�ݺ�ߣ

Обзор методов
сопоставления шаблона
и изображения
Алексей Федоров
Video Group
CS MSU Graphics & Media Lab

CS MSU Graphics & Media Lab (Video Group)
www.compression.ru/video/
Only for
Maxus 
Содержание
 Введение
 Local Image Interest Point
 Template Matching Based on Fourier
Coefficients
 Linear Scale and Rotation Invariant Matching
 Дополненная реальность
 Заключение
2

Only for
Maxus 
Введение
Постановка задачи
3
Устойчивый относительно геометрических
искажений поиск шаблона на изображении

Only for
Maxus 
Введение
Геометрические преобразования
 Параллельный перенос
 Подобие (перенос,
масштабирование, поворот)
 Аффинное
 Проективное
4

Only for
Maxus 
Введение
Простейший подход – «грубой силы»
1. Выбирается модель преобразования
2. Определяется набор параметров, описывающих
модель
3. Выбирается функция сопоставления изображений
Sum of Absolute Differences (SAD), Sum of Squared
Differences (SSD), Normalized Cross Correlation (NCC), etc.
4. Перебираются всевозможные значения параметров
в разумных пределах
5

Only for
Maxus 
Coefficients
6

Only for
Maxus 
Local Image Interest Point
Схема работы
7
M. Amiri and H.R. Rabiee, “RASIM: A Novel Rotation and Scale
Invariant Matching of Local Image Interest Points,”
IEEE Transactions on Image Processing, 2011
1. Выбираем ключевые точки
2. Применяем классическое вейвлет-преобразование
к окрестностям ключевых точек и высокочастотные
компоненты считаем особенностями
3. Сопоставляем ключевые точки
Название предложенного метода:
Rotation and Scale Invariant Matching (RASIM)

Only for
Maxus 
Блобы
А. Конушин, «Сопоставление изображений и локальные
особенности», лекции по курсу «Введение в компьютерное
зрение», 2012
8
Сигнал
Край
Сигнал
Блоб
Пример блобов
Поиск блобов
осуществляется
с помощью разницы
Гауссиан (DoG)

Only for
Maxus 
Выбор ключевых точек
9
 Для поиска применяется псевдо-лог-полярная сетка
дискретизации
 Ключевые точки находятся при поиске максимумов
и минимумов в масштабированном изображении
 Масштабируется при помощи
разницы Гауссиан (DoG)
Псевдо-лог-полярная
сетка дискретизации

Only for
Maxus 
Вейвлет-преобразование
10
– высокочастотный и низкочастотный фильтры
Быстрое вейвлет-
преобразование
– входной сигнал
– высокочастотная и низкочастотная компоненты
– старая высокочастотная компонента
– фильтр прогнозирования
– операция свертки
,
,

Only for
Maxus 
– размерность фильтра прогнозирования
– количество выбранных больших высокочастотных
компонент с индексами
Вейвлет-преобразование
Фильтр прогнозирования
11
Фильтр прогнозирования получается решением
системы для компонент, полученных от шаблонного
изображения

Only for
Maxus 
Взвешенная адаптация
12
– система с предыдущего слайда
– максимальная и минимальная компонента,
– некоторая константа
– операция поэлементного умножения

Only for
Maxus 
Измерение подобия (1)
13
Метод разделен на две части: «оффлайн» и «онлайн»
«Оффлайн»:
1. Выбираем вейвлет преобразование и значения
параметров и
2. Вычисляем фильтр прогнозирования

Only for
Maxus 
Измерение подобия (2)
14
«Онлайн»:
1. Применяем вейвлет преобразование
2. Заполняем вектор
3. Суммируем вектор в окне
такой же длины (2L), как
и сигнал шаблона
Максимальное значение суммы достигается
при наилучшем соответствии

Only for
Maxus 
Постобработка
Преобразование Хафа
15
http://en.wikipedia.org/wiki/Hough_transform
Метод предназначен для поиска объектов,
принадлежащих определённому классу фигур
с использованием процедуры голосования
Угол
Расстояние
Входное изображение Преобразованное изображение

Only for
Maxus 
Результат
Статистика качества детектирования
16
Правильно
обнаружены(%)
Масштабшаблона
(множитель)
Угол поворота (градусы)

Only for
Maxus 
Результат
Сравнение с конкурентом
17

Only for
Maxus 
Статистика
производительности
18
Время работы на одном изображении

Only for
Maxus 
Выводы
Достоинство:
 Устойчивость к поворотам
и масштабированию
Недостатки:
 Низкая скорость работы
 Неустойчивость к изменениям перспективы
19

Only for
Maxus 
Coefficients
20

Only for
Maxus 
Template Matching Based
on Fourier Coefficients
Обозначения:
Forapro – название предложенного алгоритма
A – исходное изображение
Q – шаблон
Стабильной называется точка,
которая имеет некоторую
окрестность, в которой направление
градиента сохраняется
21
H.Y. Kim, “Rotation-Discriminating Template Matching Based
on Fourier Coefficients of Radial Projections with Robustness
to Scaling and Partial Occlusion,” Pattern Recognition, 2010
Белые – стабильные
точки, красные – нет

Only for
Maxus 
 Значения цвета на радиальной
и круговой проекциях в точке
представляют собой значения
дискретных функций
 Приблизим их непрерывными
функциями и разложим
последние в ряды Фурье
 Вычислим первые L(K) комплексных
коэффициентов ci(ri) разложения круговой
(радиальной) функции в ряд Фурье
Forapro
Идеи метода (1)
22
Радиальная
проекция
в точке
C(A(x,y))
Круговая
проекция
в точке
R(A(x,y))

Only for
Maxus 
Вычислим вектор особенностей vf, инвариантных
к поворотам и масштабированию
, – полярный угол и длина комплексного числа
Forapro
Идеи метода (2)
23
– функция расстояния между
двумя векторами особенностей

Only for
Maxus 
1. Вычисляются значения коэффициентов ci, ri и vf
для всех точек A и Q
2. Выбираются N стабильных точек из Q, которые
образуют множество {T}
3. Для i от 1 до N
Для каждого пикселя (x,y) из A вычисляются
Находится пиксель с самым малым отклонением
и добавляется в массив
4. С помощью преобразования Хафа уточняется
результат
Forapro
Шаги алгоритма
24

Only for
Maxus 
Результаты (1)
25
Исходное изображение Результат

Only for
Maxus 
Результаты (2)
26
Исходное изображение Результат

Only for
Maxus 
Выводы
Достоинства:
 Устойчивость:
 к изменениям по яркости и контрасту
 к поворотам и масштабированию
Недостатки:
 Невысокая скорость работы
 Неустойчивость к изменениям перспективы
27

Only for
Maxus 
Coefficients
 Linear Scale and Rotation Invariant
Matching
28

Only for
Maxus 
Linear Scale and Rotation
Invariant Matching
29H. Jiang, S.X. Yu, D.R. Martin, “Linear Scale and Rotation Invariant
Matching,” IEEE Trans. on PAMI, 2011
Обозначения:
– множество точек шаблона
– множество пар точек из
– некоторые точки из множества
– точки, соответствующие
– стоимость сопоставления
(зависит от векторов особенностей)

Only for
Maxus 
Основная идея метода
Сопоставляем точки шаблона и изображения,
решая задачу линейного программирования (ЛП)
Стандартная постановка задачи ЛП:
Максимизировать функцию
при условиях для i = 1, 2, …, m,
где cj, aij, bi – некоторые константы


n
j
jj xcxF
1
)(
i
n
j
jij bxa 1

Only for
Maxus 
Идеи метода
Критерий сопоставления (1)
– локальная стоимость сопоставления
– пространственная стоимость
сопоставления
– весовой коэффициент

Only for
Maxus 
– стоимость сопоставления,
инвариантная относительно
масштабирования и поворота
– коэффициент масштабирования
– матрица поворота (2×2)

Only for
Maxus 
– бинарная матрица сопоставления
точек шаблона и изображения
– транспонированная матрица
стоимостей сопоставления
– матрица инцидентности ребер
– координаты точки шаблона
– координаты точки изображения

Only for
Maxus 
 Добавляются масштабированные шаблоны поиска
 Изменяется матрица поворота
Линеаризация
Линеаризованные параметры:
Исходные параметры:
– бинарная матрица сопоставления точек
масштабированного шаблона и изображения

Only for
Maxus 
Шаги алгоритма
1. Вычисление матрицы С стоимостей сопоставления
точек шаблона и изображения
2. Выбор региона доверия для каждой точки шаблона
3. Вычисление минимальной выпуклой оболочки вершин
из региона доверия для каждой точки шаблона
4. Решение задачи линейного программирования
5. Уменьшение регионов доверия. Если точки
сопоставились хорошо, то выводятся результаты,
иначе – перейти на шаг 3

Only for
Maxus 
Пример работы алгоритма
(а) – шаблон, (b) – начальное приближение,
(c)–(i) – итерации алгоритма, (j) – результат
Цветные прямоугольники – регионы доверия

Only for
Maxus 
Результат
Сравнение с конкурентами
O. Duchenne, et al.
“Tensor-Based
Algorithm for High-Order
Graph Matching,” 2009
Предложенный
алгоритм
Шаблон Кадры видеопоследовательности
S. Belongie, et al.
“Shape Matching Using
Shape Contexts,” 2002

Only for
Maxus 
Результат
Объекты с сильной деформацией (1)
Кадры видеопоследовательности

Only for
Maxus 
Результат
Объекты с сильной деформацией (2)
Кадры видеопоследовательности

Only for
Maxus 
Статистика
производительности
#frames – количество кадров в видеопоследовательности
#model – количество точек в шаблоне
#target – количество точек на изображении
time – время работы на 1 кадре (сек) на 2.8 GHz PC
accuracy – средняя точность по всей видеопоследовательности

Only for
Maxus 
Выводы
 Стабильность
 Высокая скорость работы
Недостаток:
 Не оговаривается, как выбирать точки для
сопоставления

Only for
Maxus 
Coefficients
42

Only for
Maxus 
Пример применения
Дополненная реальность – добавление
к поступающим из реального мира
ощущениям мнимых объектов
43
http://vitodibari.com/ru/hit-lab.html
Пример
дополненной
реальности

Only for
Maxus 
Дополненная реальность
Как это работает?
44
http://www.artag.net/index.html
Находятся и распознаются специальные маркеры,
затем дорисовывается нужная информация

Only for
Maxus 
Системы маркеров
45Martin Hirzer, “Marker Detection for Augmented Reality
Applications,” Project Image Analysis Graz, 2008
Некоторые системы маркеров

Only for
Maxus 
Библиотеки
На данный момент существует несколько
неплохих открытых реализаций поиска
и трекинга маркеров:
 ARToolKit (и дочерние)
 ZBar
…
В OpenCV по умолчанию трекинга
маркеров нет
46

Only for
Maxus 
Поиск маркеров
Один из методов поиска маркеров

Only for
Maxus 
Результат
Сравнение с конкурентами (1)
Предложенный алгоритм

Only for
Maxus 
Результат
ARToolKit

Only for
Maxus 
Результат
Предложенный
алгоритм
ARToolKit

Only for
Maxus 
Выводы
 Устойчивость к частичным перекрытиям
 Высокая скорость работы
Недостаток:
 Неустойчивость к изменениям яркости
(не работает на темных объектах)

Only for
Maxus 
Coefficients
52

Only for
Maxus 
Заключение
 Рассмотренные алгоритмы с разных сторон
подходят к решению задачи поиска
и сопоставления шаблона и изображения
 У каждого есть свои плюсы и минусы,
область применения
53

Only for
Maxus 
Проделанная работа
Протестирована работоспособность
библиотеки ZBar по поиску маркеров
 Входные данные: изображения (19 мегапикселей),
приближенные к «боевым»
 Время работы: 2–3 секунды
 Результат: все метки найдены
54

Only for
Maxus 
Проделанная работа
Результаты
55
Изображение, приближенное к реальному
тестированию устройств

Only for
Maxus 
Дальнейшие планы
 Создание программы-визарда для
автоматического тестирования 3D-устройств
 Тестирование новых и уже имеющихся
3D-устройств
 Разработка системы тестирования
стереоскопического зрения
56

Only for
Maxus 
Литература
1. M. Amiri and H.R. Rabiee, “RASIM: A Novel Rotation and Scale Invariant
Matching of Local Image Interest Points,” IEEE Transactions on Image
Processing, vol. 20, 2011, pp. 3580–3591.
2. H.Y. Kim, “Rotation-discriminating Template Matching Based on Fourier
Coefficients of Radial Projections with Robustness to Scaling and Partial
Occlusion,” Elsevier Pattern Recognition, vol. 43, 2010, pp. 859–872.
3. H. Jiang, S.X. Yu, and D.R. Martin, “Linear Scale and Rotation Invariant
Matching,” IEEE Transactions on Pattern Analysis and Machine
Intelligence, vol. 33, no. 7, 2011, pp. 1339–1355.
4. Martin Hirzer, “Marker Detection for Augmented Reality Applications,”
Project Image Analysis Graz, 2008, pp. 1–25.
5. А. Конушин, «Сопоставление изображений и локальные
особенности», лекции по курсу «Введение в компьютерное зрение»,
2012, стр. 45–79.
57

Only for
Maxus 
Вопросы?
Предложения?
Наряды?
58

Only for
Maxus 
Лаборатория компьютерной
графики и мультимедиа
Видеогруппа — это:
 Выпускники в аспирантурах
Англии, Франции, Швейцарии
(в России в МГУ и ИПМ им. Келдыша)
 Выпускниками защищены 5 диссертаций
 Наиболее популярные в мире сравнения
видеокодеков
 Более 3 миллионов скачанных фильтров
обработки видео
59

�ݺ�ߣ

Обзор методов сопоставления шаблона и изображения

Recommended

More Related Content

What's hot (20)

Similar to Обзор методов сопоставления шаблона и изображения (17)

Обзор методов сопоставления шаблона и изображения