Автор: Дмитрий Чудаков
Редактура: Давид Свитов
Задача сопоставления изображений сводится к поиску конкретного объекта на одном изображении с помощью другого, эталонного. Для этого необходимы так называемые ключевые точки – характерные области изображения, которые помогают определить, насколько два объекта совпадают.
Поиск ключевых точек и сопоставление изображений — начальный этап перехода от 2D задач к 3D. Сопоставив между собой множество изображений сцены, мы сможем восстановить трёхмерную структуру объектов в ней. Но для этого важно иметь «хорошие» ключевые точки.
<aside> 📌
Ключевые точки – точки, обнаружение которых на снимках инвариантно к сдвигу и повороту камеры.
</aside>
Они выделяются благодаря своим важным свойствам:
Получается, что ключевая точка непоколебима! Она обязательно найдётся на разных изображениях объекта, даже если они повернуты или масштабированы.
У каждой ключевой точки есть дескриптор.
<aside> 📌
Дескриптор – вектор, который описывает точку и её окружение.
</aside>
«Хорошие» дескрипторы узнать несложно: у разных ключевых точек они должны быть сильно различны, а у одинаковых – максимально схожи.
Алгоритмы нахождения ключевых точек претерпели эволюцию: начинали с простых и не всегда эффективных методов, а в итоге добрались до deep learning’а.
Один из первых и самых известных алгоритмов для нахождения ключевых точек – это SIFT (Scale-Invariant Feature Transform). Его будем использовать, когда не требуется решить что-то сверхсложное и нужно быстро и легко найти ключевые точки.