特征匹配--GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence

GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence CVPR2017 c++ code: https://github.com/JiawangBian/GMS-Feature-Matcher

主要本要针对特征匹配问题,提出了一个简单的基于统计的解决方法,可以快速区分出正确的匹配和错误的匹配,提高了匹配的稳定性。

首先来个直观的特征匹配图示

特征匹配是计算机视觉里一个基础性问题,对于特征匹配当前主要的问题在 robust 的匹配速度慢,快的匹配经常不稳定。 there is a wide performance gap between slow (but robust) feature matchers and the much faster (but often unstable) real-time solutions.

问题的核心在于邻域一致性这个约束的怎么利用。The central problem lies in the coherence constraints (neighboring pixels share similar motion) utilized in the more powerful feature correspondence techniques.

一致性是一个很强大的约束,但是稀疏特征不能很好的定义邻域。这导致基于一致性的特征匹配的计算量比较大,很难实现。 Coherence is a powerful constraint but sparse features lack well defined neighbors。 This causes coherence based feature correspondence [16, 42] to be both expensive to compute and complex to implement.

本文提出 GMS (Grid-based Motion Statistics) 可以有效的解决这个问题。 a means of encapsulating motion smoothness as a statistical likelihood of having a certain number of feature matches between a region pair. We show GMS can rapidly and reliably differentiate true and false matches

本文的核心思想很简单:运动的平滑性导致了匹配的特征点邻域有较多匹配的点。我们可以通过计数邻域的匹配点个数来判断一个匹配正确与否。 Motion smoothness induces correspondence clusters that are highly unlikely to occur at random. Thus true and false matches can be differentiated by simply counting the number of matches in their neighborhood.

2 Our approach

S_i is a measure of neighborhood support

Assumption 1. Motion smoothness causes a (small) neighborhood around a true match to view the same 3D location. Likewise, the neighborhood around a false match views geometrically different 3D locations. 运动的平滑性导致了正确的匹配点附近的邻域里的特征点也是一一对应的。

下面首先用数学的角度推导出 正确匹配点附近的邻域中正确匹配和错误匹配的概率分布。 最终的结论如下:

分布图示

我们的目标是:

下面是将上面的理论分析变成可以实际中的运行算法 主要解决下面四个问题: a) Efficient score computation through grid-cells; b) Which neighborhoods to use; c) How many grid-cells to use; d) How to compute an effectively threshold S

3.1. Griding the problem

a) Efficient score evaluation, 这里我们主要通过将图像分为 G = 20×20 网格来实现 Scores of potential cell-pairs are computed only once. All matches between cell-pairs deemed true are accepted

b) Grouping match neighborhoods (cell-pairs) for robustness. 这里我们计算了一个网络四周的3*3=9个网格,如下图所示

c) How many grid-cells should be used? 经验值 G = 20 × 20 cells for 10,000 features n 大约为 25

d) Thresholding S_ij to divide cell-pairs into true and false sets {T ,F}.

整个算法流程图如下所示:

效果对比图

Dataset details

F-measure, Recall and Precision vs baseline

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Vamei实验室

概率论02 概率公理

作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!

691
来自专栏PPV课数据科学社区

非主流自然语言处理——遗忘算法系列(二):大规模语料词库生成

一、前言   本文介绍利用牛顿冷却模拟遗忘降噪,从大规模文本中无监督生成词库的方法。 二、词库生成     算法分析,先来考虑以下几个问题     问:目标是从...

34912
来自专栏机器之心

ICLR 2018 | 彩云科技提出结合组合子抽象的神经编程器-解释器,提升通用性和可学习性

3299
来自专栏AI研习社

用 Python 分析四年NBA比赛数据,实力最强的球队浮出水面

分类作为一种监督学习方法,要求必须事先明确知道各个类别的信息,并且断言所有待分类项都有一个类别与之对应。但是很多时候上述条件得不到满足,尤其是在处理海量数据的时...

3693
来自专栏CDA数据分析师

一篇文章教你如何用R进行数据挖掘

引言 R是一种广泛用于数据分析和统计计算的强大语言,于上世纪90年代开始发展起来。得益于全世界众多 爱好者的无尽努力,大家继而开发出了一种基于R但优于R基本文本...

2125
来自专栏微信模式识别中心技术分享

“变形金刚”为何强大:从模型到代码全面解析Google Tensor2Tensor系统

      Tensor2Tensor(T2T)是Google Brain Team在Github上开源出来的一套基于TensorFlow的深度学习系统。该系统...

1K6
来自专栏存储

详解零知识证明的四大基础技术,如何与以太坊发生反应

雷锋网按:原文标题为《zkSNARKs in a nutshell》,作者是以太坊智能合约语言Solidity的发明人Christian Reitwiessne...

2505
来自专栏机器之心

教程 | 如何利用C++搭建个人专属的TensorFlow

28210
来自专栏程序员宝库

使用 JavaScript 实现机器学习和神经学网络

英文:JeffHeaton 译文: 云+社区/白加黑大人 https://cloud.tencent.com/developer/article/103589...

35710
来自专栏我分享我快乐

CSS3滤镜效果可在动画中使用

<!doctype html> <html> <head> <style> img{display:block;} .box{width:600px;} .bo...

3368

扫码关注云+社区