earticle

영어

Feature extraction algorithms have been widely used for various applications in the field of computer vision. Since the performance of the high-level application is mainly affected by the preciseness of low-level features, the studies for evaluating analyzing performance of feature extraction algorithms have been broadly researched. In this paper, we evaluate performance of the feature extraction algorithms based on quantitative measurements of contrasts as the perceptual property in images. Large number of images with variety of contrasts are obtained by tuning the parameters in gray-scale conversions as pre-processing, and then we measure the contrast values from the images using GCF and TEN. We applied our evaluation method to optical flow estimation, SIFT and SURF algorithm. We estimate the performance of each algorithms based on average angular error, end point error for optical flow estimation, and the number of effective local descriptors, and the ratio of matching descriptors for SIFT or SURF. In our experiments, we measured the correlation with R-squared statistics between the GCF/TEN and the performance of each feature extraction algorithm. This study showed meaningful results about relationships between image contrast and the performance of the feature extraction algorithms for the most parts.

한국어

컴퓨터 비전분야의 저수준에서 수행되어지는 특징추출 알고리즘은 다양한 응용분야에 활용되며, 추출되는 특징은 응용분야의 성능에 많은 영향을 끼친다. 이러한 이유로 폭 넓게 사용하는 특징추출 알고리즘의 성능을 비교, 분석하는 연구들이 지속적으로 수행되고 있다. 본 연구에서는 특징추출 알고리즘 가운데 저수준 특징으로써 활용도가 높은 옵티컬 플로우, SIFT, SURF 알고리즘의 성능과 입력 영상과의 관계를 분석하기 위해 영상의 속성을 정량적으로 측정하고 알고리즘의 성능평가 결과와 상호 분석을 수행하였다. 정량적 영상속성 측정을 위해 영상의 기본적인 지각속성인 대비를 이용하였으며, 정량화된 다량의 대비 영상을 얻기 위해 매개변수 변화에 따라 대비가 다른 영상을 생성하는 흑백영상 변환 알고리즘을 활용하였다. 특징추출 알고리즘 성능 평가를 위해 옵티컬 플로우 측정 실험은 평균 각 오차와 종점 오차를, SIFT 및 SURF에 대한 실험은 추출된 기술자의 수와 매칭된 기술자의 비율을 이용하였다. 본 연구의 실험 결과, 정량적으로 측정된 대비와 각 알고리즘의 성능평가 결과는 크게 세 가지 유형의 높은 상관관계를 나타내었으며, 흑백 영상 변화 시 정보 손실로 인해 낮은 상관관계를 나타내기도 하였다.