Punti Caratteristici

L'individuazione (estrazione) di punti chiave (keypoint detection), la loro caratterizzazione (feature description) e infine confronto (matching) sono tematiche strettamente legate all'interno della visione artificiale. Le applicazioni che fanno uso di punti chiave spaziano dalla creazione di immagini panoramiche alla ricostruzione tridimensionale, dall'odometria visuale all'inseguimento di oggetti e in moltissimi altri casi di utilizzo.

Il concetto di punto chiave richiama il fatto che non tutti ma solo alcuni punti dell'immagine hanno una probabilità elevata di essere individuati senza ambiguità durante un confronto. Sono punti notevoli, stabili, facilmente individuabili. Nell'ultima decade, come in quasi tutti i campi della Visione Computazionale, sono stati fatti grandi passi in avanti nello sviluppo di local invariant features, punti caratteristici che permettono alle applicazioni di definire una geometria locale dell'immagine e codificarla in maniera tale che sia invariante alle trasformazioni dell'immagine, quali traslazione, rotazione, scala e deformazioni affini.

In questo capitolo verranno trattate le tematiche più strettamente inerenti agli algoritmi di estrazione dei punti chiave. Il discorso invece della descrizione del punto sarà trattato nel capitolo seguente siccome è un argomento ortogonale tra quello di descrivere i punti e il concetto di classificazione.

Un elenco, non esaustivo, di algoritmi per individuare punti chiave è

Harris Corner

Harris formalizza da un punto di vista matematico il concetto di bordo e, attraverso lo studio degli autovalori della matrice di covarianza nell'intorno di un punto, permette di ricavare la presenza o meno di uno spigolo. È invariante a cambiamenti di luminosità, a trasformazioni geometriche quali traslazioni e rotazioni, e minimamente a variazioni di scala (sezione 5.2);

KLT

il Kanade-Lucas-Tomasi sfrutta una variante di Harris (Shi-Tomasi) come corner detector ed esegue il confronto sfruttando rappresentazioni piramidali della scena (dettagli in 7.2);

AST

La classe degli Advance Segment Test (sezione 5.5) identifica un punto caratteristico osservando la differenza di luminosità dei punti su una circonferenza;

SIFT

studia l'immagine in multisoluzione ed è invariante a trasformazioni simili (sezione 5.3);

SURF

una variante di SIFT più performante basata sull'immagine integrale (sezione 5.4).