Анализ изображений и видео 1, осень 2014: model fitting
TRANSCRIPT
Анализ изображений и видео
Наталья Васильева [email protected] HP Labs Russia
26 ноября 2013, Computer Science Center
Лекция 6: Геометрическая согласованность локальных признаков, подгонка параметров моделей
2 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Сравнение изображений при помощи локальных признаков: основные шаги
1. Локализация особых точек
2. Выделение особых фрагментов – окрестности ключевых точек, инвариантные к различного рода преобразованиям
3. Построение векторов признаков для найденных фрагментов
4. Сопоставление наборов локальных признаков для двух изображений
Fig. credit: K. Grauman, B. Leibe
3 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Какие могут быть сложности?
• Особые фрагменты не всегда уникальны и однозначно сопоставимы
• Могут быть ложные соответствия
4 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
5 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Сравнение изображений при помощи локальных признаков: основные шаги
1. Локализация особых точек 2. Выделение особых фрагментов –
окрестности ключевых точек, инвариантные к различного рода преобразованиям
3. Построение векторов признаков для найденных фрагментов
4. Сопоставление наборов локальных признаков для двух изображений
5. Проверка геометрической согласованности (взаимное расположение особенностей относительно друг друга), отбраковка выбросов
Fig. credit: K. Grauman, B. Leibe
6 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Когда еще полезно ограничение на взаимное расположение? • Умеем находить локальные особенности
•Края, углы,...
• Во многих случаях знаем, что особые точки должны располагаться относительно друг друга определенным образом
•прямые линии, окружности,...
• Если геометрическая модель заранее известна, то можно сгруппировать данные по модели => получим более компактное, точное и высокоуровневое представление данных
9300 Harris Corners Pkwy, Charlotte, NC
Slide credit: S. Lazebnik
7 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Когда еще полезно ограничение на взаимное расположение?
При распознавании объектов заранее известной формы
8 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Как задать ограничение на взаимное расположение?
При помощи параметрической модели:
Простая модель: линии Простая модель: окружности
Более сложная модель: машина
Source: K. Grauman
9 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Как задать ограничение на взаимное расположение?
При помощи параметрической модели:
Source: K. Grauman
Модель преобразования: перенос + поворот + сжатие/растяжение
10 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Примеры задач на сопоставление
Составление панорам
Распознавание объектов
Source: S. Lazebnik
11 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Параметрическая модель
где – вектор данных (наблюдаемые и ожидаемые значения), – вектор параметров модели.
0),( =axF
При распознавании объектов заданной геометрической формы:
При сопоставлении изображений:
xa
),( yx=x
),,,( 2211 yxyx=x
12 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Общая схема решения
• Выбрать модель (с точностью до параметров), которая будет наилучшим образом описывать имеющийся набор данных
• Оценить параметры модели по набору данных • Чтобы модель при подобранных параметрах как можно более точно
описывала данные, несмотря на наличие шума/выбросов • Необходимо максимизировать число точек, удовлетворяющих модели (“inliers”)
• Имея модель и параметры, отфильтровать лишние точки – отбраковать выбросы (“outliers”)
13 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
В чем сложности?
•Наличие шума в данных («помехи измерения») •Наличие «посторонних» точек: не принадлежащие линиям, принадлежащие другим линиям •Отсутствие «нужных» точек: перекрытия
На примере обнаружения линий
Source: S. Lazebnik
14 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Задачи и методы
• Даны точки, удовлетворяющие модели. Как найти оптимальные параметры модели? – Метод наименьших квадратов
• Если данные заведомо содержат выбросы? – Робастные методы: М-оценки, RANSAC
• Если данные – смесь моделей (несколько линий)? – Схемы голосования: RANSAC, преобразование Хафа (Hough transform)
• Если мы не знаем, какая модель? – Model selection (выбор модели)
Source: S. Lazebnik
15 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Подгонка прямой линии
Дано: набор точек (x1, y1), …, (xn, yn) Задача: найти прямую, наилучшим образом аппроксимирующую точки
Уравнение прямой: y = m x + b
16 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Метод наименьших квадратов для прямой
Дано: (x1, y1), …, (xn, yn) Уравнение прямой: yi = m xi + b Здача: найти (m, b), которые минимизируют
∑=−−=
n
i ii bxmyE1
2)(
y=mx+b
Source: S. Lazebnik
17 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Метод наименьших квадратов для прямой
Дано: (x1, y1), …, (xn, yn) Уравнение прямой: yi = m xi + b Здача: найти (m, b), которые минимизируют
∑=−−=
n
i ii bxmyE1
2)(
y=mx+b
022 =−= YXXBXdBdE TT
[ ]
)()()(2)()(
1
11 2
211
1
2
XBXBYXBYYXBYXBY
XBYbm
x
x
y
y
bm
xyE
TTTT
nn
n
i ii
+−=−−=
=−=
−
=
−=∑ =
YXXBX TT =
Source: S. Lazebnik
18 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Недостатки классического МНК
• Не инвариантен к повороту
• Не подходит для вертикальных линий
• Предполагает большую контролируемость измерения x по сравнению с y
Source: S. Lazebnik
19 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Метод полных наименьших квадратов Расстояние от (xn, yn) до линии ax+by=d (a2+b2=1): |ax + by – d| Найти (a, b, d) минимизирующие
ax+by=d
∑=−+=
n
i ii dybxaE1
2)(
Нормаль: N=(a, b) (xi, yi)
Source: S. Lazebnik
20 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Метод полных наименьших квадратов Расстояние от (xn, yn) до линии ax+by=d (a2+b2=1): |ax + by – d| Найти (a, b, d) минимизирующие
ax+by=d
∑=−+=
n
i ii dybxaE1
2)(
Нормаль: N=(a, b) (xi, yi)
0)(21
=−+−=∂∂ ∑ =
n
i ii dybxadE ybxax
nbx
nad n
i in
i i +=+= ∑∑ == 11
)()())()((
211
12 UNUN
ba
yyxx
yyxxyybxxaE T
nn
n
i ii =
−−
−−=−+−=∑ =
0)(2 == NUUdNdE T
Решение (UTU)N = 0, при условии ||N||2 = 1: собственный вектор UTU, соответствующий минимальнному собственному значению
Source: S. Lazebnik
21 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Метод полных наименьших квадратов
−−
−−=
yyxx
yyxxU
nn
11
−−−
−−−=
∑∑
∑∑
==
==n
ii
n
iii
n
iii
n
ii
T
yyyyxx
yyxxxxUU
1
2
1
11
2
)())((
))(()(
second moment matrix
Source: S. Lazebnik
22 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
−−
−−=
yyxx
yyxxU
nn
11
−−−
−−−=
∑∑
∑∑
==
==n
ii
n
iii
n
iii
n
ii
T
yyyyxx
yyxxxxUU
1
2
1
11
2
)())((
))(()(
),( yx
N = (a, b)
second moment matrix
),( yyxx ii −−
Source: S. Lazebnik
Метод полных наименьших квадратов
23 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Вероятностная интерпретация: максимум правдоподобия
Модель: точки на линии зашумлены в направлении нормали (x, y)
(u, v)
ax+by=d
+
=
ba
vu
yx
ε
точка на линии Гауссов шум с нулевым
матожиданием и стандартным
отклонением σ
нормаль
Source: S. Lazebnik
24 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Вероятностная интерпретация: максимум правдоподобия
Модель: точки на линии зашумлены в направлении нормали (x, y)
(u, v)
∏∏==
−+−∝=
n
i
iin
iin
dbyaxdbaxPdbaxxP1
2
2
11 2
)(exp),,|(),,|,,(σ
Правдоподобие точек при параметрах (a, b, d):
∑=
−+−=n
iiin dbyaxdbaxxL
1
221 )(
21),,|,,(σ
Логарифм:
ax+by=d
+
=
ba
vu
yx
ε
Source: S. Lazebnik
25 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Наименьшие квадраты для производных кривых
•Минимизируем сумму квадратов расстояний между наблюдаемыми точками и кривой
(xi, yi) d((xi, yi), C)
кривая C
Source: S. Lazebnik
26 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Устойчивость к выбросам
МНК:
Source: S. Lazebnik
27 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Устойчивость к выбросам
МНК:
Недостаток: квадрат ошибки делает метод очень чувствительным к выбрсам
Source: S. Lazebnik
28 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Робастные оценки
Основная идея: минимизировать ri (xi, θ) – ошибка в i-ой точке при параметрах модели θ ρ – робастная функция влияния с оценкой масштаба σ
( )( )σθρ ;,iii
xr∑
Функция влияния ρ ведет себя как квадрат расстояния при малых значениях u, но стремится к константе при больших значениях u
Source: S. Lazebnik
29 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Влияние выбора параметра масштаба
Source: S. Lazebnik
30 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Влияние выбора параметра масштаба: слишком маленький
Вклад в ошибку практически одинаков для всех точек
Source: S. Lazebnik
31 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Влияние выбора параметра масштаба: слишком большой
Ведет себя почти как МНК
Source: S. Lazebnik
32 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Робастные М-оценки
• Робастная подгонка параметров – задача нелинейной оптимизации
• Часто решается итеративно при помощи последовательных приближений
• Важно хороше первое приближение, можно использовать МНК в качестве первого приближения
• Как выбрать параметр масштаба? Нужна устойчивость к выбросам. “магическое” число раз медиана ошибки
Source: S. Lazebnik
33 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
RANSAC
• Робастные методы могут справится, если процент выбросов невелик. Что, если у нас много выбросов?
• Random sample consensus (RANSAC): Очень общий подход для подгонки параметров модели при условии большого числа выбросов
• Общая схема метода
– Строим небольшую выборку данных случайным образом
– По выборке осуществляем подгонку параметров модели (строим гипотезу)
– Производим оценку гипотезы на всех данных
– Повторяем много раз и выбираем наилучшую гипотезу
M. A. Fischler, R. C. Bolles. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. Comm. of the ACM, Vol 24, pp 381-395, 1981.
Source: S. Lazebnik
34 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
RANSAC для линий
Повторяем N раз: • Выбираем s точек равномерным случайным образом • Подгоняем параметры прямой под эти s точек, получаем гипотезу прямой • Ищем среди остальных данных точки, удовлетворяющие построенной
гипотезе (например, точки на расстоянии меньше t от линии-гипотезы) • Если число точек, удовлетворяющих гипотезе, больше d, принимаем эту
гипотезу и уточняем параметры линии по всем точкам, удовлетворяющим этой гипотезе
Source: S. Lazebnik
35 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Выбор параметров • s: количество элементов в выборке
– Обычно минимальное число, необходимое для оценки параметров модели
• t: пороговое значение для расстояния – Выбираем t таким образом, что вероятность для «inlier» равна p (e.g. 0.95) – При наличии гауссова шума с нулевым матожиданием и ст. отклонением σ:
t2=3.84σ2
•N: число выборок – Выбираем N таким образом, что с вероятностью p, по крайней мере одна выборка
не будет содержать выбросов (e.g. p=0.99, e – процент хороших точек в наборе)
Source: M. Pollefeys
36 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Выбор параметров • s: количество элементов в выборке
– Обычно минимальное число, необходимое для оценки параметров модели
• t: пороговое значение для расстояния – Выбираем t таким образом, что вероятность для «inlier» равна p (e.g. 0.95) – При наличии гауссова шума с нулевым матожиданием и ст. отклонением σ:
t2=3.84σ2
•N: число выборок – Выбираем N таким образом, что с вероятностью p, по крайней мере одна выборка
не будет содержать выбросов (e.g. p=0.99, e – процент хороших точек в наборе)
Source: M. Pollefeys
( ) ( )( )sepN −−−= 11log/1log
( )( ) peNs −=−− 111
37 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Сколько нужно выборок?
Source: M. Pollefeys
proportion of outliers e s 5% 10% 20% 25% 30% 40% 50% 2 2 3 5 6 7 11 17 3 3 4 7 9 11 19 35 4 3 5 9 13 17 34 72 5 4 6 12 17 26 57 146 6 4 7 16 24 37 97 293 7 4 8 20 33 54 163 588 8 5 9 26 44 78 272 1177
S – размер выборок e – процент выбросов в данных
• Количество итераций (выборок) быстро растет с увеличением размера выборки и доли выбросов • Если заранее не знаем долю выбросов?
38 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Адаптивное задание числа итераций
Доля выбросов обычно заранее неизвестна, поэтому начинаем с грубой оценки, например 50%, затем переопределяем для каждой гипотезы (например, согласованность 80% точек с текущей гипотезой дает e=0.2) Адаптивная процедура:
• N=∞, sample_count =0 • While N >sample_count
– Строим новую выборку, строим гипотезу по этой выборке, проверяем гипотезу на всех данных
– Вычисляем долю выбросов для построенной гипотезы: e = 1 – (number of inliers)/(total number of points)
– Обновляем значение N относительного нового значения e:
– Increment the sample_count by 1 ( ) ( )( )sepN −−−= 11log/1log
Source: S. Lazebnik
39 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
RANSAC: достоинства и недостатки
• Достоинства – Прост в использовании, общий – Подходит для решения большого числа различных задач – Часто хорошо работает на практике
• Недостатки
– Большое количество настраиваемых параметров – На практике не всегда удается получить хорошее первое приближение модели по
минимальной выборке – Иногда требуется очень большое число итераций – Может не сработать, если доля выбросов очень велика – Часто можно предложить более эффективный метод, чем построение равновероятных
выборок
Source: S. Lazebnik
40 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Схемы голосования
•Пусть каждый элемент данных голосует за те модели, которым он удовлетворяет
•Гипотезы с максимальным числом голосов побеждают
•Надеемся, что выбросы не будут голосовать согласовано
•Пропущенные данные не имеют значения, пока хватает голосов имеющихся данных за правильные модели
Source: S. Lazebnik
41 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразование Хафа (Hough transform) • Одна из первых схем голосования • Основная идея:
• Дискретизируем пространство параметров (разделим на ячейки) • Каждая точка на изображении голосует за все ячейки,
соответствующие параметрам моделей, которым удовлетворяет точка • Найдем ячейки с максимумом голосов
P.V.C. Hough, Machine Analysis of Bubble Chamber Pictures, Proc. Int. Conf. High Energy Accelerators and Instrumentation, 1959
Image space Hough parameter space
Source: S. Lazebnik
42 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразование Хафа для прямых
• Каждая прямая задается уравнением
• Через произвольную точку проходит бесконечное число прямых
• Преобразование Хафа основано на «голосовании» точек за те линии, на которых они могут лежать
• Линии с максимальным числом голосов выигрывают
Основная идея
43 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразование Хафа
image space Hough space
• Для данного набора точек (x, y) найти все точки (a, b), такие что y = ax+b
y=ax+b
• Точке (xi, yi) соответсвует прямая в пространстве Хафа: b = –xia + yi
44 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразование Хафа
• Разбиваем пространство параметров на «ячейки накопления»
• Для каждой точки из заданного множества точек на плоскости перебираем все значения параметра a и вычисляем соответствующее значение параметра b, увеличиваем счетчик соответствующей ячейки
• Выбираем ячейки с большим значением счетчика
45 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразование Хафа
Обычно, используют полярные координаты:
46 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразование Хафа
Диапазон θ: [-90°, 90°] Диапазон ρ: [-D√2, D√2]
47 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
features votes
Влияние шума
Source: S. Lazebnik
48 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
features votes
Влияние шума
Максимумы голосов становятся «размытыми»
Source: S. Lazebnik
49 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Случайные точки
Равномерно распределенные случайные точки могут приводить к пикам в накопителе
features votes
Source: S. Lazebnik
50 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Практические вопросы
• Фильтрация лишних признаков (точек) • Для линий берем только точки с большим значением градиента
• Выбор хорошей сетки • Слишком грубая: голоса за разные линии будут попадать в одну
ячейку • Слишком мелкая: будем пропускать линии из-за шума
• При поиске максимумов можно сглаживать соседние значения в накопителе
• Какая точка соответствует какой линии? • Помечаем голоса
Source: S. Lazebnik
51 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Преобразования Хафа: достоинства и недостатки
• Достоинства –Работает в условиях перекрытий –Ищет все имеющиеся на изображении экземпляры объекта за один проход –Обладает некоторой устойчивостью к шуму: выбросы обычно голосуют
несогласовано
• Недостатки –Сложность алгоритма растет экспоненциально с увеличением числа
параметров модели –Наличие других объектов на изображении может приводить к случайным пикам
в накопителе –Сложно выбрать правильный шаг сетки для пространства параметров
Source: S. Lazebnik
52 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Учет градиента
• Когда находим края, мы знаем градиент
• Это значит, что направление линии уже определено! • Улучшенный алгоритм: For each edge point (x,y) θ = gradient orientation at (x,y) ρ = x cos θ + y sin θ H(θ, ρ) = H(θ, ρ) + 1 end
Source: S. Lazebnik
53 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
p
Обобщенное преобразование Хафа • Решаем задачу нахождения объекта произвольной формы на изображении по его контуру и референтной точке
• Для каждой точки контура p, можем определить вектор смещения r = a – p как функцию от направления градиента θ
D. Ballard, Generalizing the Hough Transform to Detect Arbitrary Shapes, Pattern Recognition 13(2), 1981, pp. 111-122.
a
θ r(θ)
Source: S. Lazebnik
54 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Обобщенное преобразование Хафа
•Для моделируемого объекта: построим таблицу с парами значений (θ,r), где θ – направление градиента, r – вектор смещения. Проиндексируем по θ.
•На шаге распознавания: для каждой точки края p с направлением градиента θ:
– Выберем из таблицы все r, соответствующие θ
– Для каждого r(θ), добавим один голос в ячейку пространства Хафа, соответствующую p + r(θ)
•Максимуму голосов в пространстве Хафа будет соответстовать референтная точка с максимальной поддержкой точек контура
•Предполагаем, что рассматриваемое преобразование - перемещение, направление и масштаб объекта фиксированы
Source: K. Grauman
55 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Применение обобщенного пребразования Хафа
Вместо определения смещения как функции от градиента, определим функцию от “визуального ключевого слова” (visual code word)
Обучающее изображение
Визуальное слово с векторами смещения
B. Leibe, A. Leonardis, and B. Schiele, Combined Object Categorization and Segmentation with an Implicit Shape Model, ECCV Workshop on Statistical Learning in Computer Vision 2004
56 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Применение обобщенного пребразования Хафа
B. Leibe, A. Leonardis, and B. Schiele, Combined Object Categorization and Segmentation with an Implicit Shape Model, ECCV Workshop on Statistical Learning in Computer Vision 2004
Тестовое изображение
Вместо определения смещения как функции от градиента, определим функцию от “визуального ключевого слова” (visual code word)
57 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Применение параметрических моделей для сопоставления изображений
Две задачи: • Попиксельное сопоставление • Сопоставление на основе признаков
T
xi ' xi
∑ ′i
ii xxT )),((residualНайти преобразование Т, такое что
58 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример распознавания объектов
David G. Lowe. "Distinctive image features from scale-invariant keypoints.” IJCV 60 (2), pp. 91-110, 2004.
59 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример склейки панорам
60 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример склейки панорам
• Извлекаем признаки
61 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример склейки панорам
• Извлекаем признаки • Вычисляем поточечные соответствия
62 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример склейки панорам
• Извлекаем признаки • Вычисляем поточечные соответствия • В цикле:
• Строим гипотезу преобразования T (используя небольшое подмножество поточечных соответствий)
63 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример склейки панорам
• Извлекаем признаки • Вычисляем поточечные соответствия • В цикле:
• Строим гипотезу преобразования T (используя небольшое подмножество поточечных соответствий)
• Проверяем гипотезу (ищем остальные пары поточечных соответствий, согласованных с T)
64 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Пример склейки панорам
• Извлекаем признаки • Вычисляем поточечные соответствия • В цикле:
• Строим гипотезу преобразования T (используя небольшое подмножество поточечных соответствий)
• Проверяем гипотезу (ищем остальные пары поточечных соответствий, согласованных с T)
65 © Copyright 2012 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.
Заключение
Для оценки геометрической согласованности локальных признаков используются параметрические модели и методы подгонки параметров
Рассмотренные методы МНК – не устойчив к выбросам, подходит для «чистых» данных М-оценки, рандомизированные методы (RANSAC) Схемы голосования, преобразование Хафа
Наиболее применяемые методы в анализе изображений RANSAC – широкое применение при сопоставлении изображений
(построение панорам, восстановление 3D модели) Схемы голосования, преобразование Хафа – широкое применение
в поиске и распознавании объектов на изображении