特徴点
読み: とくちょうてん
画像中のコーナーやエッジ交差点など、周囲と明確に区別できる局所的な点。画像マッチングや物体追跡の基盤となる。
特徴点 (Feature Point / Keypoint) とは、画像中で周囲のピクセルパターンと明確に区別できる局所的な点である。コーナー、エッジの交差点、テクスチャの特異点などが該当し、画像マッチング、パノラマ合成、3D 復元、物体追跡の基盤技術として機能する。
特徴点検出の代表的なアルゴリズムを以下に示す。
- Harris コーナー検出: 画像の勾配行列の固有値から、コーナーらしさを評価する古典的手法。回転不変だがスケール変化に弱い
- SIFT (Scale-Invariant Feature Transform): スケール空間での DoG (Difference of Gaussians) 極値を検出し、128 次元の記述子を生成。スケール・回転不変
- SURF (Speeded-Up Robust Features): SIFT の高速近似版。Hessian 行列の行列式で特徴点を検出し、64 次元記述子を生成
- ORB (Oriented FAST and Rotated BRIEF): FAST コーナー検出と BRIEF 記述子を組み合わせた高速手法。特許フリーでリアルタイム処理に適する
- AKAZE: 非線形スケール空間で特徴点を検出。エッジ保存性に優れ、ぼけた画像にも頑健
特徴点の処理は検出 (Detection) と記述 (Description) の 2 段階で構成される。検出で画像中の注目点の座標を特定し、記述でその周辺パターンをベクトル化する。2 枚の画像間で記述子同士を比較 (マッチング) することで、対応点を見つけ出す。
マッチング精度を高めるには、RANSAC (Random Sample Consensus) で外れ値を除去し、幾何学的整合性を検証する。近年は SuperPoint や LoFTR など深層学習ベースの特徴点検出・マッチング手法も登場し、従来手法を上回る精度を達成している。