動態 SURF 特徵匹配實驗

　　特徵 匹配是在 PC 中使用最近鄰居演算法 (Nearest Neighborhood Algorithm) 來匹配由影像處理卡動態擷取及預先擷取並儲存之 SURF 特徵描述子，特徵擷取

勾選Show Features ， 表示要計算SURF 特徵

　 圖 5-12 至 圖 5-14 是 在 不 同 門 檻 值 之 下 小 乳 牛 、 混 合 物 件 與 書 本 的 特 徵 匹 配。樣本模型均放在圖的右側，其中小乳牛與混合物件的樣本模型使用 之門檻值 為300，書本的門檻值則是 500；動態擷取之特徵畫面置於 圖的左側，使用的門 檻值依序是50、200、350 與 500，各圖中同樣有存檔時各畫面的特徵數量與匹配 的數量等。由圖5-12 至圖 5-14 來看，當動態擷取特徵時門檻值設的越大，則如 前節的結果一樣得到的特徵數量也比較少，同時匹配的數量也會越少，但是錯誤 的匹配也同時減少。因為在實驗時物件的狀態都保持相同，所以兩個畫面中相同 特徵的連線應該是接近水平的藍色線， 若圖中有傾斜的線可以明顯地判斷為匹配 錯誤。目前看來錯誤匹配的數量還有改善的空間，例如：改用更強健的匹配演算 法等。

(a)

(b)

(c)

(d)

圖5-12 小乳牛的特徵匹配。右側均為門檻值=300 的樣本模型，左側為動態擷取 之特徵 (a)門檻值=50 (b)門檻值=200 (a)門檻值=350 (a)門檻值=500

(a)

(b)

(c)

(d)

圖5-13 混合物件的特徵匹配。右側均為門檻值=300 的樣本模型，左側為動態擷 取之特徵 (a)門檻值=50 (b)門檻值=200 (a)門檻值=350 (a)門檻值=500

(a)

(b)

(c)

(d)

圖5-14 書本的特徵匹配。右側均為門檻值=500 的樣本模型，左側為動態擷取之 特徵 (a)門檻值=50 (b)門檻值=200 (a)門檻值=350 (a)門檻值=500

　　表5-2 是上述圖形在不同門檻值之下進行動態匹配時的結果統計。表中上側 藍綠色背景內是 匹配時的樣本模型資料，特徵數量與更新時間同前節的說明，匹 配的數量則是上列圖形中 左側的動態畫面與 右側的樣本模型在不同門檻值之下進 行匹配所得的結果。圖 5-15 是將表 5-2 的資料以折線圖表示不同門檻值之下特徵 與匹配數量的趨勢。由圖可看出特徵數量隨著門檻值降低而增加，但是匹配的數 量並不會隨著特徵數量的增加而變化太多，這是因為樣本模型的門檻值與特徵數 量已經是固定值，故匹配的數量不會大於此值。另外， 匹配的數量與樣本模型的 門檻值有關，當同一個樣本模型的門檻值越高，樣本模型的特徵數量越少，但是 匹 配率會比較高，例如表 5-2 中書本的樣本模型門檻值為 500，當動態擷取的特 徵門檻值也是500 的時候，匹配率大約 70.2%；但是另外兩種樣本模型設為比較 低的300，即使動態擷取的特徵門檻值也是 500 時，匹配率卻只有 17%~19 %。

另外，對同一個物件而言，雖然將動態擷取的特徵門檻值設低可得到比較多的特 徵，但是由於特徵的獨特性較差，可能會產生比較多的錯誤匹配。