컴퓨터 비전 : 지역 특징 검출(Local Feature Detection)

지역 특징 검출 (Local Feature Detection)

컴퓨터 비전에서는 두 영상 사이의 대응점을 찾는 것이 중요합니다. 예를 들어, 파노라마 영상을 만들거나 물체를 인식, 추적하는 과정에서 두 영상 간의 공통된 특징을 찾아내야 합니다. 이때 사용되는 것이 바로 지역 특징(Local Feature)입니다. 이 글에서는 지역 특징이 무엇인지, 어떻게 검출하는지, 그리고 다양한 기법들의 장단점을 설명하겠습니다.

1. 지역 특징 검출의 기초

지역 특징의 역사와 필요성

초기에는 에지(Edge)를 특징점으로 사용하려 했지만, 에지는 방향과 강도만을 제공하여 매칭에 필요한 풍부한 정보를 주지 못했습니다. 이에 따라 독립적인 정보를 지닌 점, 즉 주변과 확연히 다른 지역 특징점을 사용하게 되었습니다.

지역 특징의 성질

• 반복성(Repeatability): 동일한 물체가 다른 시점에서 촬영되어도 동일한 특징이 검출되어야 합니다.
• 정확성(Accuracy): 특징점의 위치가 정확해야 합니다.
• 불변성(Invariance): 이동, 회전, 스케일 변화, 조명 변화에도 강인해야 합니다.

이런 성질을 갖춘 특징점은 매칭과 인식에서 높은 성능을 발휘합니다​.

---

2. 이동과 회전에 불변한 특징점 검출

주요 기법

• 모라벡 알고리즘 (Moravec Algorithm): 제곱차 합(Sum of Squared Differences, SSD)을 사용하여 여러 방향에서 변화량이 큰 점을 검출합니다. 간단하지만 잡음에 민감합니다. (특징점은 여러 방향으로 변화가 커야한다.)
• 해리스 코너 검출기 (Harris Corner Detector): 모라벡을 개선한 방식으로, 에지 방향을 고려하여 보다 안정적인 코너를 검출합니다.
• 2차 미분을 이용한 방법: 라플라시안 등 2차 미분 연산자를 이용해 특징점을 검출합니다.
• 슈산 (SUSAN): 특징점이 아닌 영역을 기준으로 관심 영역을 설정하고, 그 안의 유사도를 측정해 특징점을 검출합니다.

장단점

• 모라벡
  • 장점: 구현이 간단.
  • 단점: 회전 변화에 약하고 잡음에 민감.
• 해리스 코너
  • 장점: 회전에는 불변.
  • 단점: 스케일 변화에는 취약.
• 2차 미분
  • 장점: 에지와 코너를 잘 검출.
  • 단점: 잡음에 민감.
• 슈산
  • 장점: 잡음에 상대적으로 강인.
  • 단점: 계산량이 많음.

---

3. 위치 찾기 알고리즘

특징점 후보 중에서 최종적으로 어떤 점을 선택할지 결정하는 단계입니다.

• 비최대 억제 (Non-Maximum Suppression): 주변보다 큰 값만 선택해 중복을 방지합니다.
• 지역 극점(Local Extremum) 선택: 여러 방향과 스케일을 고려해 극값을 가지는 지점을 선택합니다.

장단점

• 장점: 불필요한 특징점을 제거해 계산 효율을 높임.
• 단점: 기준이 잘못되면 중요한 특징점을 놓칠 수 있음.

---

4. 스케일에 불변한 특징점 검출

스케일 공간 이론 (Scale Space Theory)

• 물체가 멀리 있거나 가까울 때 크기가 달라지므로, 다양한 크기에서 특징점을 검출할 수 있어야 합니다.
• 스케일 공간(Scale Space): 영상 해상도를 낮추거나 필터 크기를 조절하여 여러 스케일에서 특징을 검출하는 구조입니다.

주요 기법

• 해리스-라플라스(Harris-Laplace): 해리스 코너를 기반으로 스케일 축에서는 라플라시안을 사용해 극점을 찾습니다.
• SIFT(Scale-Invariant Feature Transform): 가우시안 블러링을 다르게 적용한 Difference of Gaussian(DoG)을 이용해 스케일 불변 특징점을 검출합니다. 옥타브 0, 1, 2, 3 이런식으로 영상 묶음을 구합니다.
• SURF(Speeded-Up Robust Features): SIFT를 개선한 방식으로, 계산 속도가 빠르고 회전·스케일 불변성을 유지합니다.

장단점

• 해리스-라플라스
  • 장점: 이동, 회전, 스케일 불변.
  • 단점: 계산 복잡도가 있음.
• SIFT
  • 장점: 강력한 불변성(이동, 회전, 스케일).
  • 단점: 계산 속도가 느림.
• SURF
  • 장점: SIFT보다 빠르면서도 불변성 유지.
  • 단점: SIFT만큼 세밀하지는 않음.

+) SIFT와 SURF의 차이

항목	SIFT	SURF
속도	상대적으로 느림	빠름 (박스 필터 + 적분 영상 사용)
검출 방법	DoG (Difference of Gaussian)	헤시안 행렬 (Hessian Matrix)
스케일 공간 생성	가우시안 블러	박스 필터 (적분 영상으로 가속화)
기술자(Descriptor)	128차원 벡터	64차원 벡터 (빠르고 간결)
불변성	스케일, 회전, 조명 변화에 강함	스케일, 회전, 조명 변화에 강함 (SIFT 수준)
정확도	더 정확 (섬세하게 잡아냄)	약간 떨어질 수 있음 (속도를 위해 타협)

참고 문헌

- IT Cook 컴퓨터비전 (저자:오일석)