および格納デバイス1908に接続される処理回路1902をもち得る。イメージ獲得デバイス1904(例えば、デジタルカメラ)は、関心の対象であるクエリイメージ1906を獲得し、処理回路1902にそれを与えるよう適合され得る。格納デバイス1908は、複数のスパース射影ベクトルを定義するスパース係数行列1913を有し得る。スパース係数行列1913は、1組のトレーニング用イメージにもとづいて(モバイルデバイス上で、または、異なるデバイスで)、予め生成される。
【0122】
この中に記載される発明の様々な形態は、当該発明から離れることなく、異なるシステムに実装され得る。上記実施形態は単なる例示であり、発明を限定することとして解釈されるべきでないことが注記される。実施形態の説明は、例示を意図されており、請求項の範囲を限定すること意図されてはいない。そのように、この中で教示することは他の形式の装置に容易に適用されることができ、多くの代替、変更、多様化は該技術に習熟した者に明白である。
以下に本願出願当初の特許請求の範囲に記載された発明を付記する。
[C1] あらかじめ生成されるスパース射影ベクトルの組を得ることと、 イメージに係るスケール空間を得ること、当該スケール空間は複数のスケールレベルをもつ、と、 前記スパース射影ベクトルと、前記複数のスケールレベルにわたる複数の画素に係るまばらに標本化される画素情報との結合にもとづいて、前記スケール空間における特徴点に係る記述子を生成することと、 を備える、特徴記述子を生成するための方法。
[C2] 前記スパース射影ベクトルは、イメージとは独立に生成される、請求項1に記載の方法。
[C3] 各スパース射影ベクトルは、前記イメージに係る平滑化カーネルのスケールに抑えられる、[C1]に記載の方法。
[C4] 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、[C1]に記載の方法。
[C5] 前記目的関数は、イメージのトレーニング用の組に係る複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、[C4]に記載の方法。
[C6] スパース射影ベクトルは、多数を占めるゼロ要素と複数の非ゼロ要素を含む、[C1]に記載の方法。
[C7] 前記非ゼロ要素は分散最大化手続きにより得られる、[C6]に記載の方法。
[C8] 前記画素情報は、前記特徴点に関連付けられるパッチの中の各画素に係る傾斜情報を含む、[C1]に記載の方法。
[C9] 前記複数の画素は、前記特徴点に係るパッチに関連付けられる、[C1]に記載の方法。
[C10] 前記複数の画素は、スパース射影ベクトルに係る非ゼロ係数に対応するあらかじめ定められた位置で選択される、[C1]に記載の方法。
[C11] 前記イメージに係る前記スケール空間から特徴点を得ることと、 前記特徴点に係るパッチ、前記パッチは前記複数の画素を含む、を得ることと、 をさらに備える、[C1]に記載の方法。
[C12] 前記複数のスパース射影ベクトルは、非ゼロスケーリング係数の組を定義し、 各非ゼロスケーリング係数は、前記パッチの中の対応する画素位置に関連付けられる、 [C1]に記載の方法。
[C13] 前記記述子は、複数の記述子要素を結合することによって生成され、 各記述子要素は、 第1のスパース射影ベクトルに係る非ゼロのスケーリング係数位置にもとづいて画素位置を特定することと、 前記パッチからの前記画素位置の値を、前記第1のスパース射影ベクトルに係る対応の非ゼロスケーリング係数に乗じ、第1の記述子要素を得るために結果の値を共に足すことと、 によって生成される、 [C12]に記載の方法。
[C14] 追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得ることをさらに備え、 前記第1の記述子要素と追加の記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、 [C13]に記載の方法。
[C15] 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記特徴点記述子は、前記パッチのm*n次元よりも少ない処理で生成される、 [C9]に記載の方法。
[C16] あらかじめ生成されるスパース射影ベクトルの組を記憶するための格納デバイスと、 前記格納デバイスに接続される処理回路と、を備え、 前記処理回路は、 イメージに係るスケール空間を得ること、当該スケール空間は複数のスケールレベルをもつ、と、 前記スパース射影ベクトルと、前記複数のスケールレベルにわたる複数の画素に係るまばらに標本化される画素情報との結合にもとづいて、前記スケール空間における特徴点に係る記述子を生成することと、 に適合される、デバイス。
[C17] 前記スパース射影ベクトルは、イメージとは独立に生成される、[C16]に記載のデバイス。
[C18] 各スパース射影ベクトルは、前記イメージに係る平滑化カーネルのスケールに抑えられる、[C16]に記載のデバイス。
[C19] 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、[C16]に記載のデバイス。
[C20] 前記目的関数は、イメージのトレーニング用の組に係る複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、[C19]に記載のデバイス。
[C21] スパース射影ベクトルは、多数を占めるゼロ要素と複数の非ゼロ要素を含む、[C16]に記載のデバイス。
[C22] 前記非ゼロ要素は分散最大化手続きにより得られる、[C21]に記載のデバイス。
[C23] 前記画素情報は、前記特徴点に関連付けられるパッチの中の各画素に係る傾斜情報を含む、[C16]に記載のデバイス。
[C24] 前記複数の画素は、前記特徴点に係るパッチに関連付けられる、[C16]に記載のデバイス。
[C25] 前記複数の画素は、スパース射影ベクトルに係る非ゼロ係数に対応するあらかじめ定められた位置で選択される、[C16]に記載のデバイス。
[C26] 前記処理回路は、さらに、 前記イメージに係る前記スケール空間から特徴点を得ることと、 前記特徴点に係るパッチ、前記パッチは前記複数の画素を含む、を得ることと、 に適合される、[C16]に記載のデバイス。
[C27] 前記複数のスパース射影ベクトルは、非ゼロスケーリング係数の組を定義し、 各非ゼロスケーリング係数は、前記パッチの中の対応する画素位置に関連付けられる、 [C26]に記載のデバイス。
[C28] 前記記述子は、複数の記述子要素を結合することによって生成され、 各記述子要素は、 第1のスパース射影ベクトルに係る非ゼロのスケーリング係数位置にもとづいて画素位置を特定することと、 前記パッチからの前記画素位置の値を、前記第1のスパース射影ベクトルに係る対応の非ゼロスケーリング係数に乗じ、第1の記述子要素を得るために結果の値を共に足すことと、 によって生成される、 [C27]に記載のデバイス。
[C29] 前記処理回路は、さらに、 追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得ることに適合され、 前記第1の記述子要素と追加の記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、 [C28]に記載のデバイス。
[C30] 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記特徴点記述子は、前記パッチのm*n次元よりも少ない処理で生成される、 [C24]に記載のデバイス。
[C31] あらかじめ生成されるスパース射影ベクトルの組を得るための手段と、 イメージに係るスケール空間を得るための手段、当該スケール空間は複数のスケールレベルをもつ、と、 前記スパース射影ベクトルと、前記複数のスケールレベルにわたる複数の画素に係るまばらに標本化される画素情報との結合にもとづいて、前記スケール空間における特徴点に係る記述子を生成する手段と、 を備えるデバイス。
[C32] 前記スパース射影ベクトルは、イメージとは独立に生成される、[C31]に記載のデバイス。
[C33] 各スパース射影ベクトルは、前記イメージに係る平滑化カーネルのスケールに抑えられる、[C31]に記載のデバイス。
[C34] 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、[C31]に記載のデバイス。
[C35] 前記目的関数は、イメージのトレーニング用の組に係る複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、[C34]に記載のデバイス。
[C36] スパース射影ベクトルは、多数を占めるゼロ要素と複数の非ゼロ要素を含む、[C31]に記載のデバイス。
[C37] 前記非ゼロ要素は分散最大化手続きにより得られる、[C36]に記載のデバイス。
[C38] 前記画素情報は、前記特徴点に関連付けられるパッチの中の各画素に係る傾斜情報を含む、[C31]に記載のデバイス。
[C39] 前記複数の画素は、前記特徴点に係るパッチに関連付けられる、[C31]に記載のデバイス。
[C40] 前記複数の画素は、スパース射影ベクトルに係る非ゼロ係数に対応するあらかじめ定められた位置で選択される、[C31]に記載のデバイス。
[C41] 前記イメージに係る前記スケール空間から特徴点を得るための手段と、 前記特徴点に係るパッチ、前記パッチは前記複数の画素を含む、を得るための手段と、 をさらに備える、[C31]に記載のデバイス。
[C42] 前記複数のスパース射影ベクトルは、非ゼロスケーリング係数の組を定義し、 各非ゼロスケーリング係数は、前記パッチの中の対応する画素位置に関連付けられる、 [C41]に記載のデバイス。
[C43] 前記記述子は、複数の記述子要素を結合することによって生成され、 各記述子要素は、 第1のスパース射影ベクトルに係る非ゼロのスケーリング係数位置にもとづいて画素位置を特定するための手段と、 前記パッチからの前記画素位置の値を、前記第1のスパース射影ベクトルに係る対応の非ゼロスケーリング係数に乗じ、第1の記述子要素を得るために結果の値を共に足すための手段と、 によって生成される、 [C42]に記載のデバイス。
[C44] 追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得るための手段をさらに備え、 前記第1の記述子要素と追加の記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、 [C43]に記載のデバイス。
[C45] 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記特徴点記述子は、前記パッチのm*n次元よりも少ない処理で生成される、 [C39]に記載のデバイス。
[C46] デバイス上で動作し、 処理回路によって実行されると、前記処理回路に、
あらかじめ生成されるスパース射影ベクトルの組を得ることと、 イメージに係るスケール空間を得ること、当該スケール空間は複数のスケールレベルをもつ、と、 前記スパース射影ベクトルと、前記複数のスケールレベルにわたる複数の画素に係るまばらに標本化される画素情報との結合にもとづいて、前記スケール空間における特徴点に係る記述子を生成することと、 をさせる、1またはそれより多くの命令を備える、プロセッサ読み出し可能媒体。
[C47] 前記スパース射影ベクトルは、イメージとは独立に生成される、[C46]に記載のプロセッサ読み出し可能媒体。
[C48] 各スパース射影ベクトルは、前記イメージに係る平滑化カーネルのスケールに抑えられる、[C46]に記載のプロセッサ読み出し可能媒体。
[C49] 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、[C46]に記載のプロセッサ読み出し可能媒体。
[C50] 前記目的関数は、イメージのトレーニング用の組に係る複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、[C49]に記載のプロセッサ読み出し可能媒体。
[C51] スパース射影ベクトルは、多数を占めるゼロ要素と複数の非ゼロ要素を含む、[C46]に記載のプロセッサ読み出し可能媒体。
[C52] 前記非ゼロ要素は分散最大化手続きにより得られる、[C51]に記載のプロセッサ読み出し可能媒体。
[C53] 前記画素情報は、前記特徴点に関連付けられるパッチの中の各画素に係る傾斜情報を含む、[C46]に記載のプロセッサ読み出し可能媒体。
[C54] 前記複数の画素は、前記特徴点に係るパッチに関連付けられる、[C46]に記載のプロセッサ読み出し可能媒体。
[C55] 前記複数の画素は、スパース射影ベクトルに係る非ゼロ係数に対応するあらかじめ定められた位置で選択される、[C46]に記載のプロセッサ読み出し可能媒体。
[C56] 前記処理回路により実行されると、前記処理回路に、 前記イメージに係る前記スケール空間から特徴点を得ることと、 前記特徴点に係るパッチ、前記パッチは前記複数の画素を含む、を得ることと、 をさせる1またはそれより多くの命令をさらに備える、[C46]に記載のプロセッサ読み出し可能媒体。
[C57] 前記複数のスパース射影ベクトルは、非ゼロスケーリング係数の組を定義し、 各非ゼロスケーリング係数は、前記パッチの中の対応する画素位置に関連付けられる、 [C46]に記載のプロセッサ読み出し可能媒体。
[C58] 前記記述子は、複数の記述子要素を結合することによって生成され、 各記述子要素は、 第1のスパース射影ベクトルに係る非ゼロのスケーリング係数位置にもとづいて画素位置を特定することと、 前記パッチからの前記画素位置の値を、前記第1のスパース射影ベクトルに係る対応の非ゼロスケーリング係数に乗じ、第1の記述子要素を得るために結果の値を共に足すことと、 によって生成される、 [C57]に記載のプロセッサ読み出し可能媒体。
[C59] 前記処理回路により実行されると、前記処理回路に、 追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得ること、 をさせる1またはそれより多くの命令をさらに備え、 前記第1の記述子要素と追加の記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、 [C58]に記載のプロセッサ読み出し可能媒体。
[C60] 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記特徴点記述子は、前記パッチのm*n次元よりも少ない処理で生成される、 [C54]に記載のプロセッサ読み出し可能媒体。
Claims (41)
- イメージのトレーニング用の組における第1の複数のスケールレベルにわたって検出される特徴点の各々の周りに定義されるパッチについてあらかじめ生成されるスパース射影ベクトルの行を含むスパース係数行列を記憶することと、
第2の複数のスケールレベルにわたって、問い合わせイメージに係るスケール空間を得ることと、
前記得られたスケール空間から1またはそれより多くの特徴点を特定することと、
各特徴点の周りのパッチに関して傾斜ベクトルを生成すること、前記傾斜ベクトルは、前記パッチの中の画素の各々についての傾斜を含む、と、
前記スパース係数行列における非ゼロ係数と前記スパース係数行列における前記非ゼロ係数に対応する位置に関する前記傾斜とを処理することによって、各特徴点についての複数の特徴記述子要素を得ることと、
前記スケール空間における各特徴点に係る特徴点記述子を生成するために、前記複数の特徴記述子要素をベクトルに結合することと、
を備える、特徴点記述子を生成するための方法。 - 前記スパース射影ベクトルは、前記問い合わせイメージとは独立に生成される、請求項1に記載の方法。
- 各スパース射影ベクトルは、前記問い合わせイメージに係る平滑化カーネルのスケールに抑えられる、請求項1に記載の方法。
- 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、請求項1に記載の方法。
- 前記目的関数は、イメージの前記トレーニング用の組に係る前記第1の複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、請求項4に記載の方法。
- 前記スパース射影ベクトルの各々は、多数を占めるゼロ要素と複数の非ゼロ要素を含む、請求項1に記載の方法。
- 前記非ゼロ要素は分散最大化手続きにより得られる、請求項6に記載の方法。
- 前記特徴記述子要素を結合することは、
前記パッチからの前記位置に関する前記傾斜を、前記スパース係数行列における対応する前記非ゼロ係数に乗じ、前記特徴点記述子を得るために、該結果の値を共に足すこと、を備える、請求項1に記載の方法。 - 追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得ることをさらに備え、
前記記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、請求項8に記載の方法。 - 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記第2の複数のスケールレベルs上で射影され、そこで、前記特徴点記述子は、前記パッチのm*n*s次元よりも少ない処理で生成される、
請求項1に記載の方法。 - イメージのトレーニング用の組における第1の複数のスケールレベルにわたって検出される特徴点の各々の周りに定義されるパッチについてあらかじめ生成されるスパース射影ベクトルの行を含むスパース係数行列を記憶するための格納デバイスと、
前記格納デバイスに接続される処理回路と、を備え、
前記処理回路は、
第2の複数のスケールレベルにわたって、問い合わせイメージに係るスケール空間を得ることと、
前記得られたスケール空間から1またはそれより多くの特徴点を特定することと、
各特徴点の周りのパッチに関して傾斜ベクトルを生成すること、前記傾斜ベクトルは、前記パッチの中の画素の各々についての傾斜を含む、と、
前記スパース係数行列における非ゼロ係数と前記スパース係数行列における前記非ゼロ係数に対応する位置に関する前記傾斜とを処理することによって、各特徴点についての複数の特徴記述子要素を得ることと、
前記スケール空間における各特徴点に係る特徴点記述子を生成するために、前記複数の特徴記述子要素をベクトルに結合することと、
に適合される、デバイス。 - 前記スパース射影ベクトルは、前記問い合わせイメージとは独立に生成される、請求項11に記載のデバイス。
- 各スパース射影ベクトルは、前記問い合わせイメージに係る平滑化カーネルのスケールに抑えられる、請求項11に記載のデバイス。
- 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、請求項11に記載のデバイス。
- 前記目的関数は、イメージの前記トレーニング用の組に係る前記第1の複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、請求項14に記載のデバイス。
- 前記スパース射影ベクトルの各々は、多数を占めるゼロ要素と複数の非ゼロ要素を含む、請求項11に記載のデバイス。
- 前記非ゼロ要素は分散最大化手続きにより得られる、請求項16に記載のデバイス。
- 前記処理回路は、さらに、
第1のスパース射影ベクトルに係る非ゼロのスケーリング係数の前記位置にもとづいて画素位置を特定することと、
前記パッチからの前記位置に関する前記傾斜を、前記スパース係数行列における対応する前記非ゼロ係数に乗じ、前記特徴点記述子を得るために、該結果の値を共に足すことと、
に適合される、請求項11に記載のデバイス。 - 前記処理回路は、さらに、
追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得ることに適合され、
前記記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、請求項18に記載のデバイス。 - 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記第2の複数のスケールレベルs上で射影され、そこで、前記特徴点記述子は、前記パッチのm*n*s次元よりも少ない処理で生成される、
請求項11に記載のデバイス。 - イメージのトレーニング用の組における第1の複数のスケールレベルにわたって検出される特徴点の各々の周りに定義されるパッチについてあらかじめ生成されるスパース射影ベクトルの行を含むスパース係数行列を記憶するための手段と、
第2の複数のスケールレベルにわたって、問い合わせイメージに係るスケール空間を得るための手段と、
前記得られたスケール空間から1またはそれより多くの特徴点を特定するための手段と、
各特徴点の周りのパッチに関して傾斜ベクトルを生成するための手段、前記傾斜ベクトルは、前記パッチの中の画素の各々についての傾斜を含む、と、
前記スパース係数行列における非ゼロ係数と前記スパース係数行列における前記非ゼロ係数に対応する位置に関する前記傾斜とを処理することによって、各特徴点についての複数の特徴記述子要素を得るための手段と、
前記スケール空間における各特徴点に係る特徴点記述子を生成するために、前記複数の特徴記述子要素をベクトルに結合するための手段と、
を備える、特徴点記述子を生成するためのデバイス。 - 前記スパース射影ベクトルは、前記問い合わせイメージとは独立に生成される、請求項21に記載のデバイス。
- 各スパース射影ベクトルは、前記問い合わせイメージに係る平滑化カーネルのスケールに抑えられる、請求項21に記載のデバイス。
- 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、請求項21に記載のデバイス。
- 前記目的関数は、イメージの前記トレーニング用の組に係る前記第1の複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、請求項24に記載のデバイス。
- 前記スパース射影ベクトルの各々は、多数を占めるゼロ要素と複数の非ゼロ要素を含む、請求項21に記載のデバイス。
- 前記非ゼロ要素は分散最大化手続きにより得られる、請求項26に記載のデバイス。
- 前記結合するための手段は、
前記パッチからの前記位置に関する前記傾斜を、前記スパース係数行列における対応する前記非ゼロ係数に乗じ、前記特徴点記述子を得るために、該結果の値を共に足すための手段、
を備える、請求項21に記載のデバイス。 - 追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得るための手段をさらに備え、
前記記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、請求項28に記載のデバイス。 - 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記第2の複数のスケールレベルs上で射影され、そこで、前記特徴点記述子は、前記パッチのm*n*s次元よりも少ない処理で生成される、請求項21に記載のデバイス。
- デバイス上で動作し、
処理回路によって実行されると、前記処理回路に、
イメージのトレーニング用の組における第1の複数のスケールレベルにわたって検出される特徴点の各々の周りに定義されるパッチについてあらかじめ生成されるスパース射影ベクトルの行を含むスパース係数行列を記憶することと、
第2の複数のスケールレベルにわたって、問い合わせイメージに係るスケール空間を得ることと、
前記得られたスケール空間から1またはそれより多くの特徴点を特定することと、
各特徴点の周りのパッチに関して傾斜ベクトルを生成すること、前記傾斜ベクトルは、前記パッチの中の画素の各々についての傾斜を含む、と、
前記スパース係数行列における非ゼロ係数と前記スパース係数行列における前記非ゼロ係数に対応する位置に関する前記傾斜とを処理することによって、各特徴点についての複数の特徴記述子要素を得ることと、
前記スケール空間における各特徴点に係る特徴点記述子を生成するために、前記複数の特徴記述子要素をベクトルに結合することと、
をさせる、1またはそれより多くの命令を備える、プロセッサ読み出し可能記憶媒体。 - 前記スパース射影ベクトルは、前記問い合わせイメージとは独立に生成される、請求項31に記載のプロセッサ読み出し可能記憶媒体。
- 各スパース射影ベクトルは、前記問い合わせイメージに係る平滑化カーネルのスケールに抑えられる、請求項31に記載のプロセッサ読み出し可能記憶媒体。
- 前記スパース射影ベクトルの各々は、目的関数を最大化または最小化する、請求項31に記載のプロセッサ読み出し可能記憶媒体。
- 前記目的関数は、イメージの前記トレーニング用の組に係る前記第1の複数のスケールレベルにわたる画素情報についての自己相関行列の最大化である、請求項34に記載のプロセッサ読み出し可能記憶媒体。
- 前記スパース射影ベクトルの各々は、多数を占めるゼロ要素と複数の非ゼロ要素を含む、請求項31に記載のプロセッサ読み出し可能記憶媒体。
- 前記非ゼロ要素は分散最大化手続きにより得られる、請求項36に記載のプロセッサ読み出し可能記憶媒体。
- 前記1またはそれより多くの命令は、前記処理回路に、さらに、
前記パッチからの前記位置に関する前記傾斜を、前記スパース係数行列における対応する前記非ゼロ係数に乗じ、前記特徴点記述子を得るために、該結果の値を共に足すこと、をさせる、
請求項31に記載のプロセッサ読み出し可能記憶媒体。 - 前記処理回路により実行されると、前記処理回路に、
追加の記述子要素を得るために、前記残りの複数のスパース射影ベクトルに係る追加の記述子要素を得ること、
をさせる1またはそれより多くの命令をさらに備え、
前記記述子要素は、前記特徴点記述子を得るためにベクトルとして結合される、請求項38に記載のプロセッサ読み出し可能記憶媒体。 - 前記パッチは、m画素かけるn画素の大きさ(次元)をもち、前記第2の複数のスケールレベルs上で射影され、そこで、前記特徴点記述子は、前記パッチのm*n*s次元よりも少ない処理で生成される、
請求項31に記載のプロセッサ読み出し可能記憶媒体。 - 前記問い合わせイメージに係る前記スケール空間は異なるスケール空間である、請求項1に記載の方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US26595009P | 2009-12-02 | 2009-12-02 | |
US61/265,950 | 2009-12-02 | ||
US41275910P | 2010-11-11 | 2010-11-11 | |
US61/412,759 | 2010-11-11 | ||
PCT/US2010/058807 WO2011069023A2 (en) | 2009-12-02 | 2010-12-02 | Fast subspace projection of descriptor patches for image recognition |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013513168A JP2013513168A (ja) | 2013-04-18 |
JP5714599B2 true JP5714599B2 (ja) | 2015-05-07 |
Family
ID=43920389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012542206A Expired - Fee Related JP5714599B2 (ja) | 2009-12-02 | 2010-12-02 | イメージ認識のための記述子パッチの高速部分空間射影 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8897572B2 (ja) |
EP (1) | EP2507743A2 (ja) |
JP (1) | JP5714599B2 (ja) |
KR (1) | KR101420550B1 (ja) |
CN (1) | CN102782708A (ja) |
WO (1) | WO2011069023A2 (ja) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9530073B2 (en) * | 2010-04-20 | 2016-12-27 | Qualcomm Incorporated | Efficient descriptor extraction over multiple levels of an image scale space |
US9122955B2 (en) * | 2010-06-28 | 2015-09-01 | Ramot At Tel-Aviv University Ltd. | Method and system of classifying medical images |
US20120182442A1 (en) * | 2011-01-14 | 2012-07-19 | Graham Kirsch | Hardware generation of image descriptors |
US9014470B2 (en) * | 2011-08-31 | 2015-04-21 | Adobe Systems Incorporated | Non-rigid dense correspondence |
US9412020B2 (en) * | 2011-11-09 | 2016-08-09 | Board Of Regents Of The University Of Texas System | Geometric coding for billion-scale partial-duplicate image search |
WO2013073621A1 (ja) * | 2011-11-18 | 2013-05-23 | 日本電気株式会社 | 局所特徴量抽出装置、局所特徴量抽出方法、及びプログラム |
JP2013187726A (ja) * | 2012-03-08 | 2013-09-19 | Casio Comput Co Ltd | 画像解析装置、画像処理装置、画像解析方法及びプログラム |
CN103578093B (zh) * | 2012-07-18 | 2016-08-17 | 成都理想境界科技有限公司 | 图像配准方法、装置及增强现实系统 |
US20150302270A1 (en) * | 2012-08-07 | 2015-10-22 | Metaio Gmbh | A method of providing a feature descriptor for describing at least one feature of an object representation |
GB201313125D0 (en) * | 2013-07-23 | 2013-09-04 | Univ Singapore Technology & Design | Method and system for classifying images |
KR101491461B1 (ko) | 2013-08-02 | 2015-02-23 | 포항공과대학교 산학협력단 | 공분산 기술자를 이용하는 물체 인식 방법 및 장치 |
US9940506B2 (en) * | 2013-11-25 | 2018-04-10 | Ehsan FAZL ERSI | System and method for face recognition |
US9544655B2 (en) * | 2013-12-13 | 2017-01-10 | Nant Holdings Ip, Llc | Visual hash tags via trending recognition activities, systems and methods |
CN104751440A (zh) * | 2013-12-31 | 2015-07-01 | 西门子医疗保健诊断公司 | 一种基于图像处理的方法和装置 |
US9224030B2 (en) | 2014-01-10 | 2015-12-29 | Qualcomm Incorporated | Sensor identification |
KR102018046B1 (ko) * | 2014-02-24 | 2019-09-04 | 한국전자통신연구원 | 이미지 특징 추출 장치 및 방법 |
KR101581112B1 (ko) | 2014-03-26 | 2015-12-30 | 포항공과대학교 산학협력단 | 계층적 패턴 구조에 기반한 기술자 생성 방법 및 이를 이용한 객체 인식 방법과 장치 |
US9558426B2 (en) | 2014-04-24 | 2017-01-31 | Nant Holdings Ip, Llc | Robust feature identification for image-based object recognition |
CN105224582B (zh) * | 2014-07-03 | 2018-11-09 | 联想(北京)有限公司 | 信息处理方法和设备 |
US11544962B2 (en) * | 2014-07-15 | 2023-01-03 | FaceChecks LLC | Multi-algorithm-based face recognition system and method with optimal dataset partitioning for a cloud environment |
CN104156696B (zh) * | 2014-07-23 | 2017-04-12 | 华南理工大学 | 基于双方向图的快速局部不变特征描述子的构造方法 |
JP6460520B2 (ja) * | 2014-12-19 | 2019-01-30 | Kddi株式会社 | 特徴記述装置、方法及びプログラム |
US9483706B2 (en) * | 2015-01-08 | 2016-11-01 | Linear Algebra Technologies Limited | Hardware accelerator for histogram of gradients |
CN104881798A (zh) * | 2015-06-05 | 2015-09-02 | 北京京东尚科信息技术有限公司 | 基于商品图像特征的个性化搜索装置及方法 |
CN104881877A (zh) * | 2015-06-12 | 2015-09-02 | 哈尔滨工业大学 | 基于fpga的卷积与时序优化的图像关键点检测的方法 |
US9830528B2 (en) * | 2015-12-09 | 2017-11-28 | Axis Ab | Rotation invariant object feature recognition |
CN109074369B (zh) | 2016-03-08 | 2022-03-04 | 河谷控股Ip有限责任公司 | 用于基于图像的对象识别的图像特征组合 |
US20170323149A1 (en) * | 2016-05-05 | 2017-11-09 | International Business Machines Corporation | Rotation invariant object detection |
JP6772737B2 (ja) | 2016-10-04 | 2020-10-21 | 富士通株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
CN106503648A (zh) * | 2016-10-20 | 2017-03-15 | 北京邮电大学 | 基于稀疏投影二值编码的人脸识别方法及装置 |
US11189020B2 (en) | 2019-02-06 | 2021-11-30 | Thanh Phuoc Hong | Systems and methods for keypoint detection |
CN110136100B (zh) * | 2019-04-16 | 2021-02-19 | 华南理工大学 | Ct切片图像的自动分类方法和装置 |
CN110232387B (zh) * | 2019-05-24 | 2022-08-05 | 河海大学 | 一种基于kaze-hog算法的异源图像匹配方法 |
CN110909105B (zh) * | 2019-11-25 | 2022-08-19 | 上海有个机器人有限公司 | 机器人地图的构建方法及系统 |
US11256956B2 (en) * | 2019-12-02 | 2022-02-22 | Qualcomm Incorporated | Multi-stage neural network process for keypoint detection in an image |
CN111414925B (zh) * | 2020-03-18 | 2023-04-18 | 北京百度网讯科技有限公司 | 图像处理方法、装置、计算设备和介质 |
CN113537202B (zh) * | 2020-04-15 | 2023-10-27 | 珠海一微半导体股份有限公司 | 硬件加速的sift特征点的坐标定位方法、系统及芯片 |
US11645831B2 (en) * | 2020-07-07 | 2023-05-09 | Applied Materials Israel Ltd. | Identification of an array in a semiconductor specimen |
US11810266B2 (en) * | 2021-03-19 | 2023-11-07 | Apple Inc. | Pattern radius adjustment for keypoint descriptor generation |
US11475240B2 (en) * | 2021-03-19 | 2022-10-18 | Apple Inc. | Configurable keypoint descriptor generation |
KR20230017549A (ko) * | 2021-07-28 | 2023-02-06 | 주식회사 넥스트칩 | 특징점에 대한 기술자를 생성하기 위한 전자 장치 및 그 동작 방법 |
US20230281863A1 (en) * | 2022-03-07 | 2023-09-07 | Microsoft Technology Licensing, Llc | Model fitting using keypoint regression |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5481621A (en) * | 1992-05-28 | 1996-01-02 | Matsushita Electric Industrial Co., Ltd. | Device and method for recognizing an image based on a feature indicating a relative positional relationship between patterns |
US7194134B2 (en) * | 2001-01-02 | 2007-03-20 | Microsoft Corporation | Hierarchical, probabilistic, localized, semantic image classifier |
US6678874B1 (en) * | 2001-11-28 | 2004-01-13 | Unisys Corporation | Computer-aided design (CAD) tool |
US7054468B2 (en) | 2001-12-03 | 2006-05-30 | Honda Motor Co., Ltd. | Face recognition using kernel fisherfaces |
JP4613617B2 (ja) | 2005-01-07 | 2011-01-19 | ソニー株式会社 | 画像処理システム、学習装置および方法、並びにプログラム |
US7949186B2 (en) | 2006-03-15 | 2011-05-24 | Massachusetts Institute Of Technology | Pyramid match kernel and related techniques |
ATE470912T1 (de) | 2006-04-28 | 2010-06-15 | Toyota Motor Europ Nv | Robuster detektor und deskriptor für einen interessenspunkt |
JP4883649B2 (ja) * | 2006-08-31 | 2012-02-22 | 公立大学法人大阪府立大学 | 画像認識方法、画像認識装置および画像認識プログラム |
US8363973B2 (en) | 2008-10-01 | 2013-01-29 | Fuji Xerox Co., Ltd. | Descriptor for image corresponding point matching |
US8374442B2 (en) * | 2008-11-19 | 2013-02-12 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
DE102009022834A1 (de) | 2009-05-27 | 2010-12-09 | Siemens Aktiengesellschaft | Verfahren zur automatischen Analyse von Bilddaten einer Struktur |
JP4844657B2 (ja) | 2009-07-31 | 2011-12-28 | カシオ計算機株式会社 | 画像処理装置及び方法 |
CN102763123B (zh) | 2009-12-02 | 2015-03-25 | 高通股份有限公司 | 通过使查询图像和模型图像中的检测到的关键点成群集而进行特征匹配 |
US8798377B2 (en) | 2010-02-08 | 2014-08-05 | Telefonica, S.A. | Efficient scale-space extraction and description of interest points |
US9189137B2 (en) | 2010-03-08 | 2015-11-17 | Magisto Ltd. | Method and system for browsing, searching and sharing of personal video by a non-parametric approach |
US8948515B2 (en) | 2010-03-08 | 2015-02-03 | Sightera Technologies Ltd. | Method and system for classifying one or more images |
US9639949B2 (en) | 2010-03-15 | 2017-05-02 | Analog Devices, Inc. | Edge orientation for second derivative edge detection methods |
US9530073B2 (en) | 2010-04-20 | 2016-12-27 | Qualcomm Incorporated | Efficient descriptor extraction over multiple levels of an image scale space |
-
2010
- 2010-12-02 JP JP2012542206A patent/JP5714599B2/ja not_active Expired - Fee Related
- 2010-12-02 EP EP10801734A patent/EP2507743A2/en not_active Withdrawn
- 2010-12-02 WO PCT/US2010/058807 patent/WO2011069023A2/en active Application Filing
- 2010-12-02 KR KR1020127017263A patent/KR101420550B1/ko not_active IP Right Cessation
- 2010-12-02 CN CN2010800544015A patent/CN102782708A/zh active Pending
- 2010-12-02 US US12/959,347 patent/US8897572B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102782708A (zh) | 2012-11-14 |
KR101420550B1 (ko) | 2014-07-16 |
JP2013513168A (ja) | 2013-04-18 |
WO2011069023A2 (en) | 2011-06-09 |
WO2011069023A3 (en) | 2011-07-28 |
EP2507743A2 (en) | 2012-10-10 |
KR20120102738A (ko) | 2012-09-18 |
US8897572B2 (en) | 2014-11-25 |
US20110299782A1 (en) | 2011-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5714599B2 (ja) | イメージ認識のための記述子パッチの高速部分空間射影 | |
JP5503018B2 (ja) | 一様なおよび一様でない照明の変化の中での特徴検出を改善するための尺度空間正規化技術 | |
US8705876B2 (en) | Improving performance of image recognition algorithms by pruning features, image scaling, and spatially constrained feature matching | |
JP5602940B2 (ja) | 事前計算されたスケール空間からのデイジー記述子生成 | |
KR101117837B1 (ko) | 멀티 스케일 지향 패치를 이용한 멀티 이미지 특징 매칭 | |
JP5451302B2 (ja) | 画像処理装置及び方法、プログラム及び記憶媒体 | |
US8798377B2 (en) | Efficient scale-space extraction and description of interest points | |
US20080205764A1 (en) | Information processing apparatus, method, and program | |
US20130089260A1 (en) | Systems, Methods, and Software Implementing Affine-Invariant Feature Detection Implementing Iterative Searching of an Affine Space | |
KR100950776B1 (ko) | 얼굴 인식 방법 | |
Patterson et al. | Object detection from large-scale 3d datasets using bottom-up and top-down descriptors | |
CN111753119A (zh) | 一种图像搜索方法、装置、电子设备及存储介质 | |
CN104520878A (zh) | 提供用于描述对象表示的至少一个特征的特征描述符的方法 | |
Toca et al. | Normalized Autobinomial Markov Channels For Pedestrian Detection. | |
JP2014010633A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム | |
KR101741761B1 (ko) | 멀티 프레임 기반 건물 인식을 위한 특징점 분류 방법 | |
CN114445916A (zh) | 一种活体检测方法、终端设备及存储介质 | |
JP2006252504A (ja) | パターン認識装置、パターン認識方法、パターン認識プログラム、及びパターン認識プログラムの記録媒体 | |
Estrada et al. | Appearance-based keypoint clustering | |
Thomas et al. | Real-time robust image feature description and matching | |
Gilani | Object recognition by modified scale invariant feature transform | |
Goshtasby et al. | Image descriptors | |
Zhang et al. | 3DMKDSRC: A novel approach for 3D face recognition | |
JP2010055325A (ja) | パターン認識装置及びパターン認識方法 | |
野坂龍佑 | Feature extraction based on spatial co-occurrence and rotation properties for image recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130729 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130806 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20131011 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20131021 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20140106 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20140114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140701 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141001 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150210 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150311 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5714599 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |