지역 특징(Local Feature)을 찾는법

대응점을 찾기 위해 무엇을 특징점으로 쓸 것인지 결정하는 문제를 위해 사람들은 여러가지 고민을 했다. 

초기에는 에지의 경우 물체의 경계에 위치하므로 특징점으로 적합하다고 생각하고 접근했다. 하지만 

에지는 그 자체로 매칭을 위해 어떤 구실을 하지 못했다.  에지가 가진 정보는 에지 강도와 방향에 불과해

 매칭에 부적합했던 것이다. 따라서 독립적으로 매칭에 참여할 정도로  풍부한 정보를 지닌 특징점을 

검출하는 새로운 접근 방법이 필요했다. 이러한 아이디어는 1970년대부터 나타나기 시작했다. 

이 시기의 사람들은 에지화소를 연결해서 얻은 에지 토막에 의지하였다. 특징점을 검출하는 기본 

원리는 에지 토막에서 곡률(curvature)이 큰 지점을 찾고 그곳을 코너(corner)특징으로 취하는 것이다.

이때 에지 토막은 디지털 공간에서 정의된 곡선이므로 곡률을 계산하는데 어려움이 발생했다.

또한 작은 물체와 큰 물체 사이의 스케일 변화를 적절히 다루어야 하는 문제도 발생한다. 

에지 토막을 이용하는 연구 결과는 1980년대 왕성하게발표되었다가 1990년대에 소강 국면에 

접어들고, 2000년대에는 드물게 나타난다.

이후 지역특징(local feature)의 접근 방법이 떠오르며 에지에 의존하는 대신 명암 영상에서

직접 검출하는 방법으로 접근했다. 다른 곳과 두드러지게 다르고 풍부한 정보를 가진 위치를 찾는

정교한 연산자를 설계하는 일이 핵심이었다. 

지역 특징은 종류에 따라 조금씩 다르지만 대략 위치, 스케일, 방향, 특징벡터 정보로 구성된다.

검출 단계는 위치와 스케일, 기술 단계는 방향과 특징 벡터를 알아낸다. 이때 검출은 여러변환에

공변(covariant)이어야 한다. 물체가 이동 또는 회전하거나 스케일이 달라지면 그에 따라 

위치, 스케일, 방향 정보도 변하기 때문이다. 하지만 물체 입장에서 보면 같은곳이므로 불변이다.

어떤 점에서 특징이 검출되었다면, 변환이 일어나도 같은 점에서 같은 특징이 검출되어야 하기 때문이다.

또한 특징 벡터를 추출하는 기술단계는 불변(invariant)이어야 한다. 매칭 알고리즘은 특징 벡터를 비교하여

비슷한 경우 대응점으로 판단하기 때문이다. 

                 

                                                 [그림 1] 그림간의 대응점 찾기

[그림 1]을 보면 두 점간의 대응점을 보면 배의 꽁무니 주변 영역의 명암을 확대하여 보여주는데,

각기 다른 시점에서 찍은 영상이기 때문에 배라는 물체의 명암이 다를수밖에 없다. 하지만 본질적인

명암 구조는 같으므로 스케일, 회전, 조명 변화에 무관하게 같은 값을 갖는 특징 벡터를 추출하는 

알고리즘을 구상할수 있다. 

수백만 개의 점으로 구성된 영상에서, 훌륭한 곳을 어떻게 찾을수 있을까?

                  

                                                 [그림 2] 특징점 간 비교

[그림 2]를 보면 a, b, c로 표시된 세곳이 있다. 왼쪽 영상에서의 a, b, c 위치를 오른쪽 영상에서의

어느 위치인지 찾는것이 문제로 주어졌을때, 어떤 것이 가장 쉽고 어떤것이 가장 어려울까?

c가 가장 어렵고, a가 가장 쉬울 것이다. 왜 그런 결과가 나타날까?

a는 주변과 비교했을때 여러 방향으로 밝기가 변하지만, C는 모든 방향으로 밝기가 비슷하여 찾기 

어렵기 때문이다. b는 이제 방향으로 변화가 적고 에지에 수직인 그레디언트 방향으로 큰 변화가 일어난다.

컴퓨터는 사람과 마찬가지로 a를 찾는것이 더 쉬울것이다. 

출처 : 컴퓨터비전(오일석)