A Development of Scale Invariant Feature Transform Approach for Keypoint Detection and Description

Abstract

Computer vision has become one of the most focused issues and fundamental challenges in century and the future. They have been demonstrated and deployed successfully in several applications. However, the SIFT approach perform the best under scale and rotation changes, but not illumination change since normalizing the vector makes it more robust to illumination changes, especially also in the non-uniform illumination situations which have the effects of the detection, building descriptor and keypoint matching steps, respectively. Consequenly, these problems are investigated in this paper.

In this paper, we propose a new improvement keypoint detection and description algorithm of image-based recognition for rotation, viewpoint and non-uniform illumination changes, which is implemented using based-on the SIFT approach, Top-Hat filtering, morphological operations and average filtering technique in keypoint detection procedures. The keypoints are described and implemented using the Hu moment invariants in the keypoint description procedures. The sensitivity, accuracy and precision rate of data sets were compared. A data set images with different uniform and non-uniform illumination, viewpoint and rotation changes. The comparative results indicate that the best algorithm is the proposed. The maximum number of keypoint detection is 1,551 keypoints and minimum of keypoints obtained by proposed, followed by the SIFT. The ASIFT performs the worst. Additionally, the result can be summarized as sensitivity, accuracy and precision rate at 100%, 83.33%, and 80.00%, respectively. Hence, our algorithm has applied that it has efficiency can be used for recognizing under other ones in the real situations.

ในทศวรรษนี้ ประเด็นที่สำคัญและท้าทายเป็นอย่างมากในการศึกษาด้านทัศนศาสตร์คอมพิวเตอร์ในรูปภาพดิจิตอลของคอมพิวเตอร์หรือหุ่นยนต์ ในปัจจุบันมีการนำมาประยุกต์ใช้งานจริงเป็นจำนวนมากเพื่อใช้ในการรู้จำและการจำแนกวัตถุ โดยวิธีการ SIFT สามารถทำงานได้ดีที่สุดภายใต้เงื่อนไขการหมุน และ การเปลี่ยนแปลงขนาด แต่สามารถทำงานได้พอใช้ภายใต้เงื่อนไขความส่องสว่างที่เปลี่ยนแปลงเสมอกัน เนื่องจากการเปลี่ยนแปลงความส่องสว่างนั้น ส่งผลต่อการนอร์มัลไลซ์เวคเตอร์ในขั้นตอนการตรวจพบ และการกำหนดจุดสำคัญ จึงส่งผลต่อเนื่องกับขั้นตอนการอธิบายจุดสำคัญ ซึ่งใช้สำหรับกำหนดทิศทางของเวคเตอร์ และขั้นตอนการจับคู่ของจุดสำคัญ ตามลำดับ ดังนั้น ความส่องสว่างที่เปลี่ยนแปลงเสมอกัน และความส่องสว่างที่เปลี่ยนแปลงไม่เสมอกัน จึงเป็นโจทย์ในการศึกษา และวิจัยนี้

งานวิจัยนี้จึงมุ่งทำการศึกษา และพัฒนาอัลกอริทึมการตรวจพบ และการอธิบายจุดสำคัญสำหรับวิธีการแปลงคุณลักษณะเด่นที่ขนาดไม่เปลี่ยนแปลงภายใต้เงื่อนไขการเปลี่ยนแปลงของการหมุน มุมมอง ความส่องสว่างที่เปลี่ยนแปลงเสมอกัน และความส่องสว่างที่เปลี่ยนแปลงไม่เสมอกัน โดยการพัฒนาอัลกอริทึมบนพื้นฐานวิธีการ SIFT ในขั้นตอนการตรวจพบ และการกรองสัญญาณ Top-Hat วิธีการ Morphological อีกทั้งการกรองสัญญาณแบบค่าเฉลี่ย สำหรับการพัฒนาอัลกอริทึมในขั้นตอนการอธิบายอาศัยวิธีการโมเมนต์ Hu invariant ผลการทดลองพบว่า อัลกอริทึมที่สามารถตรวจพบจุดสำคัญได้มากที่สุด คือ วิธีการที่พัฒนา มีจำนวนที่ตรวจพบจุดสำคัญมากที่สุด เท่ากับ 1,551 จุดสำคัญ และมีจำนวนที่ตรวจพบจุดสำคัญน้อยที่สุด เท่ากับ 161 จุดสำคัญ ตามด้วยวิธีการ SIFT และวิธีการ ASIFT ตามลำดับ และการเปรียบเทียบประสิทธิภาพการจับคู่จุดสำคัญอาศัยวิธีการหาค่าความไว ค่าความถูกต้อง และค่าความแม่นยำ ผลการทดลองพบว่า วิธีการที่พัฒนาขึ้นมีประสิทธิภาพดีที่สุด ซึ่งมีค่าความไว เท่ากับ ร้อยละ 100 ค่าความถูกต้อง เท่ากับ ร้อยละ 83.33 และค่าความแม่นยำ เท่ากับ ร้อยละ 80 ตามลำดับ ดังนั้น วิธีการที่พัฒนาขึ้นสามารถนำไปประยุกต์ใช้งานในการรู้จำและงานอื่นๆ ภายใต้สถานการณ์ที่เกิดขึ้นจริงได้อย่างมีประสิทธิภาพ