Daniel Oscarsson


Eigentree-SIFT: A hierarchical space-partitioning approach for indexing and description of local image features

Abstract

In this work, we investigate a new approach to the description of scale-invariant local image features. We take as point of departure the PCA-SIFT approach, an improvement on the well-known Scale-Invariant Feature Transform (SIFT). Analogous to the eigenspace of features being the basis for PCA, we design an "eigentree" that hierarchically partitions the feature space, allowing the eigenvectors to iteratively re-adapt to local clusters of data. Each terminal node in the tree then corresponds to a sub-cluster of data, and the features in such a terminal set are described by projection onto the eigenvectors along their path up the tree, combined with traditional PCA, to make for a constant number of descriptor elements. We find that, by wise design of the eigentree, PCA-SIFT can be outperformed, both in the rate of correct matches between test features and training features, and in terms of indexing speed.

Egenträds-SIFT: Beskrivning och indexering av lokala särdrag i bilder genom hierarkisk partitionering av särdragsrummet

Sammanfattning

Vi utforskar i detta arbete en ny ansats för beskrivning av lokala särdragspunkter i bilder. Som utgångspunkt har vi PCA-SIFT, en utveckling av den välkända Scale-Invariant Feature Transform-metoden (SIFT). Där PCA låter särdragspunkternas egenrum utgöra basen för beskrivning, designar vi ett så kallat "egenträd" -- även det baserat på egenvektorer -- som beskriver en hierarkisk partitionering av särdragsrummet. På så sätt kan egenvektorerna successivt anpassas till lokala dataklustrar. Varje lövnod i trädet motsvarar därför en delmängd av datapunkterna, och särdragen i en sådan lövmängd beskrivs genom projicering på egenvektorerna som har lagrats i varje nod upp till roten, i kombination med traditionell PCA, så att det totala antalet deskriptorelement förblir konstant. Utifrån en serie tester finner vi att ett väldesignat egenträd presterar bättre än PCA-SIFT, inte enbart vad det gäller andelen korrekta matchningar mellan test- och träningssärdrag, utan också i tiden det tar att utföra varje indexering.