請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/65265完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 丁肇隆(Chao-Lung Ting) | |
| dc.contributor.author | Cheng-Hung Lu | en |
| dc.contributor.author | 呂承鴻 | zh_TW |
| dc.date.accessioned | 2021-06-16T23:33:34Z | - |
| dc.date.available | 2012-08-10 | |
| dc.date.copyright | 2012-08-10 | |
| dc.date.issued | 2012 | |
| dc.date.submitted | 2012-07-27 | |
| dc.identifier.citation | [1] 台灣網路資訊中心, http://stat.twnic.net.tw/.
[2] 陳明宏,“街景辨識系統,”國立臺灣大學工程科學及海洋工程學系碩士論文, 2011. [3] David G. Lowe,“Object Recognition from Local Scale-Invariant Features,”Proceedings IEEE International Conference Vision, vol. 2, 1999, pp.1150-1157. [4] David G. Lowe,“Distinctive Image Features from Scale-Invariant Keypoints,” International Journal of Conference Vision, vol. 60, no. 2, 2004, pp.91-110. [5] Harris, C. and Stephens, M. ,“A combined corner and edge detector,”Fourth Alvey Vision Conference. Manches, 1988, UK : 147-151. [6] Yan Ke, Rahul Sukthankar,“PCA-SIFT: A More Distinctive Representation for Local Image Descriptors,”IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2, 2004, pp.506-503. [7] H. Bay, A. Ess, T. Tuytelaars, L. Van Gool, “SURF: speeded up robust features”, Computer Vision and Image Understanding, vol.110, 2008. [8] Luo Juan, Oubong Gwun,“A Comparison of SIFT, PCA-SIFT and SURF,”International Journal of Image Processing, vol. 3, 2009, pp.143-152. [9] 劉立, 彭復員, 趙坤,等. “採用簡化SIFT算法實現快速圖像匹配[J]”.紅外與激光工程,2008, vol.37(1): pp.181-184. [10] 劉健, 張國華, 黄琳琳.基於改進SIFT的圖像配準算法[J] .北京航空航天大學學報, 2010,vol.36(9): pp.1121-1124. [11] 陳偉, 劉麗. 結合角點特徵與SIFT特徵的加速圖像匹配.計算機技術與發展,2012, vol.22(1): pp.98-102. [12] Hare Jonathon, Samangooei Sina and Lewis Paul, “ Efficient clustering and quantisation of SIFT features: Exploiting characteristics of the SIFT descriptor and interest region detectors under image inversion,”At The ACM International Conference on Multimedia Retrieval , Trento, Italy, 17 - 20 Apr 2011. ACM Press. [13] J.L. Bentley,“Multidimensional Binary Search Trees Used for Associative Searching,”Communications of the ACM, 18 (1975), pp. 509-517. [14] A. Moore,“An introductory tutorial on kd-trees,”tech. report Technical Report No. 209, Computer Laboratory, University of Cambridge, Carnegie Mellon University, 1991. [15] 林大元,“基於使用者關聯性行為探勘之影像內容檢索,”國立成功大學資訊工程學系碩士論文, 2006. [16] 王培學, “利用GPU加速SIFT特徵之擷取與比對,”國立中央大學資訊工程研究所碩士論文, 2011. [17] Jing Zhang ,“Overview of approaches for accelerating scale invariant feature detection algorithm,” International Conference on Electric Information and Control Engineering (ICEICE),2011, pp. 585-589. [18] Alaa E. Abdel-Hakim, Aly A. Farag, “CSIFT: A SIFT Descriptor with Color Invariant Characteristics,”Computer Vision and Pattern Recognition, New York, USA: IEEE, 2006, pp.1978-1983. [19] 黃漢哲, “SIFT演算法應用於航測影像拼接之研究,”國立中山大學海洋環境及工程學系碩士論文,2009. [20] M. A. Fischler, R. C. Bolles, “Random sample consensus: a paradigm for model fitting with application to image analysis and automated cartography,”Communication Association Machine. No.24(6),pp.381-395. [21] J.L. Bentley,“Multidimensional Binary Search Trees Used for Associative Searching,”Communications of the ACM, 18 (1975), pp. 509-517. [22] A. Moore,“An introductory tutorial on kd-trees,”tech. report Technical Report No. 209, Computer Laboratory, University of Cambridge, Carnegie Mellon University, 1991. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/65265 | - |
| dc.description.abstract | 本研究承續了以SIFT影像技術為基礎的街景辨識系統，針對原系統所使用的全域式比對(Fully Matching)方法與基於K-D Tree所提出修改 Best-bin-first的加速搜尋演算法做延伸與改進，提出特徵點周圍灰階梯度累計主方向的特徵點分類比對方法，重新設計資料庫建置、測試新方法適合的最佳匹配閥值與KD Range參數，以達成匹配加速計算目的與高準確度匹配結果。透過特徵點主方向計算事前分類，當影像進行匹配時，來源影像特徵點僅需與其同方向特徵點資料庫作比對，可降低78%所需比對時間，若再結合原系統提出之K-D Tree加速搜尋比對方法(原可降低46%所需比對時間)，更可達到降低88%比對時間的最佳效果。雖然此方法對於匹配加速表現優良，但因為犧牲了部分來源比對資料，所以準確度較原方法降低2%。為了兼顧快速匹配與高準確度，本研究最後提出先以主方向加K-D Tree搜尋法快速過篩，再以篩出的少數候選圖片與來源影像進行全域式比對，實驗結果顯示此方法可在降低86%所需比對時間情況下，維持與SIFT原始比對法相近的高準確度。 | zh_TW |
| dc.description.abstract | This research presents a novel streetscape recognition system which improves the classical algorithm of SIFT (Fully Matching) and the modified BBF (Best-bin-first) searching algorithm (K-D Tree Searching). Our system can reduce computation by making comparisons only between the features of the same types according to features’ gradients major orientation. Hence we rebuild a database (DB) for features matching which depends entirely on orientation information. We use a lot of experiments to find out the best thresholds which suit relative methods. Our experimental results show that the proposed method can accelerate the performance of features matching without losing its accuracy. By categorizing feature points in advance, feature matching with major orientation (called MO) can effectively save 78% of the processing time. The processing time can save 88% by combining the modified BBF algorithm (where the original modified BBF can only save 46%). However, its accuracy will decrease 2% because some features are sacrificed in matching. To retain high accuracy and efficiency at once, we propose a hybrid method to find out image candidates rapidly by adopting the MO method and the modified BBF algorithm firstly, and to determine the final result by performing fully matching with image candidates. The experiment results show that this method can save 86% processing time with nearly the same accuracy. | en |
| dc.description.provenance | Made available in DSpace on 2021-06-16T23:33:34Z (GMT). No. of bitstreams: 1 ntu-101-R99525046-1.pdf: 5852921 bytes, checksum: 472ac497935b289151f7965407676973 (MD5) Previous issue date: 2012 | en |
| dc.description.tableofcontents | CONTENTS
口試委員會審定書 致謝 iii 中文摘要 iv Abstract v CONTENTS vi LIST OF FIGURES ix LIST OF TABLES xii Chapter 1 緒論1 1.1 研究動機與目的 1 1.2 過去相關研究4 1.3 論文架構 8 Chapter 2 SIFT 街景辨識系統回顧11 2.1 前處理 11 2.1.1 解析度調整 12 2.1.2 增強影像對比度 12 2.2 特徵點選取與資訊建立 14 2.2.1 多尺度空間取極值 15 2.2.2 候選特徵點篩選 17 2.2.3 建立特徵點比對資訊 18 2.3 特徵點比對方法 20 2.3.1 特徵點相似度計算 20 2.3.2 Fully Matching 22 2.3.3 K-D Tree 搜尋比對法 22 2.4 特徵點除錯26 Chapter 3 特徵點主方向比對法與除錯28 3.1 特徵點主方向比對法與資料庫建立 29 3.1.1 特徵點主方向計算方式 29 3.1.2 主方向比對方法之資料庫建立模式 30 3.2 主方向比對方式 31 3.2.1 單一主方向匹配法 31 3.2.2 主方向加 K-D Tree 搜尋匹配法 33 3.2.3 搜尋過篩+Fully Matching 35 3.3 角度投票除錯及修正方式提出36 3.3.1 原系統角度投票除錯邏輯 36 3.3.2 角度除錯修正 41 3.4 其他改善方法 50 3.4.1 長度除錯50 3.4.2 資料庫拍攝重疊比例刪減 51 3.4.3 平行計算概念加速 53 Chapter 4 實驗結果與討論 54 4.1 比對結果回饋方式及準確度計算 54 4.2 各方法實驗結果與最佳閥值制定 56 4.2.1 K-D Tree 搜尋範圍 K 值測試 56 4.2.2 最佳匹配閥值(R 值)及除錯方法測試59 4.3 各種匹配方法實驗結果比較 67 4.3.1 各種匹配方法最佳閥值制定結果 67 4.3.2 各種匹配方法結果比較與說明 68 4.3.3 本研究與 SIFT 原著及其他改進方法比較 73 Chapter 5 結論與未來展望 76 5.1 結論 5.2 未來展望 76 5.2.1 加速改善方法 76 5.2.2 準確度改善方法 78 REFERENCE 80 LIST OF FIGURES 圖 1.1 2008-2011 台灣網路資訊中心-個人上網行為趨勢分析 1 圖 1.2 Google Similar Images 以文搜圖結果 2 圖 1.3 Google Similar Images 以圖搜圖結果 3 圖 1.4 圖形比對搜尋結果 7 圖 1.5 論文方法架構 9 圖 1.6 系統流程圖 10 圖 2.1 影像前置處理流程圖 11 圖 2.2 特徵點選取步驟分解圖 16 圖 2.3 位於邊緣、角點上之特徵點示意圖18 圖 2.4 特徵點主方向調整示意圖 18 圖 2.5 影像資訊轉換特徵向量示意圖 20 圖 2.6 Fully Matching 特徵點相似度計算 22 圖 2.7 K-D Tree 搜尋法特徵點相似度計算 23 圖 2.8 K-D Tree 建構流程圖 24 圖 2.9 BBF 搜尋流程圖 25 圖 2.10 特徵點搜尋示意圖 25 圖 2.11 5 對街景影像在日間不同 k 值所得到的特徵點匹配數 26 圖 2.12 不相似街景之特徵點除錯前後對照圖 27 圖 2.13 不相似街景對於關閉、開啟特徵點除錯功能之比對結果對照圖 27 圖 3.1 特徵點梯度向量累積主方向 29 圖 3.2 不同比對法之資料庫建置示意圖 30 圖 3.3 單一主方向匹配法計算量降低示意圖31 圖 3.4 單一主方向匹配法相似度計算示意圖32 圖 3.5 主方向+K-D Tree 搜尋匹配法計算量降低示意圖 33 圖 3.6 單一主方向匹配法相似度計算示意圖 34 圖 3.7 搜尋過篩+Fully Matching 匹配法流程示意圖 35 圖 3.8 原系統角度投票除錯流程 36 圖 3.9 比對後可能誤判情形示意圖 37 圖 3.10 資料庫內外影像除錯前測試結果 39 圖 3.11 (a)相鄰影像角度集中分布 (b)不相鄰影像角度分散分佈 41 圖 3.12 相鄰影像角度集中分散分佈案例 42 圖 3.13 匹配角度標準差除錯修正方法提出43 圖 3.14 標準差分組方式 44 圖 3.15 Fully Matching 0 度標準差最佳閥值計算 46 圖 3.16 標準差除錯法前後比對結果 49 圖 3.17 不相鄰影像角度投票除錯法與標準差除錯方法比較49 圖 3.18 長度除錯前後 50 圖 3.19 遠景對長度除錯之潛在影響 51 圖 3.20 刪減資料庫影像重疊比例示意圖 52 圖 3.21 平行計算加速示意圖 53 圖 4.1 街景辨識系統執行流程與結果回饋 54 圖 4.2 K-D Tree 搜尋比對法 K 值測試-匹配點數 57 圖 4.3 K-D Tree 搜尋比對法 K 值測試-執行時間 57 圖 4.4 主方向加 K-D Tree 搜尋比對法 K 值測試-匹配點數 58 圖 4.5 主方向加 K-D Tree 搜尋比對法 K 值測試-執行時間 58 圖 4.6 各種匹配法最佳準確度與時間對應圖 68 圖 4.7 Fully Matching 之錯誤匹配內容 70 圖 4.8 主方向+K-D Tree 比對法之錯誤匹配內容 71 圖 4.9 搜尋過篩+Fully Matching 之錯誤匹配內容 72 圖 5.1 fig.A 及 fig.B 橫切與縱切小圖比對示意圖 77 圖 5.2 fig.A 及 fig.B 縱切小圖比對示意圖 77 圖 5.3 不同天候街景拍攝 79 LIST OF TABLES 表 1.1 SIFT、PCA-SIFT and SURF 相關參數比較表 5 表 2.1 不同解析度下特徵點個數與特徵點選取時間比較 12 表 2.2 對比強化演算法綜合比較 13 表 2.3 不同範圍直條圖等化結果比較 14 表 2.4 位於低對比區域的特徵點過濾前後對照表 17 表 2.5 濾除邊緣候選特徵點之執行前後對照表 18 表 2.6 不同R 值下，來源影像與相鄰、不相鄰街景影像之特徵點匹配結果 21 表 3.1 Fully Matching 除錯前最佳剔除點數門檻值測試 39 表 3.2 Fully Matching 除錯前最佳剔除點數門檻值測試 40 表 3.3 Fully Matching 0 度標準差閥值制定方法 47 表 3.4 Fully Matching 不同閥值變數設定之最佳準確度 48 表 4.1 街景辨識準確度統計對照表 55 表 4.2 Fully Matching 最佳除錯法及 R 值測試 59 表 4.3 Fully Matching 使用標準差除錯匹配點數分析 60 表 4.4 K-D Tree 搜尋比對法最佳除錯法及 R 值測試 61 表 4.5 K-D Tree 搜尋比對法使用標準差除錯匹配點數分析 62 表 4.6 單一主方向匹配法最佳除錯法及 R 值測試 62 表 4.7 單一主方向匹配法使用標準差除錯匹配點數分析 63 表 4.8 主方向+K-D 搜尋匹配法最佳除錯法及 R 值測試 64 表 4.9 主方向+K-D 搜尋匹配法使用標準差除錯匹配點數分析 65 表 4.10 過篩搜尋+Fully Matching 最佳除錯法及 R 值測試 65 表 4.11 過篩+Fully Matching 使用標準差除錯匹配點數分析 66 表 4.12 各種匹配方法最佳閥值制定結果 67 表 4.13 各匹配法最佳準確度與平均執行時間 69 表 4.14 SIFT 加速方法異同比較 73 表 4.15 SIFT 除錯方法異同比較 74 | |
| dc.language.iso | zh-TW | |
| dc.title | SIFT街景辨識之比對效率與準確度提升 | zh_TW |
| dc.title | Improving Efficiency and Accuracy for SIFT Streetscape Recognition System | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 100-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.coadvisor | 張瑞益(Ray-I Chang) | |
| dc.contributor.oralexamcommittee | 王家輝,林正偉 | |
| dc.subject.keyword | 尺度不變特徵轉換,K維樹,特徵點主方向, | zh_TW |
| dc.subject.keyword | SIFT,K-D Tree,Major Orientation, | en |
| dc.relation.page | 82 | |
| dc.rights.note | 有償授權 | |
| dc.date.accepted | 2012-07-27 | |
| dc.contributor.author-college | 工學院 | zh_TW |
| dc.contributor.author-dept | 工程科學及海洋工程學研究所 | zh_TW |
| 顯示於系所單位： | 工程科學及海洋工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-101-1.pdf 目前未授權公開取用 | 5.72 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。