Comparison of Local Feature Detectors and Descriptors for Visual Object Categorization

Local features are used in many computer vision tasks including visual object categorization, content-based image retrieval and object recognition to mention a few. Local features are points, blobs or regions in images that are extracted using a local feature detector. To make use of extracted local features the localized interest points are described using a local feature descriptor. A descriptor histogram vector is a compact representation of an image and can be used for searching and matching images in databases. In this thesis the performance of local feature detectors and descriptors is evaluated for object class detection task. Features are extracted from image samples belonging to several object classes. Matching features are then searched using random image pairs of a same class. The goal of this thesis is to find out what are the best detector and descriptor methods for such task in terms of detector repeatability and descriptor matching rate.

Paikallisia piirteitä käytetään monissa konenäön sovelluksissa, kuten visuaalisessa kohteiden luokittelussa, sisältöperusteisissa hakusovelluksissa ja kohteiden tunnistuksessa. Paikalliset piirteet ovat tavallisesti pisteitä tai alueita, jotka irrotetaan kuvasta erityisen piirrehavaitsijan avulla. Löydetyt piirteet kuvataan kuvaamisvektorilla. Tässä työssä vertailtiin eri havaitsemis- ja kuvaamismenetelmien suorituskykyä kohteiden luokantunnistustehtävässä. Testikuvien joukossa on yhteensä 250 satunnaisesti valittua näytekuvaparia kymmenestä eri luokasta. Suorituskykytestit suoritettiin aina kuvaparin välillä. Havaitsijatestiä varten kuvaparin molemmista näytekuvista irrotettiin piirteet, jonka jälkeen piirteitä kuvaavien ellipsien päällekkäisyyksiä tarkastelemalla saatiin laskettua vastaavien piirteiden määrä. Vastaavasti kuvaamismenetelmien testissä kuvaparien väliltä etsittiin kuvattujen piirteiden väliltä osumia. Työn tarkoituksena on selvittää, mikä havaitsemis- ja kuvaamismenetelmistä on paras vaihtoehto kohteidenluokittelutehtävään.