[PDF] Searches related to point d+intérêt d+une image PDF

View - Download Searches related to point d+intérêt d+une image PDF

Previous PDF

Next PDF

Détection de points d"intérêt pour la mise en correspondance par propagation

Guillaume GALES1Alain CROUZIL1Sylvie CHAMBON2

1 Institut de Recherche en Informatique de Toulouse, IRIT

2Laboratoire Central des Ponts et Chaussées, LCPC, Nantes

1 Université Paul Sabatier, 118 route de Narbonne, 31062 TOULOUSEcedex 9

2route de Bouaye, BP 4129, 44341 BOUGUENAIScedex

{gales,crouzil}@irit.fr, chambon@lcpc.fr

Résumé

Dans le contexte de la stéréovision binoculaire, nous nous intéressons aux techniques de mise en correspondance de pixels par propagation de germes. Notre travail se situe plus précisément au niveau de la sélection de ces germes. Parmi les différentes façons de procéder, certaines font ap- pel aux points d'intérêt. L'objectif de ces travaux est de proposer une étude portant sur dix détecteurs de points d'intérêt an de déterminer lesquels sont les plus appro- priés pour sélectionner les germes initiaux de la propa- gation. Pour cela, nous proposons d'adapter la mesure d'auto-corrélation de Moravec en utilisant une mesure de corrélation différente sur des fenêtres carrées et avec un voisinage plus grand. Différents classements sont établis à partir de mesures de répétabilité et de répartition spa- tiale effectuées sur des couples d'images de référence. Les tests réalisés permettent de donner des indications sur la stratégie de mise en correspondance qu'il est préférable de mettre en place an de trouver des germes ables et judicieusement répartis. Nous examinons ensuite la com- plémentarité des détecteurs les plus performants selon les critères précédents. Puis, nous regardons l'inuence des détecteurs les plus complémentaires dans le contexte de la mise en correspondance stéréoscopique.

Mots Clef

Points d"intérêt, germes, propagation, stéréovision.

Abstract

In a binocular stereovision context, we focus on matching techniques based on seed propagation. Our work is about the seed selection step. Among all the different solutions, some are based on feature points. The goal of this work is to propose a study on ten feature point detectors in order to seed set for the propagation. In order to do so, we adapt the auto-correlation measure proposed by Moravec by using a different correlation measure over squared windows and

by looking over a bigger neighborhood. Several rankingsare established measuring repeatability and spatial distri-

bution computed from a set of reference stereo image pairs. This work gives indications about the most adequate stra- tegy to select reliable and well distributed seeds. Then, we take a look at the complementarity of the most efcient de- tectors according to our critria. Then, we take a look at the inuence of the most complementary detectors in the stereo matching context.

Keywords

Feature points, seeds, propagation, stereovision.

1 Introduction

La mise en correspondance de pixels est une étape impor- tante de la reconstruction 3D à partir de couples d"images stéréoscopiques. Elle consiste à retrouver pour chaque pixel de l"image de gauche, le pixel qui correspond à la même entité de la scène sur l"image de droite. Le dépla- cement entre un pixel et son correspondant est représenté par un vecteur de disparité. On distingue deux types de méthodes de mise en correspondance. Les méthodes glo- bales, d"une part, minimisent une fonction de coût sur le déplacement des pixels entre l"image de gauche et celle de droite [22]. Ces méthodes sont complexes et coûteuses en temps de calcul. Les méthodes locales, d"autre part, re- cherchent les pixels qui se ressemblent le plus en utilisant des mesures de corrélation [3]. La recherche du correspon- dant est locale et s"effectue dans une zone de recherche. Mais plus celle-ci est grande, plus la méthode est coûteuse et plus la probabilité de faire une erreur d"appariement est élevée. Une méthode alternative a été introduite [20] et est généralement qualifiée de mise en correspondance par propagation de germes (ouregion-growing). Elle s"ap- les voisins d"un germe ont la plupart du temps une dispa- rité proche de celle du germe. La zone de recherche des correspondants est alors réduite à ce petit voisinage aug- mentant ainsi la fiabilité des appariements et la rapidité d"exécution. Les nouveaux appariements sont ensuite uti-

Session 5B558

lisés comme de nouveaux germes et le processus est itéré jusqu"à l"obtention d"une carte de disparité dense ou quasi- dense [4, 6, 12, 14, 20]. La qualité du résultat final est donc conditionnée par le choix des germes initiaux. Ces germes doivent satisfaire au mieux les critères suivants : (C1)bonne répartition- On souhaite avoir au moins un germe par région de disparités homogènes. (C2)appariements fiables- On souhaite ne pas avoir des appariements de départ erronés. Ce dernier critère n"est pas indispensable mais tout de même souhaitable lorsque la technique de propagation est basée sur une stratégie de " meilleur d"abord » qui la rend on procède généralement en deux étapes successives :

1. sélection des pixels;

2. appariement de ces pixels.

Dans cet article, nous étudions plus particulièrement la pre- mière étape. Dans les différents travaux qui proposent une technique de mise en correspondance par propagation de germes, nous pouvons distinguer les méthodes suivantes pour la sélection des germes :

1. sélection et mise en correspondance manuelle [26];

2. recherche des appariements les plus fiables sur un en-

semble de pixels tirés au sort en divisant l"image en baquets [4];

3. mise en correspondance de points d"intérêt [12, 20].

La première méthode n"est pas fiable, n"est pas reproduc- tible et est fastidieuse pour l"opérateur qui n"est pas in- faillible. La seconde permet une répartition homogène des germes sur l"image mais la recherche des correspondants se fait sur une large zone de recherche ce qui augmente le risque de choisir un mauvais correspondant. De plus, elle dépend du critère choisi pour caractériser cette fiabilité (mesure d"ambiguïté, mesure d"imprécision). La dernière sembles de points d"intérêt car ils sont faciles à apparier et sont donc de bons candidats pour satisfaire les critères (C1) et (C2). C"est cette technique que nous avons décidé d"étu- dier plus en détails dans ces travaux. L"objectif est de proposer des critères d"évaluations qui permettent de déterminer quel détecteur donne un en- semble de points d"intérêt satisfaisant les critères de sé- lection des candidats pour les germes. Nous proposons les mesures suivantes : -répétabilité- Elle indique si un détecteur donne des points d"intérêt dont les correspondants dans l"autre image sont aussi détectés comme des points d"intérêt. -répartition- Elle indique si la répartition spatiale des points d"intérêt permet une meilleure propagation. -complémentarité- Elle indique si deux ensembles de points d"intérêt peuvent être associés pour satisfaire en- core mieux les critères. Dans un premier temps, nous décrivons brièvement les dif- férents détecteurs de points d"intérêt utilisés dans nos testsGAUCHEDROITESAD FIGURE1 - Les imagettes montrées ici sont extraites du couplecones, voir figure 3. On montre le voisinage d"un pixel à gauche et celui de son correspondant à droite ainsi que leur différence en valeur absolue (SAD). Dans le pre- mier cas, où il n"y a pas de discontinuité de profondeur, la différence est nulle. Dans le second cas, où il y a des dis- continuités de profondeur, la différence n"est pas nulle car les niveaux de gris de l"arrière-plan sont différents. ainsi que les modifications apportées à la mesure d"Auto- Corrélation proposée par Moravec. Dans un deuxième temps nous décrivons plus en détails les critères d"évalua- tions proposés. Enfin, nous analysons les résultats obtenus et notamment l"influence des détecteurs complémentaires sur la qualité de la mise en correspondance par propaga- tion.

2 Détecteurs de points d'intérêt

2.1 Étapes de détection

Les points d"intérêt sont des points de l"image qui se dis- tinguent des autres. Ils ont la propriété d"être plus identi- fiables que les autres pixels de l"image et donc ils sont plus faciles à suivre, à reconnaître ou, dans notre cas, à mettre en correspondance.Les différentsdétecteurs s"appuientgé- néralement sur les étapes suivantes :

1. calcul pour chaque pixel d"une réponse basée sur les

variations locales des niveaux de gris en utilisant di- rectement les valeurs des intensités ou après avoir es- timé leurs dérivées;

2. suppression des non-maxima;

3. post-traitement optionnel (suppression des fausses ré-

ponses, localisation au sous-pixel). La première étape est celle qui caractérise un détecteur et c"est elle que nous décrivons dans la suite. Depuis 1977, de nombreux détecteurs ont été proposés. Certains ont pour objectif la détection de coins, d"autres sont plus générale- ment destinés à détecter des structures texturées en niveaux de gris. Nous avons choisi de travailler avec les détecteurs les plus utilisés : Harris, Moravec, Kitchen-Rosenfeld, Beaudet, SUSAN, FAST, SIFT, Harris-Laplace, Hessian- Laplace et Kadir. Nous proposons également une méthode d"auto-corrélation qui recherche les pixels de l"image qui ne ressemblent pas à leurs voisins.

Session 5B559

2.2 Méthodes existantes

Nous présentons brièvement les différents détecteurs utili- sés. On distingue deux types de détecteurs : -"à échelle xe»- La réponse est calculée avec une taille de fenêtre et une force de lissage gaussien prédéfinis. -" multi-échelle »- La réponse est calculée avec des tailles de fenêtre (ou des résolutions d"image) et des forces de lissage gaussien différentes. Ces derniers permettent de rendre le détecteur robuste aux changements d"échelle. Les couples stéréoscopiques ne l"image de gauche et l"image de droite. Toutefois, nous pensons que ces méthodes peuvent également permettre de détecter des points d"intérêt sur des structures de diffé- rentes tailles et c"est pourquoi nous les utilisons dans notre

évaluation.

Détecteurs à échelle fixe :

-Harris(HA) [9] - La réponse est calculée à partir de la matrice des moments du second ordre de chaque pixel. Cette matrice est calculée à partir des dérivées pre- mières [5, 8, 9, 19, 24]. -Moravec(MO) [18] - La réponse est donnée par une mesure de la variance des niveaux de gris dans huit di- rections. -Kitchen-Rosenfeld(KR) [11] - La réponse est détermi- née par la courbure du gradient des niveaux de gris. -Beaudet(BE) [2] - La réponse utilise les dérivées se- condes (matrice hessienne). -SUSAN(SU) [25] - La réponse mesure la surface des niveaux de gris de même intensité au voisinage du pixel considéré. -FAST(FA) [21] - La réponse étudie la configuration des niveaux de gris des pixels situés sur le périmètre d"un cercle centré sur le point considéré.

Détecteurs multi-échelle :

-SIFT(SI) [13] - La réponse de ce détecteur repose sur le laplacien des niveaux de gris obtenu par une différence de gaussiennes. -Harris-Laplace, Hessian-Laplace(HL, HEL) [16] - La réponse est basée sur celle du détecteur de Harris ou Beaudet mais les points détectés doivent également être des maxima dans l"espace-échelle du laplacien. -SURF[1] - La réponse est basée sur le déterminant de la matrice hessienne. Les points détectés doivent égale- ment être des maxima dans l"espace-échelle du détermi- nant de la matrice hessienne. -Kadir(KA) [10] - La réponse repose sur l"entropie de l"histogramme des niveaux de gris au voisinage du point considéré.

2.3 Auto-Corrélation

L"objectif de ce détecteur Auto-Corrélation (A-C) est de sélectionner des germes qui pourront respecter au mieux le critère (C2). Une manière d"avoir de tels appariements

consiste à sélectionner des points dans des zones non ambi-guës, c"est-à-dire des points très différents de leurs voisins.

Pour cela, nous proposons de modifier la mesure de Mo- ravec. Pour chaque pixel, la réponse mesure la corrélation entre le voisinage du pixel considéré et celui de ses voisins, voir figure 2.IMAGEVOIS. 1VOIS. 2SAD51015202530 5 10 15 20 25
30

510152025

5 10 15 20 25

510152025

5 10 15 20 25

510152025

5 10 15 20 25

51015202530

5 10 15 20 25
30

510152025

5 10 15 20 25

510152025

5 10 15 20 25

510152025

5 10 15 20

25FIGURE2 - Cette figure illustre le principe du détecteur A-

C. L"exemple est montré sur une partie de l"imagecones, voir figure 3. La première colonne montre la partie de l"image considérée. Le centre de la fenêtre noire est le pixel candidat dont le voisinage est montré dans la seconde co- lonne (VOIS. 1) et le centre de la fenêtre cyan est un voi- sin dont le voisinage est montré dans la troisième colonne (VOIS. 2). En pratique, on regarde tous les voisins et on fusionne les résultats. La dernière colonne montre l"image des différences des niveaux de gris (SAD). La première ligne est un exemple illustrant un candidat que l"on peut considérer comme un point d"intérêt contrairement à la se- conde. Formellement, la réponse d"un pixelpi;jest donnée par :

R(pi;j) = fusion(k;l)2V(i;j)M(f1;f2)(1)

oùf1etf2sont des vecteurs qui contiennent respective- ment le niveau de gris du pixel étudiépi;jet celui d"un pointpk;ldu voisinage, ainsi que ceux de leurs voisinages respectifs. Le termeMcorrespond à une mesure de dis- similarité etfusionest un opérateur de fusion des diffé- rents résultats de la mesure. Pour ce détecteur, il est néces- saire de choisir : le critère de similarité, la taille du voisi- nage et l"opérateur de fusion. Nos expérimentations nous ont conduit à choisir respectivement la somme des valeurs absolues des différences (SAD) avec une taille de fenêtre de corrélation9fi9, la taille9fi9pour le voisinage et l"opérateur minimum. Nous avons testé deux autres me- sures de corrélations : la somme des différences au carré (SSD), comme dans le détecteur proposé par Moravec, et la corrélation croisée centrée normalisée (ZNCC). En ef- fet, la mesure SAD donne une répétabilité supérieure (de l"ordre de 5%) à la mesure SSD. Les mesures normalisées de type ZNCC donnent des taux de répétabilité inférieur à SSD, la normalisation rendant difficile l"extraction des meilleurs maxima locaux. Pour chaque fenêtre les réponses sont normalisées et lors de l"extraction des maxima locaux, la comparaison de deux maxima n"est donc pas équitable. Ainsi, les différences par rapport au détecteur orignal sont les suivantes : les fenêtres sont carrées au lieu d"être rec-

Session 5B560

tangulaires, la mesure de corrélation utilisée est différente et le voisinage examiné est plus important.

2.4 Évaluations existantes

Les critères suivants sont généralement utilisés pour l"éva- luation des détecteurs de points d"intérêt : Répétabilité.Lorsque l"on soumet à un détecteur de points d"intérêt deux images d"une même scène prise sous des angles (ou à des intervalles de temps) différents, il est souhaitable qu"il retourne pour chaque image les points correspondant aux mêmes entités de la scène. Dans ce cas, on dit que ces points sont " répétés ». Le taux de répéta- bilité d"un détecteur est le pourcentage de points répétés d"une image sur l"autre. Si ce taux est élevé lorsque la transformation entre les deux images est importante (ro- tation, changement d"échelle, changement de perspective, changement de luminosité), on dit que le détecteur est ro- buste à cette transformation [7, 8, 23]. Information content.Dans [23], les auteurs mesurent l"information content. Il s"agit de calculer dans quelle me- sure les points d"intérêt d"une image sont différents les uns des autres. Ce critère est lié au descripteur choisi pour ca- ractériser les points d"intérêt.quotesdbs_dbs45.pdfusesText_45

[PDF] harris detector

[PDF] détecteur de harris algorithme

[PDF] algorithme de detection de contour d'une image

[PDF] détecteur de harris matlab

[PDF] detection des contours d'une image

[PDF] détecteur sift

[PDF] mise en correspondance de points d intérêt

[PDF] poi garmin camping car

[PDF] garmin poi loader

[PDF] telecharger poi garmin gratuit

[PDF] mise jour radar gps mappy

[PDF] poi loader garmin radar gratuit

[PDF] telecharger aire camping car gps mappy

[PDF] poi garmin radar gratuit

[PDF] livre interpretation des reves en islam gratuit pdf