컴퓨터 비전 : 매칭 (Matching)

1. 매칭의 목적

매칭(Matching)은 두 영상 간의 특징점 대응쌍을 찾는 과정이다. 이를 통해 다양한 작업이 가능하다:

• 파노라마 제작
• 객체 추적
• 스테레오 비전 (깊이 추정)
• 영상 정합

---

2. 매칭 성능과 거리 기준

특징점 기술자 간 거리가 가까울수록 유사하다고 간주한다. 거리 측정 기준에 따라 다음과 같은 전략이 있다:

• T (임계값):
  • T가 작을수록: 더 엄격한 매칭 → 거짓 긍정(False Positive) ↓, 거짓 부정(False Negative) ↑
  • T가 클수록: 더 많은 매칭 허용 → 거짓 긍정 ↑
• 유사도 측정 지표:
  • 유클리디안 거리
  • 코사인 거리
  • 마할라노비스 거리 (분포를 고려)

---

3. 최근접 이웃 기반 매칭 기법

3.1 최근접 이웃 (NN: Nearest Neighbor)

• 가장 가까운 기술자 하나를 매칭
• 단점: 유사한 비특징점과도 매칭될 수 있음

3.2 최근접 거리 비율 (NNDR)

• 1번째 최근접 거리와 2번째 최근접 거리의 비율 사용
• 비율이 작을수록 신뢰도 높은 매칭
• 성능 우수하지만 비교량이 많아 실시간 처리에 부적합

---

4. 매칭 속도 개선 기법

4.1 해싱 (Hashing)

• 기술자들을 해시 테이블에 저장하여 검색 속도 향상
• 해밍 거리 기반 해시: 바이너리 기술자에 적합

4.2 KD-트리 (k-dimensional tree)

• 고차원 공간을 분할하여 검색
• 평균 (O(\log n)) 시간에 최근접 탐색 가능
• 고차원에서는 성능 저하 가능성 있음

4.3 근사 최근접 탐색 (ANN)

• 정확도 일부를 희생하고 속도를 획득
• 제한된 횟수만 탐색하거나 확률 기반

---

5. 정합성 검증: RANSAC

매칭에는 오탐(outlier)이 많기 때문에 정합성 검증이 필요하다.

• RANSAC(Random Sample Consensus):
  • 일부 점들로 변환 모델 추정
  • 전체 데이터에 대해 얼마나 잘 맞는지 평가
  • 가장 많은 inlier를 갖는 모델 선택

---

6. 정합 모델

정합성 평가를 위한 모델로는 다음이 있다:

• 유사변환(Affine)
• 투영변환(Homography)
• 최소제곱법(Least Squares): 여러 점을 이용해 변환 파라미터 추정

---

7. 적용 예시

응용 분야	설명
스테레오 비전	깊이 추정
파노라마 제작	이미지 이어붙이기
객체 추적	연속 프레임 간 대응점 추적
센서 융합	다양한 영상 소스 정렬

---

8. 요약

• 매칭은 특징점 대응쌍을 찾는 과정
• 거리 기준과 NNDR로 정확도 향상
• KD-트리, 해싱, 근사 NN으로 속도 향상
• RANSAC 및 최소제곱법으로 외란 제거

---

참고: 컴퓨터 비전 7장(저자: 오일석)