背景介紹
文章標題:Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations,ICCV 2015,暫無主頁,PDF,Code&Dataset1。
本文貢獻
所有的變化檢測都是針對大尺度、且識別的主體具有顯著性的圖片進行檢測,本文提出的方法可以在毫米級別對差異進行檢測。本文起點是相機已經對同一場景拍攝了兩組照片2,每組照片相機參數不變,環境光變化。這樣子變化檢測就可以認爲只由一下三個方面影響:
- 環境光
- 相機+鏡頭的幾何畸變
- 被拍攝物體的真實變化
本文就針對以上三點提出了一種從粗到精細、最終使用最小化rank進行變化檢測的方法。
實現方法
在講述方法前,先回顧一下本文目標、前提條件、以及難點。目標是做精細的變化檢測,前提條件是相同位置拍攝的兩組圖片,且兩幅圖片位置相差幾乎很小,每組照片有
難點就是上面說的三個影響因素,我們記一下符號表示:
意義 | 符號 |
---|---|
上一次的照片組 | |
這一次的照片組 | |
環境光不同 | |
相機+鏡頭的幾何畸變 | |
真實場景的變化 |
本文使用到的方法是coarse-to-fine的方法迭代的對上面的三個影響因素求解。爲保證結果的準確性,先簡單介紹了一下相機重定位的原理。整體流程見圖2。
1. 數據採集
就是相機重定位的過程,假設上一次拍了一組照片
2. F 的初始化
因爲
其中
3. Normal-aware lighting correction
上小節假設加的是全局環境光,本小節假設加了局域光,用到Lambertian reflectance model,對每個像素
第二個等號後面,第一項
第一個求和符號保證的是擬合程度高,其中
第二個求和符號項鼓勵局域光平滑性好。
於是我們得到局域光調整過後的圖片
4. 相機幾何校正
引用自Sift flow: Dense correspondence across scenes and its applications,改了一下能量方程:
具體實現可以看一下被引用的文章4。本文裏說使用1小節中的方法就可以初始化
此步驟後圖片的標記變爲
5. Low-rank變化檢測
重點來啦,各位請打起精神,這一節我們就會得到一個變化概率圖像。
首先,兩組圖像根據環境光兩兩匹配,對第i對圖像我們就有兩列矩陣
然後建立了目標方程:
稍微解釋一下,
最後把
6. Coarse-to-fine優化以及最終結果
圖2很直觀,差不多3到5個循環3-5小節的步驟就能結果收斂,這時候簡單的對
實驗結果
頤和園數據集
Method | F1 | Re | Pr | Sp | FRR | FNR | PWC |
---|---|---|---|---|---|---|---|
SC_SOBS A | 0.03 | 0.90 | 0.01 | 0.09 | 0.91 | 0.10 | 89.80 |
SC_SOBS M | 0.02 | 0.97 | 0.01 | 0.03 | 0.97 | 0.03 | 96.21 |
SC_SOBS LFA | 0.11 | 0.34 | 0.06 | 0.95 | 0.05 | 0.66 | 5.62 |
SC_SOBS LFM | 0.16 | 0.20 | 0.14 | 0.99 | 0.01 | 0.80 | 1.92 |
SubSENSE A | 0.02 | 0.55 | 0.02 | 0.60 | 0.40 | 0.45 | 39.41 |
SubSENSE M | 0.02 | 0.93 | 0.01 | 0.20 | 0.80 | 0.07 | 78.85 |
SubSENSE LFA | 0.08 | 0.04 | 0.05 | 0.99 | 0.01 | 0.96 | 1.81 |
SubSENSE LFM | 0.07 | 0.22 | 0.04 | 0.95 | 0.05 | 0.78 | 5.85 |
Ours (D&T) | 0.34 | 0.28 | 0.52 | 1.00 | 0.00 | 0.72 | 0.92 |
Ours (SVM) | 0.51 | 0.53 | 0.47 | 0.99 | 0.01 | 0.47 | 1.02 |
實驗室內壁畫試塊數據集
Method | F1 | Re | Pr | Sp | FRR | FNR | PWC |
---|---|---|---|---|---|---|---|
SC_SOBS A | 0.03 | 0.31 | 0.02 | 0.69 | 0.31 | 0.69 | 31.52 |
SC_SOBS M | 0.03 | 0.36 | 0.02 | 0.65 | 0.35 | 0.64 | 35.07 |
SC_SOBS LFA | 0.02 | 0.02 | 0.03 | 0.99 | 0.01 | 0.98 | 1.99 |
SC_SOBS LFM | 0.09 | 0.08 | 0.14 | 0.99 | 0.01 | 0.92 | 2.01 |
SubSENSE A | 0.24 | 0.50 | 0.31 | 0.72 | 0.28 | 0.50 | 28.32 |
SubSENSE M | 0.23 | 0.67 | 0.19 | 0.66 | 0.34 | 0.33 | 34.01 |
SubSENSE LFA | 0.06 | 0.03 | 0.26 | 1.00 | 0.00 | 0.97 | 1.43 |
SubSENSE LFM | 0.28 | 0.21 | 0.50 | 0.99 | 0.01 | 0.79 | 1.62 |
Ours (D&T) | 0.45 | 0.40 | 0.56 | 1.00 | 0.00 | 0.60 | 1.23 |
Ours (SVM) | 0.53 | 0.62 | 0.48 | 0.99 | 0.01 | 0.38 | 1.41 |
雕像數據集
Method | F1 | Re | Pr | Sp | FRR | FNR | PWC |
---|---|---|---|---|---|---|---|
SC_SOBS A | 0.01 | 0.59 | 0.00 | 0.78 | 0.22 | 0.41 | 22.29 |
SC_SOBS M | 0.01 | 0.66 | 0.00 | 0.73 | 0.27 | 0.34 | 27.41 |
SC_SOBS LFA | 0.19 | 0.34 | 0.14 | 1.00 | 0.00 | 0.66 | 0.31 |
SC_SOBS LFM | 0.27 | 0.44 | 0.19 | 1.00 | 0.00 | 0.56 | 0.24 |
SubSENSE A | 0.02 | 0.83 | 0.01 | 0.88 | 0.12 | 0.17 | 12.13 |
SubSENSE M | 0.01 | 0.98 | 0.00 | 0.66 | 0.34 | 0.02 | 34.28 |
SubSENSE LFA | 0.27 | 0.28 | 0.34 | 0.99 | 0.01 | 0.72 | 1.57 |
SubSENSE LFM | 0.12 | 0.77 | 0.07 | 0.95 | 0.05 | 0.23 | 5.37 |
Ours (D&T) | 0.53 | 0.78 | 0.43 | 1.00 | 0.00 | 0.22 | 0.28 |
Ours (SVM) | 0.51 | 0.86 | 0.39 | 1.00 | 0.00 | 0.14 | 0.29 |
金字塔模型不同層數的 F-1 measure
Dataset | 1 Level | 2 Levels | 3 Levels |
---|---|---|---|
0.3595 | 0.4476 | 0.5134 | |
0.3907 | 0.4897 | 0.5254 | |
0.4236 | 0.6737 | 0.5118 |
- 這篇文章主要作者均爲本人研究生所在項目組人員,一作是小編的導師,二三四作是師弟,五作是師孃,六作爲項目負責人。本項目源自敦煌研究院聯合天津大學共同完成的一個文物保護項目,本項目的目標是對敦煌壁畫進行病害監測,部分內容涉密。 ↩
- 共分爲兩步,粗定位和精細定位,粗定位的兩種方法已經申請發明專利,精細定位方法涉及多極幾何,軟硬件均爲本文作者與孫高工、嶽師弟共同完成。 ↩
- 另外一種對細微變化檢測的方式是使用相機從多角度拍攝後3D建模,但是多光照和多相機姿態太太太具有挑戰性了,並且3D建模的變化檢測結果誤差太大(不能保證pixel-level的檢測,你懂的)。 ↩
- Liu, Ce, Jenny Yuen, and Antonio Torralba. “Sift flow: Dense correspondence across scenes and its applications.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 33.5 (2011): 978-994. ↩
- Lin, Zhouchen, et al. “Fast convex optimization algorithms for exact recovery of a corrupted low-rank matrix.” Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP) 61 (2009).
[^cite3]: Liu, Guangcan, et al. “Robust recovery of subspace structures by low-rank representation.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 35.1 (2013): 171-184. ↩