Представлены детекторы особых (ключевых, характерных) точек-экстремумов, предназначенных для описания, анализа и сравнения изображений с помощью локальных дескрипторов, которые вычисляются в окрестностях найденных точек. Отличие предлагаемых детекторов от известных состоит в том, что они находят особые точки путем поиска локальных экстремумов функции, задающей ту или иную локальную характеристику исходного изображения в каждой его точке. Большинство известных в настоящее время детекторов решают задачу поиска особых точек иным способом. Каждый такой детектор использует построенную для него функцию-характеристику изображения, значение которой в каждом пикселе сравнивается с наперед заданным числовым порогом. Если значение выбранной функции-характеристики больше заданного порогового значения, точка считается особой, в противном случае – обычной. Пороговое значение, как правило, устанавливается с помощью обучения детектора на широком классе обучающих изображений. Некоторые известные детекторы выделяют особые точки путем поиска локальных экстремумов, однако не на исходном изображении, а на его градиентных преобразованиях. Одним из недостатков использования известных детекторов (помимо использования дорогостоящего в вычислительном смысле процесса обучения) является неравномерное распределение особых точек на изображении. Нередко на изображениях возникают большие области, на которых вообще нет особых точек, что приводит к невозможности обнаружения или распознавания этих областей. Предлагаемый класс детекторов позволяет во многих случаях избежать появления областей без особых точек.
Залесский Б. А. ДЕТЕКТОРЫ ЭКСТРЕМАЛЬНЫХ ОСОБЫХ ТОЧЕК НА ИЗОБРАЖЕНИЯХ. Доклады Национальной академии наук Беларуси. 2017;61(5):37-41.
1. Lowe, D. Object recognition from local scale invariant features / D. Lowe // Proc. Int. Conf. on Computer Vision ICCV. – Corfu, 1999. – P. 1150–1157. doi.org/10.1109/iccv.1999.790410
2. Dalah, N. Histograms of Oriented Gradients for Human Detection / N. Dalah, B. Triggs // IEEE Comp. Soc. Conf. on Computer Vision and Pattern Recognition CVPR’05. – San Diego, 2005. – Vol. 1. – P. 886–893. doi.org/10.1109/cvpr.2005.177
3. Bay, H. Surf: Speeded up robust features / H. Bay, T. Tuytelaars, L. Van Gool // Proc. 9th Europ. Conf. on Computer Vision ECCV. – Graz, 2006. – P. 404–417. doi.org/10.1007/11744023_32
4. Rosten, E. Faster and better: a machine learning approach to corner detection / E. Rosten, R. Porter, T. Drummond // IEEE TPAMI. – 2010. – Vol. 32, N 1. – P. 105–119. doi.org/10.1109/tpami.2008.275
5. Agrawal, M. CenSurE: Center surround extremas for realtime feature detection and matching / M. Agrawal, K. Konolige, M. R. Blas // Lecture Notes in Computer Science. – 2008. – Vol. 5305. – P. 102–115. doi.org/10.1007/978-3-540-88693-8_8
6. Leutenegger, S. BRISK: Binary Robust invariant scalable keypoints / S. Leutenegger, M. Chli, R. Y. Siegwart // Proc. IEEE Int. Conf. on Computer Vision ICCV. – Barcelona, 2011. – P. 2548–2555. doi.org/10.1109/iccv.2011.6126542
7. Alcantarilla, P. KAZE Features / P. Alcantarilla, A. Bartoli, J. Davison // Proc. Eur. Conf. on Computer Vision ECCV. – Firenze, 2012. – P. 214–227. doi.org/10.1007/978-3-642-33783-3_16
8. Alcantarilla, P. Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces / P. Alcantarilla, J. Nuevo, A. Bartoli // Proc. British Machine Vision Conference BMVC. – Bristol, 2013. doi.org/10.5244/C.27.13
9. Comparative Assessment of Point Feature Detectors and Descriptors in the Context of Robot Navigation / A. Schmidt [et al.] // J. of Automation, Mobile Robotics & Intelligent Systems. – 2013. – Vol. 7, N 1. – P. 11–20.
10. Viola, P. Robust real-time face detection / P. Viola, M. J. Jones // Int. J. of Computer Vision. – 2004. – Vol. 57, N 2. – P. 137–154. doi.org/10.1023/b:visi.0000013087.49260.fb
