[논문]FAST와 BRIEF 기반의 실시간 특징점 매칭 알고리즘

김승룡; 유훈재; 손광훈

문제 정의

중심 픽셀과 주변 픽셀 간의 차이를 기반으로 특징점을 검출하는 FAST는 노이즈에 의 하여 왜곡된 픽셀을 특징점으로 오검출하기 쉽다. 따라서 본 논문에서는 기존의 FAST의 문제점을 보완하기 위하여 특징점이 될 수 있는 가능성이 높은 특징점 후보 영역을 제한하여 이러한 영역에서만 특징점을 검출한다. 특징점으로 검출되는 코너는 영상의 평활한 영역에 비하여 큰 Gradient 값을 나타내는 특징을 가지고 있다.
본 논문에서는 FAST 특징점 검출기와 BRIEF 특징점 표현자를 조합하여 영상 매칭 알고리즘을 제안하였다. FAST 코너 검출기가 영상의 노이즈에 민감하고 스케일을 고려하지 못하는 단점을 보완하기 위하여 특징점 후보 영역을 제한하고 스케일 공간을 생성하여 특징점 검출을 수행하였다.
FAST 의 단순한 픽셀 밝기 값 비교를 통한 특징점 검출은 영상의 노이즈에 민감하며 스케일 변화를 고려하지 못하고, BRIEF 표현자는 영상의 회전 변화에 민감한 문제점 가진다. 본 논문에서는 FAST와 BRIEF를 수정하여 새로운 영상 매칭 알고리즘을 제안한다. 영상의 특징점의 후보 영역을 제한하고 스케일 공간을 생성하여 노이즈에 강인하고 스케일 변화에 강인한 특정점을 검출한다.

제안 방법

본 논문에서는 FAST 특징점 검출기와 BRIEF 특징점 표현자를 조합하여 영상 매칭 알고리즘을 제안하였다. FAST 코너 검출기가 영상의 노이즈에 민감하고 스케일을 고려하지 못하는 단점을 보완하기 위하여 특징점 후보 영역을 제한하고 스케일 공간을 생성하여 특징점 검출을 수행하였다. 또한 BRIEF 특징점 표현자를 영상 회전 변화에 불변하게 만들기 위하여 각 특징점 주변의 최대 Gradient의 방향을 특징점의 방향을 결정해 준 후 픽셀 밝기 값 비교 패턴을 회전시켜 바이 너리 표현자를 생성하였다.
식 (1)에서 Lxx (X,σ)은 n번째 스케 일에서의 x방향으로 가우시안 이차 미분값, Lyy (X,σ)은 n번째 스케일에서의 y방향으로 가우시안 이차 미분값이고 C(X)는 X(x,y)의 라플라시안 값을 나타낸다. 각각의 스케일에서 검출된 코너들의 라플라시안을 계산하여 Non-Maximum Suppres ion을 사용하여 라플 라시안 C(X)이 지역적 최대값이 되는 스케일을 해당 특징점의 스케일로 결정한다.
기존의 BRIEF를 사용한 특징점 표현자 생성은 영상의 회전 변화를 고려하지 못한다[6]. 따라서 특징점의 방향을 결정하여 픽셀 밝기값 비교 패턴을 방향만큼 회전하여 픽셀들의 밝기 값을 비교하여 표현 자를 생성해한다. 특징점의 방향은 특징점 주변 픽셀들의 Gradient 방향 히스토그램을 이용하여 최대 Gradient 방향으로 결정한다.
FAST 코너 검출기가 영상의 노이즈에 민감하고 스케일을 고려하지 못하는 단점을 보완하기 위하여 특징점 후보 영역을 제한하고 스케일 공간을 생성하여 특징점 검출을 수행하였다. 또한 BRIEF 특징점 표현자를 영상 회전 변화에 불변하게 만들기 위하여 각 특징점 주변의 최대 Gradient의 방향을 특징점의 방향을 결정해 준 후 픽셀 밝기 값 비교 패턴을 회전시켜 바이 너리 표현자를 생성하였다. 제안하는 영상 매칭 알고리즘은 기존의 SURF나 SIFT보다 우수한 영상 매칭 성능을 보여주며 특별히 노이즈가 존재하는 영상의 매칭에서 노이즈의 영향에 강인한 매칭 성능을 보여주었다.
본 논문에서는 FAST와 BRIEF를 수정하여 새로운 영상 매칭 알고리즘을 제안한다. 영상의 특징점의 후보 영역을 제한하고 스케일 공간을 생성하여 노이즈에 강인하고 스케일 변화에 강인한 특정점을 검출한다. 또한 특징점 주변 픽셀 배열의 최대 Gradient 방향으로 특징점의 방향을 결정하고 결정된 방향만큼 픽셀 밝기 값 비교 패턴을 회전하여 이진 특징점 표현자를 생성한다.
원의 크기는 각각의 특징점에서 결정된 스케일을 나타내고 직선은 특징점의 결정된 방향을 나타낸다. 제안하는 영상 매칭 알고리즘으로 검출된 특징점은 영상의 왜곡이 존재하는 상황에서 일관된 위치에서 특징점을 검출해내고 또한 스케일과 방향을 일관되게 결정한다.
제안하는 영상 매칭 알고리즘의 성능은 왜곡이 존재하는 영상의 매칭을 수행하여 영상의 동일 지점에 매칭 되는지를 측정하여 평가한다. 기존의 영상 매칭 알고리즘 중에서 성능이 우수하고 널리 사용되는 SURF 알고리즘과 제안하는 영상 매칭 알고리즘을 비교하였다.

대상 데이터

40GHz에서 수행하였으며 알고리즘은 MATLAB 7으로 구현하였다. 매칭에 사용되는 영상은 K.Mikolajczyk가 제공하는 database 영상[9] 중에서 시점 변화가 20′ 존재하는 두 개의 Graf iti 영상을 사용하였다.

데이터처리

제안하는 영상 매칭 알고리즘의 성능은 왜곡이 존재하는 영상의 매칭을 수행하여 영상의 동일 지점에 매칭 되는지를 측정하여 평가한다. 기존의 영상 매칭 알고리즘 중에서 성능이 우수하고 널리 사용되는 SURF 알고리즘과 제안하는 영상 매칭 알고리즘을 비교하였다. 실험은 Intel(R) Core(TM) 2 Quad CPU Q6 0 2.

이론/모형

최근에 실시간 영상 매칭을 가능하게 하기 위하여 ORB (Oriented FAST and Rotated BRIEF)[7]와 BRISK (Binary Robust Invariant Scalable Keypoints)[8] 알고리즘이 제안되었다. ORB와 BRISK는 주변 픽셀 간의 밝기 값 차이로 빠르게 특징점을 검출하는 FAST (Features from Accelerated Segment Test)[3]와 주어진 패턴의 두 개의 픽셀의 밝기 값 차이로 이진 표현자 를 생성하는 BRIEF (Binary Robust Independent Elementary Features)[6]를 사용하여 영상 매칭을 수행한다.

성능/효과

그림 4(a)에서 보는 바와 같이 제안하는 알고리즘으로 수행된 매칭 결과는 SURF 알고리즘으로 매칭된 결과보다 잘못된 위치에 매칭 되는 특징점이 현저하게 감소함을 볼 수 있다. SURF 알고리즘으로 수행한 결과 80개 매칭 점에서 5개의 잘못된 매칭점을 나타내지만 제안 하는 알고리즘의 결과는 정확한 매칭율을 나타낸다.
그림 4(a)에서 보는 바와 같이 제안하는 알고리즘으로 수행된 매칭 결과는 SURF 알고리즘으로 매칭된 결과보다 잘못된 위치에 매칭 되는 특징점이 현저하게 감소함을 볼 수 있다. SURF 알고리즘으로 수행한 결과 80개 매칭 점에서 5개의 잘못된 매칭점을 나타내지만 제안 하는 알고리즘의 결과는 정확한 매칭율을 나타낸다. 그림 4(b)와 그림 4(c)에서 보는 바와 같이 영상에 노이즈가 증가함에 따라 SURF를 사용한 영상 매칭 결과는 영상의 정확한 매칭을 찾지 못하는 특징점이 증가하였다.
최근에 ORB와 BRISK 알고리즘은 단순한 픽셀 값의 비교로 특징점을 검출하고 특징점을 표현 하여 영상 매칭을 수행하기 때문에 계산량을 최소화하여 실시간으로 영상매칭을 가능하게 하였다. 또한 기존의 SIFT나 SURF와 견줄만한 영상 매칭 성능을 보여주었다. 하지만 ORB나 BRISK 알고리즘의 기반이 되는 FAST와 BRIEF는 여러 가지 문제점을 가지고 있다.
제안하는 영상 매칭 알고리즘은 기존의 SURF나 SIFT보다 우수한 영상 매칭 성능을 보여주며 특별히 노이즈가 존재하는 영상의 매칭에서 노이즈의 영향에 강인한 매칭 성능을 보여주었다. 또한 기존의 알고리즘에 비하여 현저하게 낮은 계산량을 보 여주었다
또한 BRIEF 특징점 표현자를 영상 회전 변화에 불변하게 만들기 위하여 각 특징점 주변의 최대 Gradient의 방향을 특징점의 방향을 결정해 준 후 픽셀 밝기 값 비교 패턴을 회전시켜 바이 너리 표현자를 생성하였다. 제안하는 영상 매칭 알고리즘은 기존의 SURF나 SIFT보다 우수한 영상 매칭 성능을 보여주며 특별히 노이즈가 존재하는 영상의 매칭에서 노이즈의 영향에 강인한 매칭 성능을 보여주었다. 또한 기존의 알고리즘에 비하여 현저하게 낮은 계산량을 보 여주었다
기존의 우수한 성능을 나타내는 SIFT나 SURF는 계산량이 방대하여 모바일 기기와 같은 실시간 영상 매칭 알고리즘이 필요한 기기에 사용할 수 없다는 단점을 가지고 있다. 하지만 제안하는 영상 매칭 알고리즘은 단순한 영상 픽셀 사이 비교로 특징점을 검출하고 표현자를 생성하기 때문에 실시간에 가능한 계산량 성능을 나타낸다.

후속연구

향후 단순한 픽셀 단위의 비교로 특징점을 검출하고 표현하는 제안하는 방식을 영상의 왜곡에 강인한 방식으로 수정할 수 있는 연구가 필요하다. 또한 영상 매칭 알고리즘을 다양한 컴퓨터 비전 응용분야에 적용 가능할 것이다
향후 단순한 픽셀 단위의 비교로 특징점을 검출하고 표현하는 제안하는 방식을 영상의 왜곡에 강인한 방식으로 수정할 수 있는 연구가 필요하다. 또한 영상 매칭 알고리즘을 다양한 컴퓨터 비전 응용분야에 적용 가능할 것이다

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

FAST와 BRIEF 기반의 실시간 특징점 매칭 알고리즘
FAST and BRIEF based Real-Time Feature Matching Algorithms 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

FAST와 BRIEF 기반의 실시간 특징점 매칭 알고리즘 FAST and BRIEF based Real-Time Feature Matching Algorithms 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

FAST와 BRIEF 기반의 실시간 특징점 매칭 알고리즘
FAST and BRIEF based Real-Time Feature Matching Algorithms 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper