SFM

Structure-from-Motion
2차원 영상으로부터 3차원 정보를 추출하여 3D로 재구성
structure = 3D structure, motion = Camera pose

🖇️ 실행결과 보러가기

🖇️ 목차

1. SIFT vs ORB vs AKAZE
2. keypoint / descriptor

01. SIFT vs ORB vs AKAZE

📌 SIFT(Scale-Invariant Feature Transform)

[장점]

• 크기와 회전에 대해 불변성을 가지고 있어 다양한 변형에 강함.
• 정확한 매칭을 제공하며 높은 품질의 descriptor를 생성.
• 다양한 환경에서 안정적인 성능 제공.

[단점]

• 계산량이 많아 속도가 느림.
• GPU 가속화를 지원하지 않음.
• 특징점 검출에 있어서 잡음에 민감할 수 있음

=> 정확한 매칭과 변형에 강한 특징이 필요한 경우에 사용.

📌 ORB(Oriented FAST and Rotated BRIEF)

[장점]

• 빠른 속도를 가지고 있어 실시간 애플리케이션에 적합.
• 회전과 크기에 대한 불변성을 제공.
• descriptor를 사용하여 효율적인 매칭 제공.

[단점]

• 일부 변형에 대해서는 SIFT보다 불안정할 수 있음.
• 일반적으로 SIFT보다 매칭의 정확도가 낮을 수 있음.
• 대부분의 경우 상대적으로 작은 이미지 특징에 더 잘 동작함.

=> 실시간 애플리케이션에서 빠른 속도와 효율성이 중요한 경우에 사용.

📌 AKAZE(Accelerated-KAZE)

[장점]

• SIFT와 비슷한 성능을 제공하면서도 계산량이 적음.
• 다양한 크기의 특징을 검출하고 크기에 대해 불변성을 가지고 있음.
• 회전, 크기 및 조명 변화에 강함.

[단점]

• 매칭 정확도가 SIFT보다는 떨어질 수 있음.
• 대부분의 경우 상대적으로 큰 이미지 특징에 더 잘 동작함.

=> 계산량을 줄이면서도 일반적인 변형에 대해 강한 성능을 요구하는 경우에 사용.

===> SIFT가 가장 적합.

📌 SIFT 알고리즘

• SIFT(Scale-Invariant Feature Transform)이란 ?

이미지의 크기와 회전에 불변하는 특징을 추출하는 알고리즘.

서로 다른 두 이미지에서 SIFT 특징을 각각 추출한 다음 서로 가장 비슷한 특징끼리 매칭해주면 두 이미지에서 대응되는 부분을 찾을 수 있다는 것이 기본 원리.

크기와 회전은 다르지만 일치하는 내용을 갖고 이미지에서 동일한 물체를 찾아서 매칠해 줄 수 있는 알고리즘.

02. keypoint / descriptor

📌 keypoint

• 이미지에서 독특하고 주요한 지점을 나타내는 특징점.
• 주로 이미지에서 변형에 강한 지점, 경계, 코너 등으로 정의됨.

📌 descriptor

• keypoint에 해당하는 정보, 기본적으로 동일한 개수로 생성하며 실제 유사도를 판별하기 위한 데이터로 활용.
• keypoint를 수치적으로 설명하는 역할.
• keypoint의 주변 영역을 분석하여 특징을 추출하고 벡터 형태로 표현.
• 이 벡터는 특징점의 주변 정보를 포함하고 있으며 특징점들을 비교하고 매칭하는데 사용됨.