A Study on Fast Matching of Binary Feature Descriptors through Sequential Analysis of Partial Hamming Distances

부분 해밍 거리의 순차적 분석을 통한 이진 특징 기술자의 고속 정합에 관한 연구

  • Received : 2013.07.25
  • Accepted : 2013.10.31
  • Published : 2013.10.30

Abstract

Recently, researches for methods of generating binary feature descriptors have been actively done. Since matching of binary feature descriptors uses Hamming distance which is based on bit operations, it is much more efficient than that of previous general feature descriptors which uses Euclidean distance based on real number operations. However, since increase in the number of features linearly drops matching speed, in applications such as object tracking where real-time applicability is a must, there has been an increasing demand for methods of further improving the matching speed of binary feature descriptors. In this regard, this paper proposes a method that improves the matching speed greatly while maintaining the matching accuracy by splitting high dimensional binary feature descriptors to several low dimensional ones and sequentially analyzing their partial Hamming distances. To evaluate the efficiency of the proposed method, experiments of comparison with previous matching methods are conducted. In addition, this paper discusses schemes of generating binary feature descriptors for maximizing the performance of the proposed method. Based on the analysis on the performance of several generation schemes, we try to find out the most effective scheme.

최근, 이진 특징 기술자를 생성하는 방법에 대한 연구가 많이 진행되고 있다. 이진 특징 기술자의 정합은 비트 연산에 기반한 해밍거리를 이용하므로 실수 연산에 기반한 유클리디안 거리를 이용하는 기존의 일반적인 특징 기술자의 정합보다 훨씬 효율적이기 때문이다. 그러나, 특징 수의 증가는 정합 속도를 선형적으로 감소시키는 원인이 되기 때문에, 객체 추적과 같은 실시간 처리가 중요한 응용 분야에서는 이진 특징 기술자의 정합 속도를 더욱 향상시킬 수 있는 방법에 대한 요구가 증가해 왔다. 이에 본 논문에서는 고차원의 이진 특징 기술자를 여러 저차원의 이진 특징 기술자로 나누어 부분 해밍거리를 계산하고 순차적으로 분석함으로써, 정합 속도는 크게 개선하면서도 정확도는 유지할 수 있는 방법을 제안한다. 제안된 방법의 효율성을 분석하기 위해 기존의 정합 방법들과의 비교 실험을 수행한다. 아울러, 제안된 고속화 방법의 성능을 극대화하기 위한 이진 특징 기술자 생성 방법에 대해서도 논의한다. 몇가지 생성 방법에 대한 성능을 분석함으로써, 가장 효과적인 방법을 모색한다.

Keywords

References

  1. D. Lowe, "Distinctive image features from scale-invariant keypoints," IJCV, vol. 60, no. 2, pp. 91-110, 2004. https://doi.org/10.1023/B:VISI.0000029664.99615.94
  2. H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool, "SURF: Speeded-up robust features," CVIU, vol. 110, no. 3, pp. 346-359, 2008.
  3. M. Calonder, V. Lepetit, C. Strecha, and P. Fua, "BRIEF: Binary robust independent elementary features," Proc. of ECCV, 2010.
  4. S. Leutenegger, M. Chli, and R. Y. Siegwart, "BRISK: Binary robust invariant scalable keypoints," Proc. of ICCV, pp. 2548-2555, 2011.
  5. E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, "ORB: An efficient alternative to SIFT or SURF," Proc. of ICCV, pp. 2564-2571, 2011.
  6. A. Alahi, R. Ortiz, and P. Vandergheynst, "FREAK: Fast retina keypoint," Proc. of CVPR, pp. 510-517, 2012.
  7. 박정식, 박종일, "이진 특징 기술자의 군집화를 이용한 특징점 고속 정합," 한국방송공학회 추계학술대회 논문집, pp. 9-10, 2012.
  8. M. Muja and D. Lowe, "Fast matching of binary features," Proc. of CRV, pp. 404-410, 2012.
  9. M. Stommel, "Binarising SIFT-descriptors to reduce the curse of dimensionality in histogram-based object recognition" IJSIP, vol. 3, no. 1, pp. 25-36, 2010.
  10. E. Rosten and T. Drummond, "Machine learning for high-speed corner detection," Proc. of ECCV, 2006.