danДоклады Национальной академии наук БеларусиDoklady of the National Academy of Sciences of Belarus1561-83232524-2431The Republican Unitary Enterprise Publishing House "Belaruskaya Navuka"dan-455Research ArticleИНФОРМАТИКАINFORMATICSДЕТЕКТОРЫ ЭКСТРЕМАЛЬНЫХ ОСОБЫХ ТОЧЕК НА ИЗОБРАЖЕНИЯХDETECTORS OF EXTREMAL KEY POINTS ON IMAGESЗалесскийБ. А.ZaleskyB. A.

д-р физ.-мат. наук, заведующий лабораторией

ул. Сурганова, 6, 220012

D. Sc. (Physics and Mathematics), Head of the Laboratory

6, Surganov Str., 220012

zalesky@newman.bas-net.byОбъединенный институт проблем информатики Национальной академии наук Беларуси, МинскUnited Institute of Informatics Problems of the National Academy of Sciences of Belarus, Minsk2017171220176153741Copyright © Залесский Б.А., 20172017Залесский Б.А.Zalesky B.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.belnauka.by/jour/article/view/455

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. 

Extremal key-point detectors are presented to describe, analyze and compare images by local descriptors that are determined in neighborhoods of the detected key-points. The proposed detectors select key-points, providing local extremal values of the function that characterizes local properties of the original image at each pixel. The majority of commonly used detecting algorithms are looking for key-points in another way. They mark a pixel as a key-point if the value of the functioncriterion at this pixel exceeds a predetermined threshold value. The remaining known algorithms find key-points that are the local extremal values of the functions defined on gradient transforms of the image. One of the drawbacks of the known detectors (in addition to the use of learning procedures expensive in the computational sense) is a non-uniform distribution of key-points on the image. Often large image areas may be left with no key-points, making their detection or recognition impossible. The proposed extremal detectors allow one in many cases to avoid the appearance of image areas not filled with key-points. 

изображениеключевые точкидетекторы особых точекобнаружение и распознавание объектовimageskey-pointskey-point detectorsobject detection and recognitionReferencesLowe, 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.1999.790410Lowe D. Object recognition from local scale invariant features. Proceedings of the 7th IEEE International Conference on Computer Vision ICCV, Corfu, 1999, pp. 1150–1157. doi.org/10.1109/iccv.1999.790410Dalah, 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.2005.177Dalah N., Triggs B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR’05, San Diego, 2005, vol. 1, pp. 886–893. doi.org/10.1109/cvpr.2005.177Bay, 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_32Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up robust features. Proceedings of the 9th European Conference on Computer Vision ECCV, Graz, 2006, pp. 404–417. doi.org/10.1007/11744023_32Rosten, 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.2008.275Rosten E., Porter R., Drummond T. Faster and better: a machine learning approach to corner detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, vol. 32, no. 1, pp. 105–119. doi.org/10.1109/tpami.2008.275Agrawal, 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_8Agrawal M., Konolige K., Blas M. R. CenSurE: Center surround extremas for realtime feature detection and matching. Lecture Notes in Computer Science, 2008, vol. 5305, pp. 102–115. doi.org/10.1007/978-3-540-88693-8_8Leutenegger, 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.2011.6126542Leutenegger S., Chli M., Siegwart R. Y. BRISK: Binary Robust invariant scalable keypoints. Proceedings of the 13th IEEE International Conference on Computer Vision ICCV, Barcelona, 2011, pp. 2548–2555. doi.org/10.1109/iccv.2011.6126542Alcantarilla, 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_16Alcantarilla P., Bartoli A., Davison J. KAZE Features. Proceedings of the 12th European Conference on Computer Vision ECCV. Firenze, 2012, pp. 214–227. doi.org/10.1007/978-3-642-33783-3_16Alcantarilla, 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.27.13Alcantarilla P., Nuevo J., Bartoli A. Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces. Proceedings of the 24th British Machine Vision Conference BMVC. Bristol, 2013. doi.org/10.5244/C.27.13Comparative 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.Schmidt A., Kraft M., Fularz M., Domagała Z. Comparative Assessment of Point Feature Detectors and Descriptors in the Context of Robot Navigation. Journal of Automation, Mobile Robotics & Intelligent Systems, 2013, vol. 7, no. 1, pp. 11–20.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.fbViola P., Jones M. J. Robust real-time face detection. International Journal of Computer Vision, 2004, vol. 57, no. 2, pp. 137–154. doi.org/10.1023/b:visi.0000013087.49260.fb

The authors declare that there are no conflicts of interest present.