基于 征的圖像匹配算法研究 篩選 )特性已被廣泛接受為一個(gè)有效的地方關(guān)鍵點(diǎn)描述符的旋轉(zhuǎn)不變性 ,規(guī)模、和照明變化圖像。 然而 ,它也是眾所周知 ,篩選 ,這是來(lái)自定向敏感梯度場(chǎng) ,不是翻轉(zhuǎn)不變。 在真實(shí)的應(yīng)用程序中 ,翻轉(zhuǎn)或相反捕獲的觀點(diǎn) ,或?qū)ΨQ模式的對(duì)象。 提出了一種新的描述符 ,名叫 或 保存的原始屬性篩選而寬容的翻轉(zhuǎn)。 一塊地方 ,然后由翻轉(zhuǎn)幾何規(guī)范化補(bǔ)丁前篩選的計(jì)算。我們展示的力量 大規(guī)模的視頻拷貝檢測(cè) , 對(duì)象識(shí)別和檢測(cè) 。 在復(fù)制檢測(cè) ,一個(gè)框架 ,它巧妙的翻轉(zhuǎn)特性指數(shù) 但是也會(huì)導(dǎo)致超過(guò) 50%的儲(chǔ)蓄在計(jì)算成本。 在物體識(shí)別 ,我們證明 在目標(biāo)檢測(cè)中 ,我們進(jìn)一步顯示 指數(shù) 篩選 ),幾何驗(yàn)證對(duì)象檢測(cè)、視頻拷貝檢測(cè)。 一、 介紹 由于篩 選 1的成功 ,圖像局部特性被廣泛應(yīng)用于各種計(jì)算機(jī)視覺和圖像處理應(yīng)用程序。 尤其是各種近期作品利用篩選開發(fā)先進(jìn)的對(duì)象分類器。 研究由2,3,例如 ,基于篩選表明 ,使用聚合本地特性 ,線性分類器的性能與更復(fù)雜的但計(jì)算昂貴的分類器。篩選的吸引力主要是因?yàn)槠洳蛔冃愿鞣N形象轉(zhuǎn)換包括 :旋轉(zhuǎn)、縮放、照明變化和位移在當(dāng)?shù)貐^(qū)域的像素。 篩選通常是計(jì)算在一個(gè)地方凸區(qū)域位于多尺度檢測(cè)和旋轉(zhuǎn)它的主導(dǎo)方向。 結(jié)果 ,描述符是尺度和旋轉(zhuǎn)不 變。 此外 ,由于空間分區(qū)和 2 篩選是對(duì)色彩、照明和小像素位移。盡管有這些理想的性質(zhì) ,篩選不翻轉(zhuǎn)不變。 因此 ,描述符提取兩個(gè)相同但翻本地補(bǔ)丁可能完全不同的功能空間。 這已經(jīng)退化的特征點(diǎn)匹配的效果 4和引入額外的計(jì)算開銷 5-7應(yīng)用如視頻拷貝檢測(cè)。 (a) (b) 圖 1不同的上下文中的例子。 (a)觀點(diǎn)的改變。 (b) 翻轉(zhuǎn)或 在侵犯版權(quán) ,翻轉(zhuǎn)操作的常用技巧 8,9。 特別是水平翻轉(zhuǎn)更為常見 ,因?yàn)榇瞬僮饕曈X上不會(huì)造成任何明顯的圖像 /視頻內(nèi)容的損失。翻轉(zhuǎn)也發(fā)生在拍照的一個(gè)場(chǎng)景從相反的觀點(diǎn)。這種翻轉(zhuǎn) ,如圖 1a),通常捕獲的不同快照的時(shí)間 ,廣泛存在特別是在電視新聞節(jié)目播出由不同的頻道。此外 ,對(duì)象具有對(duì)稱結(jié)構(gòu)也表現(xiàn)出 b)。一般來(lái)說(shuō) ,允許對(duì)象的對(duì)稱結(jié)構(gòu)匹配的特征空間會(huì)增加召回對(duì)象在同一類的機(jī)會(huì) ,尤其是當(dāng)對(duì)象從任意視點(diǎn)。 簡(jiǎn)而言之 ,在特征描述符的能力的視覺不變性的局部區(qū)域 ,盡管該地區(qū)是否本質(zhì)上翻或?qū)ΨQ是重要任務(wù) ,比如復(fù)制和目標(biāo)檢測(cè)。 本文的主要貢獻(xiàn)是 提高篩選與翻轉(zhuǎn)不變性的財(cái)產(chǎn)。 象識(shí)別和檢測(cè)也證實(shí)。 特別是 ,我們表明 ,瀟灑地索引能提高檢測(cè)精度和速度一般可以預(yù)期。其余本文組織如下。 第二部分回顧變異的局部描述符和復(fù)制和目標(biāo)檢測(cè)的利用率。 第三部分描述了提取四部分進(jìn)一步大規(guī)模的視頻拷貝檢測(cè)提出了一個(gè)框 架 ,提出了方案功能索引和基于 五部分提出了一個(gè)比較研究調(diào)查的影響探測(cè)器和描述符面對(duì)翻轉(zhuǎn)轉(zhuǎn)換為對(duì)象識(shí)別。 第六章實(shí)證比較后第七章總結(jié)本文。 二、 相關(guān)工作 在當(dāng)?shù)孛枋龇蛔兞渴艿奖姸嘌芯康年P(guān)注，各種幾何的翻轉(zhuǎn)不變形通常緊跟的不考慮。 直到最近 ,有幾個(gè)翻轉(zhuǎn)不變描述符包括裂谷 10、 旋轉(zhuǎn) 10,2, 找到 13。這些描述符 ,包括篩選 ,主要是不同的局部區(qū)域的分區(qū)方案如圖 2 篩選 ,將區(qū)域劃分為 44塊和 8方向梯度直方圖描述了每個(gè)網(wǎng)格如圖 2個(gè) ),生成特性通過(guò)連接柱狀圖行從左到右順序和直方圖以順時(shí)針方式垃圾箱因此 ,翻轉(zhuǎn)轉(zhuǎn)換的地區(qū)將障礙塊和垃圾箱的位置。 這個(gè)結(jié) 果在一個(gè)不同的版本的描述符特性的預(yù)定義的順序掃描。 處理這個(gè)問題的可能的解決方案包括改變分區(qū)方案或掃描訂單 10,13和功能轉(zhuǎn)換 12。 圖 2區(qū)方案 (一 )篩選 1,(b)裂谷 10,(c)1,(d)旋轉(zhuǎn) 10,(e)找到 13。 裂谷 10采用不同的分區(qū)方案篩選除以區(qū)域沿著 b)。 類似于篩選 ,8然后連接起來(lái)形成一個(gè)描述 符 。 由于分區(qū)方案本身就是翻轉(zhuǎn)和旋轉(zhuǎn)不變 ,裂谷掃描順序不敏感 。 另一方面 ,雖然這種基于半徑的部門是光滑和不容易量化損失如果相對(duì)于基于網(wǎng)格的劃分 ,空間寬松表示還導(dǎo)致裂縫描述符不是獨(dú)特的篩選。 c)。然而 ,不變性屬性不再存在后加強(qiáng)空間 約束。旋轉(zhuǎn) ,如圖 2d),相反 ,保留翻轉(zhuǎn)不變性財(cái)產(chǎn)而實(shí)施空間信息通過(guò)編碼區(qū)域的二維直方圖像素強(qiáng)度和距離區(qū)域中心。盡管有改善 ,然而 ,實(shí)證評(píng)價(jià)11報(bào)道 ,自旋以及裂縫和 找到 13是一個(gè)新的描述符 ,允許重疊分區(qū)和掃描 8-1(e)。在這個(gè)方案下 ,翻轉(zhuǎn)操作之前和之后產(chǎn)生的描述符也是對(duì)方的鏡子。 具體地說(shuō) ,一個(gè)描述符生成的翻轉(zhuǎn)可以恢復(fù)通過(guò)掃描倒序的直方圖。這個(gè)有趣的屬性 ,找到明確的描述符不變的翻轉(zhuǎn) ,估計(jì)一個(gè)地區(qū)是否向左或向右 指通過(guò)參數(shù)閾值。 當(dāng)比較兩個(gè)描述符的左邊和右邊分別指向描述符組件動(dòng)態(tài)地重新安排適當(dāng)?shù)奶匦云ヅ洹?然而 ,13報(bào)道 ,指出方向的估計(jì)是高度依賴于參數(shù)設(shè)置 ,更重要的是 ,錯(cuò)誤的估計(jì)直接意味著無(wú)效匹配的結(jié)果。此外 ,類似于裂谷 ,分區(qū)方案不會(huì)產(chǎn)生描述符和篩選一樣獨(dú)特。 2,相反 ,直接在篩選而改變新的描述符翻轉(zhuǎn)不變。這是通過(guò)明確地識(shí)別組織無(wú)序的功能組件放置的翻轉(zhuǎn)操作。 2這樣的團(tuán)體和代表每組四個(gè)時(shí)刻翻轉(zhuǎn)不變。然而 , 描述符基于矩不歧視。 在報(bào)道 12,這將導(dǎo)致超過(guò) 10%的匹配性能下降 比篩選 翻轉(zhuǎn)操作被視為侵犯的一個(gè)廣泛使用的技巧。 在 9,14,例如 ,視頻拷貝的翻轉(zhuǎn)被認(rèn)為是主要的測(cè)試項(xiàng)目之一。 不過(guò)有趣的是 ,大多數(shù)參與者在 和相反 ,篩選的工作功能特色。翻的問題復(fù)制檢測(cè)是由索引兩個(gè)篩選描述符為每個(gè)地區(qū) 6,15,其中之一是通過(guò)模擬計(jì)算翻轉(zhuǎn)操作。 這導(dǎo)致顯著增加索引時(shí)間和內(nèi)存消耗。 在 5,7,另一種策略是受雇于提交兩個(gè)版本的描述符 ,翻不翻 ,查詢復(fù)制檢測(cè)。 這種策略的缺點(diǎn) ,介紹了查詢 處理時(shí)間是雙重的。 大部分的關(guān)鍵點(diǎn)檢測(cè)器和視覺提出了描述符的特征點(diǎn)匹配對(duì)象識(shí)別 11。 然而 ,目前還沒有系統(tǒng)和比較研究 ,調(diào)查他們的表現(xiàn)在面對(duì)翻轉(zhuǎn)轉(zhuǎn)換。 不同于復(fù)制檢測(cè)和目標(biāo)識(shí) 別 , 檢測(cè)大多 有的 工作對(duì) 象。具體來(lái) 說(shuō) ,當(dāng)?shù)靥匦院Y選等輸入分類器學(xué)習(xí) 16,17。 據(jù)我們所知 ,還沒有工作認(rèn)真解決的問題通過(guò)對(duì)比檢測(cè)性能特性有或沒有將翻轉(zhuǎn)不變性的財(cái)產(chǎn)。 三、 翻轉(zhuǎn)不變的篩選 我們首先描述現(xiàn)有凸區(qū)域 (或關(guān)鍵點(diǎn) )探測(cè)器。 這些探測(cè)器確實(shí) 翻轉(zhuǎn)不變和定位區(qū)域在不同轉(zhuǎn)換的能力。 換句話說(shuō) ,翻轉(zhuǎn)操作問題產(chǎn)生的結(jié)果是起源于特征描述符本身。 這一事實(shí) ,我們會(huì)提出我們的提議描述符 有各種各樣的關(guān)鍵點(diǎn)檢測(cè)器在文獻(xiàn) 1、 18-20。 一般來(lái)說(shuō) ,這些探測(cè)器執(zhí)行 出是凸點(diǎn) ,每個(gè)關(guān)聯(lián)到一個(gè)區(qū)域的支持和主導(dǎo)方向。探測(cè)器大多相似 ,除了與變化特點(diǎn)的選擇功能。 分析翻不變性的主要探測(cè)器給出如下。 給定一個(gè)像素 P,二階矩矩陣定義來(lái)描述梯度分布在當(dāng)?shù)氐?社區(qū) P: （ 3 g P(x或 y)方向。當(dāng)?shù)氐难苌放c高斯計(jì)算內(nèi)核的大小取決于 居家的衍生品平均 基于 3里斯在像素 （ 3 是一個(gè)常數(shù)。 尺度不變性進(jìn)一步通過(guò) （ 3 在 g。 局部極大值 對(duì)集成 確定基于特征 結(jié)構(gòu)在 P . 測(cè)器作為一個(gè)像素 s(P)和日志 (P,I)同時(shí)進(jìn)行。 3 水平翻轉(zhuǎn)轉(zhuǎn)換 ,例如 ,將反向沿 幸運(yùn)的是 ,二階矩矩陣是對(duì)稱和衍生品的平方 ,導(dǎo)致沒有變化對(duì)結(jié)果的影響因素。 而 3算完全依賴于二階衍生品在 x和 （ 3 由于高斯窗口是各向同性 , 因此 ,對(duì) 3 測(cè)器采用 3 )探測(cè)器 1 定義了局部極值在空間和尺度空間基于以下函數(shù) : （ 3 G(P,)像素的高斯模糊應(yīng)用 P和 類似于 翻轉(zhuǎn)操作將不影響 3 因此 ,狗探測(cè)器也不變。 黑森探測(cè)器 ,相反 ,定義了卓越功能僅僅基于海賽矩陣的行列式如下 : （ 3 翻轉(zhuǎn)操作沒有影響 然而 ,由于凸起基于行列式計(jì)算 ,價(jià)值的交換不會(huì)導(dǎo)致改變 ,因此探測(cè)器也不變。 類似的分析適用于快速黑森 (20探測(cè)器。 與此同時(shí) ,它也很容易看到 ,黑森 測(cè)器 3 雖然關(guān)鍵點(diǎn)檢測(cè)器大多翻轉(zhuǎn)不變 ,但并不能保證特征提取顯著區(qū)域也不變。 在第二部分討論 ,不變性主要依賴于布局分區(qū)方案的描述符。 不同于現(xiàn)有的方法 ,我們的目的是豐富篩選翻轉(zhuǎn)不變 ,同時(shí)保留原來(lái)的屬性包括基于網(wǎng)格的翻轉(zhuǎn)轉(zhuǎn)換可以發(fā)生在任意軸。然而 ,不難想象 ,任 何翻轉(zhuǎn)可以分解成一個(gè)翻轉(zhuǎn)一個(gè)預(yù)定義的軸一定緊隨其后程度的旋轉(zhuǎn) ,如圖 3此 ,一個(gè)直觀的想法做一個(gè)描述符 翻轉(zhuǎn)不變特征提取之前是通過(guò)規(guī)范本地地區(qū)通過(guò)旋轉(zhuǎn)地區(qū)一個(gè)預(yù)定義的軸 ,然后沿著軸翻轉(zhuǎn)。 此外 ,如果一個(gè)地區(qū)被旋轉(zhuǎn)它的主導(dǎo)方向由關(guān)鍵點(diǎn)的地區(qū)確定探測(cè)器、正?；梢院?jiǎn)單地通過(guò)翻轉(zhuǎn)區(qū)域水平 (或垂直 )。換句話說(shuō) ,翻轉(zhuǎn)不變性的一個(gè)突出的解決方案是確定是否翻轉(zhuǎn)之前應(yīng)該進(jìn)行提取局部特征從該地區(qū)。 圖 3準(zhǔn)化任意翻轉(zhuǎn) (a)水平翻轉(zhuǎn) (b)旋轉(zhuǎn)。 我們建議主要旋度計(jì)算回答這個(gè)問題。 旋度 21是數(shù)學(xué)上定義為一個(gè)向量算子描述的無(wú)窮小旋轉(zhuǎn)向量場(chǎng)。 旋度是旋轉(zhuǎn)軸的方向由右手定則決定的。 在多元微積分 ,給定一個(gè)向量場(chǎng) F(x,y,z)中定義 （ 3 根據(jù)斯托克斯公式 ,集成一個(gè)向量場(chǎng)的旋度可以表達(dá)的 （ 3 在我們的例子中 ,旋度是定義在一個(gè)二維離散向量場(chǎng)。 旋度在一個(gè)點(diǎn)上的叉積一階偏導(dǎo)數(shù)分別在 x和 流 (或主導(dǎo) 以定義為沿切線方向 在哪里 和 角方向的梯度向量的切線圈穿過(guò) (x,y)。 （ 3 一般來(lái)說(shuō) ,只有兩個(gè)可能的方向?yàn)?C,順時(shí)針或逆時(shí)針方向 ,這是由其簽署表示。 信號(hào)的變化只有當(dāng)向量場(chǎng)一直翻 (以及一個(gè)任意軸 )。如果我們執(zhí)行每一個(gè)局部區(qū)域的信號(hào)流是順時(shí)針 ,正常化是由翻轉(zhuǎn)跡象的地區(qū)是逆時(shí)針方向 。 換句話說(shuō) ,之前的解決方案是否翻轉(zhuǎn)區(qū)域特征提取是基于 壯性 ,3可以進(jìn)一步增強(qiáng)更高的權(quán)重向量接近地區(qū)中心流是由高斯加權(quán)的內(nèi)核克當(dāng)?shù)?（ 3 總而言之 , 給定一個(gè)地區(qū)旋轉(zhuǎn)它的主導(dǎo)方向 ,3 所有地區(qū)的流動(dòng)應(yīng)該遵循一個(gè)預(yù)定義的方向指示標(biāo)志的 C 3 的地區(qū)是相反的預(yù)定義的方向流動(dòng) ,翻轉(zhuǎn)區(qū)域沿水平或垂直軸以及補(bǔ)充他們的主導(dǎo)方向是明確執(zhí)行幾何規(guī)范化的區(qū)域。然后篩選描述符提取歸一化的地區(qū)。 換句話說(shuō) , 選擇性翻轉(zhuǎn)之前執(zhí)行基于主導(dǎo)旋度分析提取翻轉(zhuǎn)不 變的描述符。 篩選相比 , 我們的實(shí)驗(yàn)仿真表明 選 (。如圖 3一個(gè) )和 4(b),轉(zhuǎn)換涉及沒有翻轉(zhuǎn) , 匹配對(duì)越來(lái)越少但是發(fā)現(xiàn) (b)所示由于估計(jì)誤差在 3 這個(gè)錯(cuò)誤來(lái)自區(qū)域紋理模式的缺乏。 相反 ,當(dāng)發(fā)生翻轉(zhuǎn) , 如圖 3c)4(f),匹配對(duì)的數(shù)量恢復(fù)了 圖 3較的匹配性能篩選 (左 )和 )在翻轉(zhuǎn)轉(zhuǎn)換。 (X / Y)顯示的數(shù)量匹配對(duì)(X)對(duì)關(guān)鍵點(diǎn)的數(shù)量 (Y),出于演示目的 ,沒有顯示所有匹配的行。 (一 )規(guī)模 (181/484)。 (b)(162/484)。 (c) 規(guī)模 +翻轉(zhuǎn) (24/484)。 (d)規(guī)模 +翻轉(zhuǎn) (153/484)。 (e)+旋轉(zhuǎn)翻轉(zhuǎn)(71/508)。 (f)+旋轉(zhuǎn)翻轉(zhuǎn) (307/508)。 四、 視頻拷貝監(jiān)測(cè) 為復(fù)制檢測(cè)演示 我們采用框架最初 3。 修改框架是由考慮由 23后 , 每個(gè)關(guān)鍵幀提取視頻就代表了一個(gè)躬 )與反向索引文件結(jié)構(gòu) (如果 )的快速在線檢索。 減少量化損失 ,每個(gè)單詞索引 15,24。 此外 ,采用幾何檢查刪除錯(cuò)誤的關(guān)鍵幀檢索 23。 最后 ,發(fā)現(xiàn)候選人視頻的關(guān)鍵幀聚合和霍夫變換擬合與查詢視頻 15,23。 引 個(gè)有趣的事實(shí) ,當(dāng)匹配一個(gè)翻轉(zhuǎn)圖像與其原件 ,是兩個(gè)匹配區(qū)域的流動(dòng)方向計(jì)算 3反 ,當(dāng)轉(zhuǎn)換不涉及圖像翻轉(zhuǎn) ,匹配的地區(qū)都沒有翻或由 換句話說(shuō) ,在理想的情況下 ,只有兩種可能性來(lái)描述兩個(gè)圖像 之間的匹配。 首先 ,當(dāng)一個(gè)查詢圖像翻轉(zhuǎn) ,配對(duì)都有特點(diǎn)的一個(gè)地區(qū)由 其次 ,當(dāng)一個(gè)查詢涉及到?jīng)]有翻轉(zhuǎn) ,所有的配對(duì)都不翻或翻但不是它們的混合物。 雖然這種觀察是直觀的 ,它會(huì)導(dǎo)致有趣的想法 ,錯(cuò)誤的匹配可以很容易地刪除。例如 ,通過(guò)測(cè)量?jī)蓚€(gè)圖像和發(fā)現(xiàn)的所有配對(duì)的兩種可能的情況下 (查詢是翻不翻 ),無(wú)效的比賽很容易識(shí)別和移除。 強(qiáng)弱幾何一致性檢查 檢索到的視覺單詞 ,如果仍有可能吵一般由于量化誤差。 實(shí)用的方法對(duì)于減少噪音是通過(guò)弱復(fù)蘇底層幾何變換 23,25為進(jìn)一步驗(yàn)證。 我們采用在234。 使用 們修改 給定兩個(gè)匹配視覺單詞 q(xq p(x p,別查詢和參考關(guān)鍵幀 ,它們之間的線性變換可以表示為有三個(gè)參數(shù)需要估計(jì) 4旋轉(zhuǎn)參數(shù) ,和翻譯 （ 4 操 縱 和 。 q。 （ 4 當(dāng)一個(gè)查詢被視為一個(gè)翻轉(zhuǎn)版本的參考圖像在數(shù)據(jù)庫(kù)如 重寫為 12 （ 4 注意 4擇應(yīng)用 4通過(guò) 可以有效地估計(jì) （ 4 圖 4本的例子很少真正積極的比賽由于沉重的轉(zhuǎn)換。 (a)嚴(yán)重傾斜。 (b)大比例 。 如果返回的有效的視覺詞匹配和 證之間的相似性查詢 Q 和 R 等于參考圖像 h(q,p)漢明簽名之間的距離 24q 和 p。 （ 4 q)的符號(hào)表示的 的 Q。 （ 4 哪里顯示匹配的信心將進(jìn)一步闡述了后 ,和 是一個(gè)經(jīng)驗(yàn)參數(shù)被設(shè)置為 4本上放大 h(q,p)當(dāng)匹配配對(duì)持有高信心得分在另一個(gè)詞(低 )。 我們估計(jì)的相互幾何驗(yàn)證。 給定兩個(gè)匹配的詞從關(guān)鍵幀分別 q 和 R p 和 q,規(guī)模 之間可以近似匹配指的是另一個(gè)單詞的 Q 和 q從 R 那里 來(lái) （ 4 注意 ,S 和 值 和年代的不同估計(jì)關(guān)鍵點(diǎn)檢測(cè) (如在 4 然而 ,總的來(lái)說(shuō)它們的值越接近 ,越高機(jī)會(huì) ,p 和 q 之間的匹配 是正確的。 我們因此定義之間的差異價(jià)值 = |,|SS| 。 基本上值越小 ,越自信的話 p和 為任何值 ,比賽將直接從相似性度量 ,這樣 4是產(chǎn)生積極的價(jià)值。 回顧方程 4 4個(gè)關(guān)鍵幀之間的相似度由加權(quán)修正匹配單詞的意義基于漢明距離和匹配的信心。 表 4比較和篩選視頻拷貝檢測(cè)在不同類型的轉(zhuǎn)換 :1)中畫 ,3)插入模式 ,4)強(qiáng)大的重新編碼 ,5)伽馬的變化 ,6)減少質(zhì)量 (包括噪聲、幀刪除等 ),8)后期制作 (包括插入標(biāo)題 ,等 等 ),10)隨機(jī)選擇一個(gè)類型從 3 大轉(zhuǎn)換。 第三欄指明正確復(fù)制視頻檢索的數(shù)量 在不同的轉(zhuǎn)換。 注意 ,在轉(zhuǎn)換 8 和 10,有 63 和 14 134 查詢分別被翻 。 （ a） 比較在不同設(shè)置的弓 (b)比較主要的跡象旋度 ,并使用 普拉斯算子的跡象 驗(yàn) 這些實(shí)驗(yàn)是進(jìn)行 聲音和視覺數(shù)據(jù)集 2010。 數(shù)據(jù)集由 11525 網(wǎng)絡(luò)視頻總持續(xù)時(shí)間 400 小時(shí)。 有 1608 個(gè)查詢由八種不同人工生成的轉(zhuǎn)換從中畫 ,重新編碼、幀刪除不同的轉(zhuǎn)換包括翻轉(zhuǎn)的混合物。 預(yù)處理 ,密集的關(guān)鍵幀 取樣執(zhí)行查詢和參考視頻的速度每 一個(gè)關(guān)鍵幀。 這導(dǎo)致平均 51 關(guān)鍵幀的查詢 ,和 903656 關(guān)鍵幀的參考數(shù)據(jù)集。 我們采用 09 個(gè)要點(diǎn)。 鞠躬表示 ,我們采用二進(jìn)制量化和多個(gè)任務(wù)的視覺單詞一個(gè)關(guān)鍵點(diǎn) 6。比較難量化 ,二進(jìn)制量化展品更好的魯棒性的現(xiàn)象6廣泛存在在圖像和視頻幀。 頁(yè)面限制 ,結(jié)果很難量化的省略。 對(duì)于每一個(gè)查詢 ,返回一個(gè)副本視頻 (如果有 )的相似性得分。 檢測(cè)有效性 :我們比較 為了看到不同組件的影響視覺描述符。 要擬議的框架 ,而弓包含在這一節(jié)中討論的所有特性除了相互幾何驗(yàn)證 。 現(xiàn)基于 6,24報(bào)道精彩的演出在 本上代表了一種更傳統(tǒng)的框架在文學(xué) ,不同于船頭 ,占主導(dǎo)地位的旋度的標(biāo)志不是用于過(guò)濾和幾何驗(yàn)證是基于 表 4-1(a)顯示了 1608 查詢的性能比較八個(gè)不同的轉(zhuǎn)換。 基于 提供的真實(shí) ,有 134 冊(cè) /轉(zhuǎn)換。 顯示的結(jié)果 ,于篩選始終 返回更多的真正的陽(yáng)性幾乎所有類型的轉(zhuǎn)換和設(shè)置。 特別是對(duì)于 及翻轉(zhuǎn)操作 ,別檢測(cè)到 真實(shí)積極的 值得注意 ,建立在篩選時(shí) ,它也能夠表現(xiàn)出類似的甚至更好的性能 換。比較這三個(gè)設(shè)置 ,性能 比 于使用 替黃金協(xié)會(huì)。 翻轉(zhuǎn)的使用指標(biāo)弓修剪假比賽也會(huì)導(dǎo)致更大程度的提高檢測(cè)精度。 進(jìn)一步將互惠幾何檢查通過(guò) 致整體最佳性能的 實(shí)驗(yàn)。 通過(guò)檢查查詢和真正的陽(yáng)性之間的相似性得分 ,我們確認(rèn)使用 4權(quán)重調(diào)整策略。用更少的真正成功地提高了候選人的排名視頻匹配。 注意 4括參數(shù) 是實(shí)證組 圖 4的敏感性 ,只要價(jià)值下降的范圍內(nèi) (不敏感性能。 圖 4敏度的 (16) 對(duì)視頻拷貝檢測(cè)的性能 采用的主要的想法旋度的快速過(guò)濾假警報(bào)的模擬信號(hào)的拉普拉斯算子的使用視覺單詞的快速匹配 20。表 4-1(b)所示它們之間的性能比較基于 置?？偟膩?lái)說(shuō) ,性能改進(jìn)召回和精度是觀察當(dāng)加 強(qiáng) 占主導(dǎo)地位的旋度的跡象。 這與使用拉普拉斯算子的跡象提高精度的 降低召回。 因?yàn)槭褂美绽顾阕拥嫩E象的目的主要是為加快 20,它更有效地保持正確的匹配和更少 的能力處理翻轉(zhuǎn)轉(zhuǎn)換而占主導(dǎo)地位的旋度。 8 轉(zhuǎn)換 ,占主導(dǎo)地位的旋度的跡象一直展品更好的回憶能力真正的優(yōu)點(diǎn)。 圖 4示了比賽結(jié)果的例子由 置。 一般來(lái)說(shuō) ,翻轉(zhuǎn)和斜轉(zhuǎn)換 ,如圖 4示 (a)和 4-3(b)。 通過(guò)人工檢查 ,大部分比賽是正確的。 假陽(yáng)性 ,如圖 4示 (c)和 4-3(d),然而由于生成重復(fù)的部分場(chǎng)景。 結(jié)果被認(rèn)為是假警報(bào) ,通過(guò)人工檢查 ,我們可以發(fā)現(xiàn)復(fù)制對(duì)象和背景確實(shí)是正確匹配。 假陰性產(chǎn)生主要是由于模糊轉(zhuǎn)換。 幾乎沒有關(guān)鍵點(diǎn)匹配發(fā)現(xiàn)使用 -3(e)和 4-3(f)。我們調(diào)查的結(jié)果和觀察 ,這是主要是由于量化誤差引入的 子化 4。 圖 4 配結(jié)果的例子。 (a)和 (b)真積極。 (c)和 (d)誤報(bào)。 (e)和 (f)假陰性。 (一 )翻轉(zhuǎn) +規(guī)模。 (b)傾斜。 (c)復(fù)制對(duì)象。 (d)重復(fù)的背景。 (e)重斜 +模糊。 (f)重模糊 +規(guī)模。 效率 :表 4出了處理一個(gè)查詢關(guān)鍵幀的時(shí)間成本。 實(shí)驗(yàn)是在電腦上進(jìn)行的 2.8 7 g 境下主內(nèi)存。 特征提取時(shí)間 ,而篩選在檢索階段通過(guò)反向文件 (如果有 ),慢于篩由于需要鞏 固匹配結(jié)果通過(guò)檢查的另一個(gè)指標(biāo)匹配的單詞。 然而 ,這一步有效梅干錯(cuò)誤匹配 ,導(dǎo)致更少的候選人被 一步處理和互惠幾何驗(yàn)證。 如表二所示 ,1%,和 46%互惠幾何驗(yàn)證。 這更有效和結(jié)束有效使用 檢測(cè)框架。 090 萬(wàn)年在我們的數(shù)據(jù)集的關(guān)鍵幀 , 51 關(guān)鍵幀將由 。 這種加速 較篩選將 。 表 4均時(shí)間成本每一步的 選和基于 S) 五、 對(duì)象識(shí)別 關(guān)鍵點(diǎn)檢測(cè)器 :本實(shí)驗(yàn)的目的是實(shí)證研究關(guān)鍵點(diǎn)檢測(cè)器的翻轉(zhuǎn)不變性特性提出了部分。 兩個(gè)圖像序列 ,墻壁和船 ,以及他們翻轉(zhuǎn)版本用于實(shí)驗(yàn)。 前者是一個(gè)序列逐漸變化的觀點(diǎn) ,而后者顯示縮放和旋轉(zhuǎn)的漸變。圖 5示了結(jié)果。 如上所述 ,所有六個(gè)探測(cè)器的性能趨勢(shì)一致相 似翻轉(zhuǎn)和 換。 圖 5復(fù)性各種關(guān)鍵點(diǎn)檢測(cè)器最初的墻上和船的序列 ,和他們翻轉(zhuǎn)版本 (b)和 (d)。(a)。 (b)與翻墻。 (c)船。 (d)船翻轉(zhuǎn) 視覺描述符 :我們比較八個(gè)不同的視覺描述符包括 篩為研究關(guān)鍵點(diǎn)匹配的準(zhǔn)確性。 類似于 20,一組圖像雙采樣 5像序列的實(shí)驗(yàn)。 包括第一和第四集從每個(gè)序列圖像。 除了最初的轉(zhuǎn)換 (模糊、旋轉(zhuǎn)、縮放、改變照明、色彩和 縮率 )在圖像集 ,翻轉(zhuǎn)轉(zhuǎn)換包括翻轉(zhuǎn)每個(gè)序列的第四個(gè)形象。在實(shí)驗(yàn)中 ,除了上網(wǎng) ,狗檢測(cè)器是用于所有的視覺描述 符。績(jī)效評(píng)估是衡量評(píng)估配的數(shù)量正確返回。 圖 5示了 面的性能曲線的平均結(jié)果 5像對(duì)。 如圖 5示 (a),換、篩選展覽最佳性能沖浪。 在最壞的情況下 ,能達(dá)到 85%的性能篩選 ,這遠(yuǎn)比其他描述符如 找到處理翻轉(zhuǎn)的設(shè)計(jì)。 性能下降主要是因?yàn)橹鲗?dǎo)旋度估計(jì)的錯(cuò)誤。翻轉(zhuǎn)轉(zhuǎn)換如圖 5示 (b),相反 ,示比流行的描述符如篩選性能優(yōu)越 ,沖浪和