DESRIPTORES DE PUNTOS CARACTERÍSTICOS EN IMÁGENES UTILIZANDO ALGORITMOS DE VISIÓN

POR COMPUTADOR

Resumen
Este artículo presenta un novedoso detector y descriptor invariante de escala y rotación, acuñado
SURF (características robustas aceleradas). SURF se aproxima o incluso supera los esquemas
previamente propuestos con respecto a la repetibilidad, el carácter distintivo y la robustez, pero
puede calcularse y compararse mucho más rápido. Esto se logra al confiar en imágenes integrales
para las convoluciones de imagen; aprovechando las fortalezas de los principales detectores y
descriptores existentes (específicamente, utilizando una medida basada en matriz de Hesse para el
detector y un descriptor basado en la distribución); y simplificando estos métodos a lo esencial. Esto
lleva a una combinación de detección novedosa, descripción y paso
Coincidentes. El documento abarca una descripción detallada del detector y descriptor y luego
explora los efectos de los parámetros más importantes. Concluimos el artículo con la aplicación de
SURF
ABSTRACT

This article presents a novel scale- and rotation-invariant detector and descriptor, coined SURF
(Speeded-Up Robust Features). SURF approximates or even outperforms previously proposed
schemes with respect to repeatability, distinctiveness, and robustness, yet can be computed and
compared much faster.This is achieved by relying on integral images for image convolutions; by
building on the strengths of the leading existing detectors and descriptors (specifically, using a
Hessian matrix-based measure for the detector, and a distribution-based descriptor); and by
simplifying these methods to the essential. This leads to a combination of novel detection,
description, and matching steps.
INTRODUCCION
El descriptor SURF, cuyo acrónimo hace
referencia al título, Speed-Up Robust Feature,
fue desarrollado por Herbert Bay[Bay et al.,
2008] como un detector de puntos de interés
y descriptor robusto. El descriptor SURF
guarda cierto parecido con la filosofía del
descriptor SIFT [Lowe, 2004] si bien presenta
cambios notables, los autores afirman que
este detector y descriptor presenta 2 mejoras
resumidas en los siguientes conceptos:
 Velocidad de cálculo
considerablemente superior sin
ocasionar perdida del rendimiento.
 Mayor robustez ante posibles
transformaciones de la imagen.
El descriptor realiza la localización y la escala
de los puntos
Es un detector de variables locales, y fue
presentado por primera vez por Herbert Bay
en el 2006 y se inspira en el descriptor SIFT.
SURF es otro de los algoritmos más utilizado
para la extracción de puntos de interés en el
reconocimiento de imágenes. La extracción
de los puntos la realiza detectando en primer
lugar los posibles puntos de interés y su
reconociminto de imagen
Figura . Espacio escala
mediante SIFT(izq) y SURF
(dcha)
Algoritmo SIF
El término SIFT proviene de Scale-Invariant
Feature Transform. Es decir, es una
transformación de la información que
proporciona una imagen en coordenadas
invariantes a la escala en el ámbito local. A
partir de las características locales, se busca
conseguir invariancia a la escala, orientación,
parcialmente a cambios de iluminación, etc.
También se puede utilizar para buscar
correspondencias entre diferentes puntos de
vista de una misma escena. Estas
características locales se almacenan en los
denominados descriptores.
El algoritmo tendría cuatro características que
tendría que encontrar y que definiremos a
continuación. Serían las siguientes:
1. Detección de máximos y mínimos espacio-
escala: El primer paso es la búsqueda de
puntos en la imagen que puedan ser
keypoints. Se realiza usando diferencias de
funciones gaussianas para hallar puntos
interesantes que sean invariantes a la escala y
a la orientación.
2. Localización de los keypoints: De los puntos
obtenidos en el apartado anterior se
determinan la localización y la escala de los
mismos, de los cuales se seleccionan los
keypoints basándose en la medida de la
estabilidad de los mismos.
3. Asignación de la orientación: A cada
localización del keypoint se le asigna una o
más orientaciones, basado en las
orientaciones de los gradientes locales de la
imagen.
4. Descriptores de los keypoints: Los
gradientes locales se miden y se transforman
en una representación que permite
importantes niveles de la distorsión de la
forma local y el cambio en la iluminación

Figura 3. Esquema de
clasificación de SURF
Figura 2. Frame sacado
Detección de puntos de interés
con MATLAB con los
keypoints El descriptor SURF hace uso de la matriz
Hessiana, más concretamente, del valor del
determinante de la matriz, para la localización
y la escala de los puntos. El motivo para la
ALGORITMO SURF utilización de la matriz Hessiana es
Es uno de los algoritmos más utilizado para la respaldado por su rendimiento en cuanto a la
extracción de puntos de interés en el velocidad de cálculo y a la precisión.
reconocimiento de imágenes. La extracción
de los puntos la realiza detectando en primer
lugar los posibles puntos de interés y su
localización dentro de la imagen. Es mucho
más rápido que el método SIFT, ya que los
keypoints contienen muchos menos
descriptores debido a que la mayor cantidad
de los descriptores son 0. Este descriptor se
puede considerar una mejora debido a que la
modificaciones que supondría en el código no
serían excesivas, ya que el descriptor SURF
utiliza la gran mayoría de las funciones que
utiliza el descriptor SIFT. Figura 4. Representación
de la derivada parcial de
segundo orden de un filtro
 gaussiano discretizado y
la aproximación de la
derivada implementada
en el caso del descriptor
SURF
Asignación de la Orientación.
La siguiente etapa en la creación del
descriptor corresponde a la asignación de la
orientación de cada uno de los puntos de
interés obtenidos en la etapa anterior. Es en
esta etapa donde se otorga al descriptor de
cada punto la invariancia ante la rotación
mediante la orientación del mismo. El primer
paso para otorgar la mencionada orientación
consiste en el cálculo de la respuesta de Haar
en ambas direcciones x e y mediante las
funciones siguiente
Donde el color negro es el valor -1 y el blanco
es +1.
Se utilizan imágenes integrales nuevamente
para proceder al filtrado mediante las
máscaras de Haar y obtener así las respuestas
en ambas direcciones. Son necesarias
únicamente 6 operaciones para obtener la
respuesta en la dirección x e y. Una vez que
las respuestas onduladas han sido calculadas,
son ponderadas por una gaussiana de valor o
= 2,5s centrada en el punto de interés
Las respuestas son representadas como
vectores en el espacio colocando la respuesta
horizontal y vertical en el eje de abscisas y
ordenadas respectivamente. Finalmente, se
obtiene una orientación dominante por cada
sector mediante la suma de todas las
respuestas dentro de una ventana de
orientación móvil cubriendo un ángulo de
PI/3.

Figura 4. Calculo de la
respuesta Haar. Negro: -
1. Blanco: +1.

La etapa de muestreo depende de la escala y

se toma como valor s. Se toma el valor 4s, Figura 5. Calculo
siendo s la escala en la que el punto de interés direcciones x e y
ha sido detectado, por tanto, dependiente
también de la escala, como referencia, donde
a mayor valor de escala mayor es la dimensión
de las funciones onduladas.
Descriptores SURF Empezaremos con la lectura de
imágenes las cuales seran con
Se construye como primer paso una región
diversas extensiones y tamaños para
cuadrada de tamaño 20s alrededor del punto
saber si este algoritmo trabaja
de interés y orientada en relación a la
correctamente sin importar el tamaño
orientación calculada en la etapa anterior.
y extension
Esta región es a su vez dividida en 4 x 4 sub-
regiones dentro de cada una de las cuales se
calculan las respuestas de Haar de puntos con
una separación de muestreo de 5 x 5 en DETECCIÓN DE ESCALA – ESPACIO EXTREMO
ambas direcciones. Por simplicidad, se
El espacio-escala en el enfoque en que SURF
consideran dx y dy las respuestas de Haar en
está basado es un muestreo regular de
las direcciones horizontal y vertical
parámetros de escala. El espacio-escala se
respectivamente relativas a la orientación del
analiza incrementando el tamaño del filtro en
punto de interés.
lugar de reducir iterativamente el tamaño de
la imagen.

Figura 6. Descriptores
SURF

APLICACIÓN

Después de toda la explicación dada en los

anteriores puntos, vamos a pasar a definir en
que consiste exactamente nuestro proyecto y
a explicarlo paso por paso.
Maltab explica las formas en que se pude ser
estructurado el código para poder utilizar el
algoritmo SURF nosotros trabajaremos con
las descripciones de imágenes de aves con la
finalidad de entender a mayores rasgos los
procesos que maneja este algoritmo para
trabajar.
Figura 7. Incremento de la
imagen
LOCALIZACIÓN DE PUNTOS CLAVE
Los puntos de clave son puntos en el espacio-
escala que corresponden a un máximo local
citado. Estos puntos son seleccionados
considerando un vecindario 3×3×3,
realizando así una comparación exhaustiva de
todos los puntos del espacio-escala con sus
vecinos más cercanos.

Figura 9. Orientación de
los puntos clave

DESCRIPTOR DE PUNTO CLAVE

Es en esta última etapa del proceso es donde

se concreta la creación del descriptor SURF.
Para extraer el descriptor SURF se construye
una ventana cuadrada, esta ventana se divide
en 16 zonas cuadradas regulares las cuales se
filtran con filtros Haar

Figura 8. Puntos clave

(keypoints)

ASIGNACIÓN DE ORIENTACIÓN

Es en esta etapa donde se otorga al descriptor

de cada punto la invariancia( algo que no
cambia al aplicarle un conjunto de
transformaciones) ante la rotación mediante
la orientación del mismo.

El primer paso para otorgar la mencionada

orientación consiste en el cálculo de la
respuesta de Haar en ambas direcciones x e y
Conclusión Detección automática y seguimiento de
personas utilizando fusión de secuencias de
El algoritmo de SURF nos ayuda a extraer imágenes multimodales, Metzli Ramírez
características de diversa cantidad de Martínez, Tonantzintla, Puebla, Noviembre
imágenes a una velocidad mayor a la del 2013.
algoritmo SIFT, sin importar si las imágenes se
relacionan entre sí. Este algoritmo estaba Diseño de un algoritmo adaptativo local para
contemplado para detectar características de la construcción de mosaico de imágenes, Ana
un juego de póker, días después, se comenzó Victoria Barba, Agosto 2017
a trabajar con características de distintas
aves, con esto, se logra notar que el algoritmo
no solo sirve para este proyecto, también, se
puede aplicar a distintos trabajos en los que
se necesiten extraer o detectar
características.

Se debe tomar en cuenta que el algoritmo

SURF no puede trabajar por sí solo, para que
pueda trabajar correctamente, se requiere de
la ayuda de otros algoritmos en conjunto.

Bibliografía

Revista Tecnológica ESPOL – RTE, Vol. 27, N.

1, 70-79, (Octubre 2014).

Implementación en tiempo real para el

seguimiento en secuencias de vídeo, ReCIBE,
Año 3 No.1, Enero 2014.

Ejemplos prácticos profundos de aprendizaje

con MATLAB, MathWorks.

Algoritmo SIFT: fundamento teórico, Pablo

Flores, Juan Braun, 9 de agosto de 2011.

Búsqueda de patrones para la mejora del

proceso productivo y análisis de
posicionamiento y profundidad, Martina
Rivera Díez, Sevilla, 2015.