Abstract

이 논문은 BRIEF라는 이진 descriptor를 소개한다. Hamming distance를 통해 descriptor간 거리를 구해 SIFT에서 쓰이는 L2-norm 보다 계산 효율성이 좋다. BRIEF는 만드는것과 매칭이 모두 빠르다. SURF, U-SURF와 성능을 비교한다.

1. Introduction

feature point descriptor는 컴퓨터비전 분야에서 중요한 역할을 하고있다. 하지만 기존 descriptor들은 모바일 기기 등 계산 메모리가 제한적인 곳에서 작동하기에 한계가 있다. 따라서 계산 및 매칭 속도가 빠르고 메모리 효율성이 좋은 descriptor가 필요하다.

속도를 향상시키고 메모리 효율을 높이는 방법들

• PCA나 LDA 등의 차원축소 기법을 사용하여 SIFT 등의 고차원 descriptor에서 불필요한 정보를 줄이는 법.
• quantization을 이용해 float data를 int형으로 변환.
• binary형태로 데이터를 바꾸고 descriptor간 유사도는 Hamming distance로 계산.

하지만 위에 제안된 기법들은 모두 descriptor의 후처리로 들어가는 방법들로 우리는 후처리가 아닌 처음부터 계산량을 줄이는 방법을 연구했다. 진행한 Binary descriptor 실험에서 256bit, 128bit에서 모두 좋은 매칭성능을 보였고 descriptor를 생성하는 속도 또한 빨랐다.

2. Related Work

SIFT descriptor는 매칭성능이 좋지만 flaot 형태의 128-vector를 사용하여 계산과 매칭 속도가 느리다. 따라서 SLAM 같은 실시간 적용이 힘들다.

SURF는 local gradient histogram을 사용하는데 픽셀이 아닌 integral image를 사용하고 64-vector를 사용하여 연산속도를 높였다. 하지만 여전히 키포인트 하나당 256byte가 필요했기에 점차 large scale 3D map reconstruction을 요구하는 시대적 흐름에 descriptor가 너무많은 메모리를 차지하고 있었다. 메모리 효율을 높이기 위해 다음과 같은 연구들이 진행되었다.

3. Method

이미지 패치에서 몇개의 픽셀들의 밝기만 비교를 해도 이미지간 비교가 가능하다는 것을 실험을 통해 증명했다. 비교할 픽셀 선정은 머신러닝 기법인 randomized classification & Naive Baysian classifier를 사용하여 선정하였다.

위 수식에서 n(실험에 쓰이는 픽셀갯수) 값을 128, 256, 512개로 변경해가며 실험을 진행했다.

3.1. Smoothing Kernels

적은 픽셀들만 가지고 비교하는 방식은 노이즈에 취약할 수 밖에 없다. 따라서 노이즈를 없애기 위해 가우시안 블러처리를 했다.

3.2. Spacial Arrangement of the Binary Tests

3.3. Distance Distributions

4. Results

BRIEF는 rotation invariant하지 않다.