Detection of local features invariant to affines transformations
Résumé
In recent years the use of local characteristics has become one of the dominant approaches to content based object recognition. The detection of interest points is the first step in the process of matching or recognition. A local approach significantly improves and accelerates image retrieval from databases. Therefore a reliable algorithm for feature detection is crucial for many applications. In this thesis we propose a novel approach for detecting characteristic points in an image. Our approach is invariant to geometric and photometric transformations, which frequently appear between scenes viewed in different conditions.We emphasize the problem of invariance to affine transformations. This transformation is particularly important as it can locally approximate the perspective deformations. Previous approaches provide partial solutions to this problem, as not all essential parameters of local features are estimated in an affine invariant way. Our method is truly invariant to affine transformations, which include significant scale changes. An image is represented by a set of extracted points. The interest points are characterized by descriptors, which are computed with local derivatives of the neighborhoods of points. These descriptors together with a similarity measure enable point-to-point correspondences to be established, and as a result, the geometry between images to be computed. In the context of an image database, the descriptors are used to find similar points in thedatabase, and therefore the similar image. The usefulness of our method is confirmed by excellent results for matching and image retrieval. Several comparative evaluations show that our approach provided for larger progress in the context of these applications. In our experiments we use a large set of real images, enabling representative results to be obtained.
Une des approches dominantes pour la reconnaissance d'objets est basée sur les caractéristiques locales. La méthode utilise la description locale calculée au voisinage de points d'intérêt. La détection de points d'intérêt est une première étape dans le processus de la mise en correspondance et de la reconnaissance. L'approche par apparences locales a permis d'améliorer et d'accélérer considérablement la recherche d'images dans des bases de données. Dans cette thèse, nous proposons une nouvelle approche pour la détection de points caractéristiques d'une image. Cette approche est invariante aux transformations géométriques et photométriques, qui apparaissent fréquemment entre les images prises dans des conditions différentes. Nous nous concentrons sur le problème d'invariance aux transformations affines. Cette transformation est particulièrement importante parce qu'elle permet de s'affranchir des problèmes de changements perspectives. Les approches précédentes apportent des solutions partielles, car certains paramètres de points d'intérêt ne sont pas estimés de façon invariante aux changements affines. Nous avons proposé une solution générique à ces problèmes. Notre méthode est réellement invariante aux transformations affines, y compris aux changements d'échelle importants. Les images sont caractérisées par des ensembles de descripteurs calculés en des points caractéristiques détectés automatiquement. Une mesure de ressemblance permet d'établir des correspondances entre les points. Ces correspondances sont ensuite utilisées pour calculer la géométrie qui lie les images. Dans le contexte de la recherche d'images les descripteurs sont utilisés pour retrouver des points similaires dans la base et par conséquent des images similaires aux images requêtes. Les résultats expérimentaux pour la mise en correspondance et la recherche d'images montrent que notre approche est très robuste et efficace même dans les cas de changements importants. Plusieurs études comparatives effectuées dans cette thèse montrent l'avantage de cette méthode par rapport aux approches existantes présentées récemment dans la littérature.
Loading...