Escolar Documentos
Profissional Documentos
Cultura Documentos
Esparsos para
identificao de
Pontos Chave
N OM E : V I N CIUS OR M E NESSE
V I S O COMP UTACI ONA L
P ROF. DR . : F E R NA NDO T E U BL
Introduo
Utilizar o mtodo SIFT introduzido pelo
professor em aula e realizado em
laboratrio como modo comparativo para o
desenvolvimento de um novo mtodo que
seja livre de patente e possa ser utilizado por
todos. O novo mtodo utilizado baseado
principalmente em sinais esparsos.
Algoritmo SIFT
SIFT composto por duas partes distintas: o detector e o descritor. O
detector SIFT baseado em clculos de diferena de Gaussianas e o
descritor SIFT utiliza histogramas de gradientes orientados para
descrever a vizinhana local dos pontos de interesse.
O algoritmo SIFT executado atravs de quatro etapas principais:
Deteco de extremos, localizao de pontos-chave, definio da
orientao e descrio dos pontos-chave. As duas primeiras descrevem
a parte do detector e as duas seguintes descrevem a formao do
descritor.
Passos SIFT
Deteco de Extremos:
Passos SIFT
Fonte: [8].
Passos SIFT
A partir de ento, ser feita a deteco de extremos em cada intervalo
de cada oitava. Um extremo definido como qualquer valor no DoG
maior do que todos os seus vizinhos no espao-escala.
Os extremos so dados por valores de mximo ou mnimo locais para
cada D(x,y,), que podem ser obtidos comparando-se a intensidade de
cada ponto com as intensidades de seus oito vizinhos na sua escala,
com os nove pontos vizinhos na escala superior, e os nove vizinhos na
escala inferior. Depois se faz o descarte de pontos instveis.
Passos SIFT
Atribuio de Orientao dos Descritores:
Fonte: [8].
Passos SIFT
Construo do Descritor Local:
Fonte: [8].
Passos SIFT
Matching: Encontrando os Pontos em Comum
Fonte: [8].
Sinais Esparsos
Um sinal esparso fundamentalmente aquele em que predominam, no
domnio temporal ou em algum outro domnio relevante, valores nulos
ou prximo de zero, sendo que poucos componentes possuem a maior
parte da energia do sinal.
Representao da Esparsidade
do Sinal:
O problema em encontrar um sinal esparso atravs de coecientes
computados, x, baseados em um sinal y e um dicionrio D. Esse
processo comumente conhecido como decomposio atmica. Dado
que:
Algoritmo Proposto
O algoritmo proposto segue os seguintes passos, para que se realize
comparao entre duas imagens:
Transformar as duas imagens em YCbCr, utilizar apenas o subespao em
Y.
Escolher uma imagem para se criar o dicionrio.
Com mtodo de deteco de extremos a partir de autovalores e
autovetores, extrair extremos da primeira imagem.
Escolher o tamanho da ROI.
Algoritmo Proposto
Encontrar na segunda e primeira imagem os extremos, e com a ROI
escolhida, rotacion-los.
Retirar a esparsidade, com o Ddcionrio treinado, de cada vetor de
extremo.
Comparar vetor esparso por vetor esparso por similaridades em valores
no nulos que estejam em polinmios prximos e que possuam escalas
prximas. Utilizar valores de limiar para proximidade de vetores e
escalas.
Filtrar resultados por maior similaridade para que no haja repetio de
pontos iguais com diferentes valores similares.
Resultados
O tamanho da ROI foi de 21 pixels. Para a comparao de dos vetores
esparsos, considerou-se vetores que possuam valores no-nulos com 15
ndices de liberdade e diferenas em seu mdulo com limiar de 0.1. O
dicionrio criado de dimenso igual a 441X3210, o vetor esparso possui
um tamanho de 3210 e foram treinado 3210 extremos diferentes.
Resultados
O tamanho da ROI foi de 21 pixels. Para a comparao de dos vetores
esparsos, considerou-se vetores que possuam valores no-nulos com 15
ndices de liberdade e diferenas em seu mdulo com limiar de 0.1. O
dicionrio criado de dimenso igual a 441X3210, o vetor esparso possui
um tamanho de 3210 e foram treinado 3210 extremos diferentes.
Resultados
Concluses
O algoritmo proposto foi capaz de identicar muitos parmetros
parecidos entre as duas imagens e o que se pode concluir que o
algoritmo possui bom desempenho, como observado nas guras acima,
mesmo apresentando erros e imperfeies. Pode-se considerar o
algoritmo SIFT ainda sendo mais convel porm o algoritmo
patenteado. Como trabalho futuro, deseja-se implementar
caractersticas que j esto implementadas no SIFT, como comparao
de caractersticas em diferentes escalas de imagem, alm de melhorias
em anlise de caractersticas que possam estar rotacionadas.
Dvidas
Referncias
[1] K. Huang and S. Aviyente, Sparse representation for signal classification, Adv. Neural
Inf. Process. Syst., vol. 19, p. 609, 2007.
[2] J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, Robust face recognition via
sparse representation, IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 2, pp. 210227,
2009.
[3] T. Blu and P.-L. Dragotti, Sparse sampling of signal innovations, Signal Process. Mag.
IEEE, vol. 25, no. 2, pp. 3140, 2008.
Referncias
[9] D. Lowe. Distinctive image features from scale-invariant keypoints.
1:128, 2004.
[10] Everton Z Nadalin, Ricardo Suyama, and Romis Attux. Um Breve
Estudo sobre Anlise de Componentes Esparsos.
[11] Ron Rubinstein, Michael Zibulevsky, and Michael Elad. Ecient
implementation of the KSVD algorithm using batch orthogonal matching
pursuit. CS Technion, pages 115.
[12] Y. Knishige S. Uchida, Y. Shigeyoshi and F. Yaokai. Distinctive image
features from scaleinvariant keypoints. 10(1):819824, 2011.
[13] J. Shi and Carlo Tomasi. Good features to track. 1(1):18, 1994.