特徴点検出・特徴量記述 - ntuf/Tips GitHub Wiki

特徴量
 feature value
点群
 point cloud
検索キーワード
 feature value 3d lidar

■3D特徴量検出(特徴点抽出)
・特徴点の検出(抽出) :似ているポイントを検出する
・特徴量の記述    :どれだけ似ているかを数字であらわす
これらは別のこと

SIFTとAKAZEはOpenCVに組み込まれた
原理は特に必要ないので割愛

■SIFT(SURF)系 
特許ライセンスの問題があるでも近年で一番成功したアルゴリズム

SIFT (Scale -invariant Feature Transform) 1999
 Loweが提唱 2020/3/6に特許が切れた。
PCA-SIFT, GLOTH
 SIFTを高精度化
SURF 
 SIFTを高速化が、ちょっと精度が劣る まだ特許ある。
SIFT GPU
 GPUを用いた手法のSIFT高速化。

■KAZE系
KAZE
 制度が高い
AKAZE
 KAZEを高速化

■ORB
ORB OpenCV Labsで開発された。
 FASTによる特徴点検出とBRIEFによる特徴量記述子を組合わせたもの

参考
https://www.jstage.jst.go.jp/article/jjsai/25/6/25_753/_pdf


DCGAN 画像生成に使われる
-

用語は適当にこれぐらいにして、
3次元特徴点検出と特徴量の算出をどうやってやればいいのか。

ここら辺いいよね
http://isl.sist.chukyo-u.ac.jp/Archives/物体認識のための3次元特徴量の基礎と動向(橋本学).pdf

https://www.researchgate.net/publication/307531609_3D_FEATURE_POINT_EXTRACTION_FROM_LIDAR_DATA_USING_A_NEURAL_NETWORK

上の論文にはこんなことが

3D特徴点を用いたLiDARデータセット間のマッチングは、
キーポイントベースのレジストレーション問題として単純化できる。
レジストレーションに広く使われているアプローチは、
Iterative Closest Point (ICP) アルゴリズム (Besl and McKay, 1992)です。
このアルゴリズムでは、最も近いポイントを割り当て、
2つのスキャン間の最小二乗変換を推定する。
その後、最も近いポイントセットを再決定し、
最小のエラーが達成されるまで手順を繰り返します(Myronenko et al., 2006)。
ICPによるレジストレーションを成功させる鍵は、相対的な変換の適切な初期推測であり、
そうでなければ局所的な最小値に収束してしまう可能性が高い。
キーポイントベースのレジストレーションは、探索の複雑さを大幅に軽減し、
必要な初期変換を提供することができる。3D点群の特徴点抽出手法については、
一般的に2つのアプローチのグループがあります。
1つは、Intrinsic Shape Signature (ISS) (Zhong, 2009) や
Key Point Quality (KPQ) (Mian et al., 2010) などのように、
3D空間におけるローカルな近傍領域に基づいて直接特徴点を抽出するもので、
通常、3D空間における近傍領域の主成分分析(PCA)を使用し、
一連の基準を用いて特徴点を識別する。
比較的広い面積を持つ高密度の点群データでは、非常に多くの点が存在するため、
各データ点を繰り返し処理する方法は非常に時間がかかる可能性がある。

ISS、KPQが気になる。
他にもHarris ISS KPQ KPQ-SI NARF
3Dの特徴点検出となるとこれらになるのだろう。

3次元点群を2次元で特徴点を見つけ出す手法も比較しているからできないことはないらしい。

「もう1つのアプローチ群は,3次元点群の2次元表現(レンジ画像,強度画像など)上で
特徴点を抽出し,その範囲情報に基づいて3次元座標を検索するものである.
SIFT (Scale-Invariant Feature Transform) (Lowe, 2004)、
SURF (Speeded-Up Robust Features) (Bay et al., 2008)、
ORB (Oriented FAST and Rotated BRIEF) (Rublee et al., 2011)などの
標準的な2次元特徴検出・記述法は、地上レーザースキャン間のレジストレーションに
使用されていた(Urban and Weinmann, 2015)。
これらは、多数の特徴点を抽出するが、識別性と再現性は低い。
RANSACを使用して間違った割り当てを取り除くことができるとしても、
大量のミスマッチなポイントはレジストレーションに悪影響を及ぼすだろう。
そのため、少ない数の特徴点を高い品質で得ることが大きな目的となる。」

https://act.usc.edu/publications/Boroson_ICRA2019.pdf
他にもHarris ISS KPQ KPQ-SI NARF
3Dの特徴点検出となるとこれらになるのだろう。

なかな道が遠い。

⚠️ **GitHub.com Fallback** ⚠️