學術產出-Theses
Article View/Open
Publication Export
-
題名 基於點群排序關係的特徵描述子建構
Feature descriptor based on local intensity order relations of pixel group作者 吳家禎
Wu, Chia Chen貢獻者 廖文宏
吳家禎
Wu,Chia Chen關鍵詞 影像特徵描述子
點群排序關係
影像比對
feature descriptor
local intensity order relations
image recognition日期 2015 上傳時間 1-Oct-2015 14:18:03 (UTC+8) 摘要 隨著科技的進步以及網際網路的普及，影像資訊的傳遞已經漸漸取代文字的表達，人們對於影像的需求也越來越多元，使得影像處理技術以及影像資訊分析也就越來越重要。然而，影像中其中一項重要的資訊為特徵描述子，強而有力的描述子能使得影像在辨識、分類等應用上有較佳的回饋，描述子的建構方式根據編碼原則分為：基於區域梯度統計、基於點對關係以及基於點群關係。其中，基於點群關係的編碼方式因為點群的選取及排序過程中，可能會產生過多的關係表示方法數，以至於不利於計算，因此過去較少有利用點群關係的編碼方式所建構而成的特徵描述子。 本論文提出描述子建構方式-LIOR，是以點群排序關係為基礎的編碼方式，相較於LIOP方法隨著點群內的點數增加，元素關係數大幅度的成長，造成描述子維度過大，計算時間和空間皆可能需要大量的消耗，而本研究方法足以改善計算維度的問題，重新定義點群關係的排名機制，並以像素值為基準加入權重分配，以區別加權排序之間不同大小差值所造成的影響程度。 實驗結果顯示本研究方法對於不同影像劣化效果的資料集，不僅能提升選取多點為一群的影像比對評估效能，同時也能改善點群內元素關係過多的排名表示法，降低以多點為群集的特徵描述子維度，節省了影像比對的計算時間以及空間，仍可維持整體影像配對之效能。 參考文獻 [1] WANG, Zhenhua; FAN, Bin; WU, Fuchao. “Local intensity order pattern for feature description.” In: Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p. 603-610. [2] LOWE, David G. Object recognition from local scale-invariant features. In:Computer vision, 1999. The proceedings of the seventh IEEE international conference on. IEEE, 1999. p. 1150-1157. [3] BAY, Herbert; TUYTELAARS, Tinne; VAN GOOL, Luc. SURF: Speeded up robust features. In: Computer Vision–ECCV 2006. Springer Berlin Heidelberg, 2006. p. 404-417. [4] TOLA, Engin; LEPETIT, Vincent; FUA, Pascal. DAISY: An efficient dense descriptor applied to wide-baseline stereo. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2010, 32.5: 815-830. [5] CALONDER, Michael, et al. BRIEF: Binary robust independent elementary features. In: Computer Vision–ECCV 2010. Springer Berlin Heidelberg, 2010. p. 778-792. [6] LEUTENEGGER, Stefan; CHLI, Margarita; SIEGWART, Roland Yves. BRISK: Binary robust invariant scalable keypoints. In: Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p.2548-2555. [7] RUBLEE, Ethan, et al. ORB: an efficient alternative to SIFT or SURF. In:Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p. 2564-2571. [8] Ojala, Timo, Matti Pietikainen, and Topi Maenpaa. "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns." Pattern Analysis and Machine Intelligence, IEEE Transactions on 24.7 (2002): 971-987. [9] ALAHI, Alexandre; ORTIZ, Raphael; VANDERGHEYNST, Pierre. FREAK: Fast retina keypoint. In: Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. Ieee, 2012. p. 510-517. [10] Kendall, Maurice George. "Rank correlation methods." (1948). [11] Miksik, O., Mikolajczyk, K.: Evaluation of local detectors and descriptors for fast feature matching, In Pattern Recognition (ICPR), 21st International Conference on pp. 2681~2684, 2012. 描述 碩士
國立政治大學
資訊科學學系
102753010資料來源 http://thesis.lib.nccu.edu.tw/record/#G0102753010 資料類型 thesis dc.contributor.advisor 廖文宏 zh_TW dc.contributor.author (Authors) 吳家禎 zh_TW dc.contributor.author (Authors) Wu,Chia Chen en_US dc.creator (作者) 吳家禎 zh_TW dc.creator (作者) Wu, Chia Chen en_US dc.date (日期) 2015 en_US dc.date.accessioned 1-Oct-2015 14:18:03 (UTC+8) - dc.date.available 1-Oct-2015 14:18:03 (UTC+8) - dc.date.issued (上傳時間) 1-Oct-2015 14:18:03 (UTC+8) - dc.identifier (Other Identifiers) G0102753010 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/78754 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 資訊科學學系 zh_TW dc.description (描述) 102753010 zh_TW dc.description.abstract (摘要) 隨著科技的進步以及網際網路的普及，影像資訊的傳遞已經漸漸取代文字的表達，人們對於影像的需求也越來越多元，使得影像處理技術以及影像資訊分析也就越來越重要。然而，影像中其中一項重要的資訊為特徵描述子，強而有力的描述子能使得影像在辨識、分類等應用上有較佳的回饋，描述子的建構方式根據編碼原則分為：基於區域梯度統計、基於點對關係以及基於點群關係。其中，基於點群關係的編碼方式因為點群的選取及排序過程中，可能會產生過多的關係表示方法數，以至於不利於計算，因此過去較少有利用點群關係的編碼方式所建構而成的特徵描述子。 本論文提出描述子建構方式-LIOR，是以點群排序關係為基礎的編碼方式，相較於LIOP方法隨著點群內的點數增加，元素關係數大幅度的成長，造成描述子維度過大，計算時間和空間皆可能需要大量的消耗，而本研究方法足以改善計算維度的問題，重新定義點群關係的排名機制，並以像素值為基準加入權重分配，以區別加權排序之間不同大小差值所造成的影響程度。 實驗結果顯示本研究方法對於不同影像劣化效果的資料集，不僅能提升選取多點為一群的影像比對評估效能，同時也能改善點群內元素關係過多的排名表示法，降低以多點為群集的特徵描述子維度，節省了影像比對的計算時間以及空間，仍可維持整體影像配對之效能。 zh_TW dc.description.tableofcontents 第一章 緒論 1 1.1研究背景與目的 1 1.2流程架構與方法 2 第二章 相關研究 4 2.1區域影像特徵 4 2.1.1基於區域梯度統計 4 2.1.2基於點對關係 5 2.1.3基於點群關係 7 2.2排名學習機制 (LEARNING TO RANK) 7 2.2.1 Kendall tau 7 2.3 小結 9 第三章 基於點群關係的特徵描述子建構 10 3.1 LOCAL INTENSITY ORDER PATTERN (LIOP) 10 3.2 排名機制 13 3.2.1 LIOR-1：區別像素差距一致性與不一致性 14 3.2.2 LIOR-2：設定門檻值區別像素差距一致性與不一致性之程度 15 3.2.3 維度比較 17 3.3 權重設定 18 第四章 實驗結果與分析 21 4.1 實驗樣本 21 4.2 評估方法 24 4.3 LIOP實驗 24 4.4排名機制與權重設定實驗 28 4.4.1 LIOR-1：區別像素差距一致性與不一致性 28 4.4.2 LIOR-2：設定門檻值區別像素差距一致性與不一致性之程度 31 4.5 實驗結果小結 33 4.6 前處理改善 34 第五章 結論與未來目標 40 參考文獻 42 附錄一 LIOP 44 附錄二 LIOR-1 48 附錄三 LIOR-2 50 zh_TW dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0102753010 en_US dc.subject (關鍵詞) 影像特徵描述子 zh_TW dc.subject (關鍵詞) 點群排序關係 zh_TW dc.subject (關鍵詞) 影像比對 zh_TW dc.subject (關鍵詞) feature descriptor en_US dc.subject (關鍵詞) local intensity order relations en_US dc.subject (關鍵詞) image recognition en_US dc.title (題名) 基於點群排序關係的特徵描述子建構 zh_TW dc.title (題名) Feature descriptor based on local intensity order relations of pixel group en_US dc.type (資料類型) thesis en dc.relation.reference (參考文獻) [1] WANG, Zhenhua; FAN, Bin; WU, Fuchao. “Local intensity order pattern for feature description.” In: Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p. 603-610. [2] LOWE, David G. Object recognition from local scale-invariant features. In:Computer vision, 1999. The proceedings of the seventh IEEE international conference on. IEEE, 1999. p. 1150-1157. [3] BAY, Herbert; TUYTELAARS, Tinne; VAN GOOL, Luc. SURF: Speeded up robust features. In: Computer Vision–ECCV 2006. Springer Berlin Heidelberg, 2006. p. 404-417. [4] TOLA, Engin; LEPETIT, Vincent; FUA, Pascal. DAISY: An efficient dense descriptor applied to wide-baseline stereo. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2010, 32.5: 815-830. [5] CALONDER, Michael, et al. BRIEF: Binary robust independent elementary features. In: Computer Vision–ECCV 2010. Springer Berlin Heidelberg, 2010. p. 778-792. [6] LEUTENEGGER, Stefan; CHLI, Margarita; SIEGWART, Roland Yves. BRISK: Binary robust invariant scalable keypoints. In: Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p.2548-2555. [7] RUBLEE, Ethan, et al. ORB: an efficient alternative to SIFT or SURF. In:Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p. 2564-2571. [8] Ojala, Timo, Matti Pietikainen, and Topi Maenpaa. "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns." Pattern Analysis and Machine Intelligence, IEEE Transactions on 24.7 (2002): 971-987. [9] ALAHI, Alexandre; ORTIZ, Raphael; VANDERGHEYNST, Pierre. FREAK: Fast retina keypoint. In: Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. Ieee, 2012. p. 510-517. [10] Kendall, Maurice George. "Rank correlation methods." (1948). [11] Miksik, O., Mikolajczyk, K.: Evaluation of local detectors and descriptors for fast feature matching, In Pattern Recognition (ICPR), 21st International Conference on pp. 2681~2684, 2012. zh_TW
