PCA-SIFT
대부분 동일하나 특징 벡터 x를 추출하는 과정이 다름.
키포인트 중심으로 옥타브 o, sigma_o 영상에서 주 방향으로 39 x 39 윈도우 적용
윈도우 내부 d_y, d_x 영상 취득
=> 39 x 39 x 2 = 3,042차원 벡터 취득
이 고차원 벡터를 d = 20차원으로 축소 하여 특징 벡터 x로 사용.
SIFT와 PCA-SIFT의 비교
키포인트를 중심으로
기본 SIFT : 주 방향으로 4 x 4 윈도우, 8방향 그라디언트 히스토그램으로 4 x 4 x 8 = 128차원
PCA-SIFT : 주 방향 39 x 39 윈도우, dy, dx영상으로 39 x 39 x 2 = 3,042차원 + PCA 수행하여 d=20차원으로 축소
2004 ke에 따르면 PCA-SIFT는 SIFT에 근접한 반복력을 가지며, 보다 고속 매칭이 가능(128 -> 20차원)
GLOH Gradient Loation Orientation Histogram
SIFT, PCA-SIFT와 같은 특징은 정사각형 윈도우로부터 키포인트 기술자를 검출해냄.
GLOH은 정사각형 대신 원형 윈도우 사용
옥타브 o의 sigma_o 영상의 키포인트를 중심으로
우측 아래와 같은 3원으로 17개 영역으로 분할. 각 영역은 16단계 그라디언트 방향 히스토그램 계산
=> 17 x 16 = 272차원 특징백터 + PCA로 128차원으로 축소
128차원 특징벡터 x를 취득
'인공지능' 카테고리의 다른 글
컴퓨터 비전 & 패턴 인식 - 27. 대표적인 이진 기술자들 (0) | 2020.12.15 |
---|---|
컴퓨터 비전 & 패턴 인식 - 26. 이진 기술자 (0) | 2020.12.15 |
컴퓨터 비전 & 패턴 인식 - 24. SIFT 기술자 (0) | 2020.12.15 |
컴퓨터 비전 & 패턴 인식 - 23. 매칭, 인식을 위한 특징 사용 (0) | 2020.12.15 |
컴퓨터 비전 & 패턴 인식 - 22. 그래프 기반 영상 분할 (0) | 2020.12.14 |