Pose Tracking from Natural
Features on Mobile Phones
西村 孝
はじめに

リアルタイムでテンプレートとの対応点マッチング
Pose Tracking from Natural Features on Mobile Phones,ISMAR2008
Fast Keypoint Recognition using Random Ferns,PAMI 2009
Fast Keypoint Recognition in Ten Lines of Code,CVPR 2007
Keypoint Recognition using Randomized Trees, PAMI 2006
手法の流れ
特徴点検出
DoG処理は削除


FAST corner detectorに置き換え
異なるスケールすべてから特徴量算出
→スケール変化の不変性を得る
→メモリ資源を使いCPUにかかるコストを削減
FAST corner detector(1/2)
p:コーナ候補点
コーナ点:Ipの輝度より円上のすべてのピクセルの輝度は明るいか暗い
高速化のため円上の4方位のピクセルのみを比較(1,5,9,13)
FAST corner detector (2/2)
t:閾値
x:円上のピクセル座標(1~16) d,s,b:状態
暗い
差がない
明るい
トラッキング




アウトライア判定に通過した特徴点を用いる
良い特徴点:アウトライアに合格しマッチング成功
悪い特徴点:マッチング失敗,アウトライア判定に失敗
良い悪い特徴点の情報を次フレームに送る


有効な特徴点のみを処理
追跡範囲は前フレームの半径25ピクセル
記述子:特徴量
3x3領域から4つの勾配方向(36次元)
→メモリ削減のため.精度は128次元より10%低下

15ピクセルの領域から3x3の領域を作成


1ブロック:5ピクセル
3×3のガウスで平滑化
→ノイズの影響を軽減
3×3の領域
記述子:オリエンテーション

オリエンテーション算出はSIFTと同様



3つ以上のピークが存在する場合はその特徴点を削除
→あらゆる方向のテスクチャが多い場所:物体の内側
オリエンテーション方向にパッチを回転
回転したパッチに対して特徴量記述

オリエンテーションの数だけ特徴量が存在
マッチング

全探索による対応点マッチング


計算コストが高い
Spill Treeを利用


モデル画像の特徴点をクラスタリング(クラス数は定義)
追跡対象に一番近いクラス内を探索
→探索範囲の削減
Constructing a Spill Tree
[Preperata and Shamos 1985]
Constructing a Spill Tree
1. 2つのクラスに分ける
Constructing a Spill Tree
2.ベクトルの中間点と垂直な線(決定境界)を算出
Constructing a Spill Tree
overlap buffer
3.オーバーラップ・バッファー中のノードは両方のクラスの特徴を多く含んでいる
オーバーラップ・バッファー中の追跡点は削除
アウトライア


オリエンテーションを利用
追跡点は常に同じオリエンテーションを持つ


異なるオリエンテーションを持つ特徴点は削除
オーバーラップ・バッファー中の特徴点は削除
ターゲットデータ取得
モデル画像の特徴データベースの作成

イメージピラミッドの作成





入力画像を
1
2
倍づつ縮小
各縮小画像に対してコーナ点算出
→連続した縮小画像に対して同位置のコーナ点を特徴点として
決定
36次元
スケールの範囲は定義
1
すべてのスケールで特徴量算出
2
36次元
3つ以上のオリエンテーションが
1
2
ある特徴点は削除
スケール

36次元
Ferns
C:クラス Fi:ノードの特徴量
木の表現
深さが3なら1バイト
学習

学習画像


1枚の正面の画像をアフィン変換
各キーポイントにヒストグラム作成
マッチング
木の深さ
ノードの数は6個を採用
評価実験

速度の比較
実験データ

実験に用いる端末を下記に示す(4種類)
PCを用いた結果
約15~20倍高速化
モバイル端末を用いた結果
15fps程度の実行速度を実現
おわりに

Pose Tracking from Natural Features on
Mobile Phonesの文献調査
ダウンロード

Fast Approximated SIFT