1 / 26

Specific Object Recognition using SIFT

Machine Vision and Image Processing Group (Student Group) Electronic Research Center of Iran University of Science and Technology http://mvip.iust.ac.ir. Specific Object Recognition using SIFT. Presentation by: Amir Azizi. گروه بینایی ماشین و پردازش تصویر. آبان 1389 November 2010.

bryson
Télécharger la présentation

Specific Object Recognition using SIFT

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Machine Vision and Image Processing Group (Student Group) Electronic Research Center of Iran University of Science and Technology http://mvip.iust.ac.ir Specific Object Recognition using SIFT Presentation by: Amir Azizi گروه بینایی ماشین و پردازش تصویر آبان 1389November 2010

  2. Introduction Example for specific object recognition: Search photos on web for the particular places j. sivic amir.s.azizi@gmail.com

  3. Introduction Why is it difficult? j. sivic amir.s.azizi@gmail.com

  4. Challenges 1- Viewpoint amir.s.azizi@gmail.com

  5. Challenges 2- Illumination amir.s.azizi@gmail.com

  6. Challenges 3- Occlusion amir.s.azizi@gmail.com

  7. Challenges 4- Scale amir.s.azizi@gmail.com

  8. Challenges 5- Deformation amir.s.azizi@gmail.com

  9. Challenges 6- Background Clutter amir.s.azizi@gmail.com

  10. Local Features New Local Features (Interest points or key points): • Corners • Blobs Dataset • Some of applications: • Specific object recognition • Tracking • Image registration • Camera calibration • …. amir.s.azizi@gmail.com

  11. Local Features Desired Properties of local features: • Repeatability • -The same feature can be found in several images despite geometric and photometric transformation • Distinctiveness • - Each feature has a distinctive description • Locality • - A feature occupies a relatively small area of the image; • robust to clutter and occlusion • Quantity • - Number of features • Efficiency • - Applications that need to speed amir.s.azizi@gmail.com

  12. Local feature-based object recognition • نیرومندی نسبت به موارد زیر: • تغییر نقطه دید • تغییر روشنایی • تغییر شکل و کجی • تغییر اندازه • انسداد • شلوغی و درهم برهمی • سرعت نیز اهمیت دارد مراحل: amir.s.azizi@gmail.com

  13. Local feature-based object recognition توصیف کننده ها آشکارسازها • Hessian-Laplace • Hessian-Affine • Shape Context • Geometric Blur • SIFT Descriptor • SURF Descriptor • Harris • Harris-Laplace • Harris-Affine • MSER • Salient Regions • SIFT Detector (DoG) • SURF Detector amir.s.azizi@gmail.com

  14. SIFT SIFT: Scale Invariant Feature Transform 1999 and 2004 amir.s.azizi@gmail.com

  15. Hessian Matrix In mathematics, the Hessian matrix (or simply the Hessian) is the square matrix of second-order partial derivatives of a function; that is, it describes the local curvature of a function of many variables. We want to find Blobs, so SIFT uses extrema of Hessian matrix trace: amir.s.azizi@gmail.com

  16. 1- SIFT Detector هدف: آشکارسازی مکان هایی که با تغییر اندازه تصویر ثابت بمانند. 1- Lindeberg 1994,1998 2- Koendernik 1984 SCALE-SPACE Scale = σ amir.s.azizi@gmail.com

  17. 1- SIFT Detector SCALE-SPACE DoG Mikolajczyk 2002: normalized Laplaciangives more robust features amir.s.azizi@gmail.com

  18. 1- SIFT Detector ساخت هرم: Down sampling amir.s.azizi@gmail.com

  19. 1- SIFT Detector آشکارسازی اکسترمم ها: amir.s.azizi@gmail.com

  20. 1- SIFT Detector تعیین محل دقیق نقطه کلیدی: amir.s.azizi@gmail.com

  21. 1- SIFT Detector حذف نقاط کلیدی ناپایدار: • نقاط دارای کنتراست پایین • نقاطی که بطور ضعیفی روی لبه ها قرار گرفته اند amir.s.azizi@gmail.com

  22. 2- SIFT Descriptor تخصیص جهت به نقاط کلیدی amir.s.azizi@gmail.com

  23. Rotation Invariance: 2- SIFT Descriptor amir.s.azizi@gmail.com

  24. 2- SIFT Descriptor So we have a feature vector with 128 dimensions amir.s.azizi@gmail.com

  25. 3- Matching روش David Lowe برای انطباق * ساخت درخت k-d دارای k بعد * محاسبه تقریبی نزدیکترین همسایه اول و دوم به هر نقطه کلیدی در دیتا ست به کمک روش BBF * نسبت نردیکترین همسایه اول به نزدیکترین همسایه دوم محاسبه می شود * در انتها برای افزایش دقت شناسایی نسبت به تغییر شکل و استتار از تبدیل هاف نیز استفاده می شود. amir.s.azizi@gmail.com

  26. با سپاس از توجه شما ؟ amir.s.azizi@gmail.com

More Related