지역 특징.

지역 특징 (Local Features) 검출 기초.

지역 특징은 종류에 따라 조금씩 다르지만 대략 <위치, 스케일, 방향, 특징벡터> 정보로 구성된다. 검출 단계는 위치와 스케일, 기술 단계는 방향과 특징 벡터를 알아낸다. 이때 검출은 여러 변환에 공변covariant이어야 한다. 지역 특징을 다양한 응용에 유용하게 활용하려면 다음의 몇가지 특성을 만족해야 한다.

반복성repeatability

같은 물체를 다른 시점에서 찍은 두 영상이 주어졌을 때, 한 영상 속 물체에서 검출된 특징은 다른 영상의 물체에서도 동일한(실제로는 유사한) 위치에 동일한 속성값으로 검출되어야 한다. 이 기준이 만족 되어야만 두 영상에서 대응점을 찾을 수 있고, 물체 인식이나 물체 추적과 같은 과업도 달성할 수 있다. 불변성과 강건성은 반복성의 기초가 된다.

분별력distinctiveness

물체의 다른 곳과 충분히 구분될 수 있을 정도로 두드러진 속성값을 가져야 한다. 그래야 실제 대응 되는 두 점이 유일하게 1:1로 매칭될 수 있다. 특징 벡터의 분별력에 대해서는 6장에서 자세하게 공부한다.

지역성locality

어떤 점을 중심으로 작은 크기의 주변영역만 보고 특징 검출과 특징 기술이 수행되어야 한다. 이는 다양한 형태로 가림occlusion과 혼재clutter가 발생하는 상황에서 강건하게 작동하기 위해서 필수적이다.

정확성accuracy

검출된 특징은 정확한 위치에 놓여야 한다. 스케일 공간에서 찾은 특징은 2차원 공간뿐 아니라 스케일 축에서도 정확해야 한다. 상황에 따라 부분 화소 정확도subpixel accuracy까지 계산할 필요가 없다.

적당한 양

어떤 물체의 자세pos(위치와 방향)를 계산하기 위해서는 이론적으로 세 개의 대응점만 있으면 된다. 하지만 대응점에 오류가 포함될 가능성이 있으므로 대응점이 많아지면 보다 정확하게 자세를 추적할 수 있다. 더불어 한 영상에서 검출된 특징이 다른 영상에서 나타나지 않을 수도 있다. 특징은 원천적으로 충분한 양을 얻을 수 있어야 한다. 그렇다고 너무 많으면 계산하는 데 시간이 오래 걸릴 뿐더러 틀린 매칭이 자주 발생할 수 있다. 대부분의 특징 검출 알고리즘은 양을 조절하는 데 사용하는 매개변수를 가지고 있다.

계산 효율

특징 정보를 추출하는 전체 과정을 충분히 빠른 시간 안에 마칠 수 있어야 한다. 축구 중계에서 선수를 자동으로 추적하거나 항해하는 로봇이 물체를 인식하는 것과 같이 실시간 처리가 필요한 응용에서는 양보할 수 없는 기준이 된다. 검출, 기술, 매칭의 세 단계 중에서 주로 매칭에 가장 많은 시간을 소요하는데, 7장에서 효율적인 매칭 알고리즘을 소개한다.

앞서 살펴본 기준들은 서로 길항tradeoff 관계이다. 예를 들어, 어느 응용에서든지 반복성이 가장 중요한 기준이지만, 실시간 처리가 필수적인 응용에서 높은 반복성이 계산 효율을 크게 떨어뜨린다면 어느정도 반복성을 양보하는 전략을 채택하는 것이 현명하다.

출처 - Computer Vision