컴퓨터 비전 & 패턴 인식 - 29. 이미지 매칭을 위한 거리 척도와 매칭 방법

아래와 같이 두 영상에 존재하는 동일한 건물의 특징점을 매칭하려면

 

두 특징점이 주어질때, 유사도나 거리 척도가 필요

 

 

http://vclab.kaist.ac.kr/cs484/hw4/index.html

 

 

 

유클리디안 거리 Euclidean Distance

 

유클리드 공간 상에서의 거리

 

위 사진에서 SIFT 기술자를 추출한다면 하나의 기술자 특징벡터는 128차원으로 이루어져 있을것임.

 

 

 

 

 

마할라노비스 거리 mahalanobis distance

 

점들의 분포 N(mu, sigma2)를 고려한 거리로

 

 

아래의 그림을 보면 분포 바깥 점이 평균과 더 가깝지만,

 

분포를 고려하면 멀리 위치한 분포 안의 점이 더 가까운것으로 판단함.

 

 

 

 

 

단순 매칭 전략 - 고정 임계값 사용

 

가장 단순한 매칭 방법은 고정 임계값 T을 사용하는 것으로

 

두 특징 벡터의 거리가 임계값보다 작은 경우 동일한 매칭 쌍으로 판단.

 

문제는 T가 너무 작은 경우 너무 적은 매칭 쌍만 생성됨. -> 매칭 쌍이지만 놓치는 경우 FN가 많이 발생

 

 

 

 

 

최근접 이웃 매칭 전략

 

주어진 특징 벡터와 가장 가까운 특징 벡터를 찾아 임계치보다 작으면 대응 쌍으로 판단.

 

1번 영상의 i번째 특징 벡터를 a_i,

 

2번 영상의 j번째 특징 벡터를 b_j라 할때

 

a_i와 가장 가까운 b_j를 탐색

 

d(a_i, b_j) < T인경우 매칭쌍

 

 

 

 

 

최근접 거리 비율 매칭

 

가장 가까운 특징벡터와의 거리와

 

두번째로 가장 가까운 특징벡터의 거리 비율이 임계치보다 작은 경우 매칭쌍으로 판단.

 

 

a_i와 가장 가까운 특징 벡터 b_j

 

두번째로 가까운 특징 벡터 b_k가 있을때

 

d(a_i, b_j)/d(a_i, b_k) < T 인 경우 대응쌍으로 판단

 

가장 좋은 성능을 보임