Learning highly efficient local image descriptors

Abstract

El emparejamiento de características locales en imágenes es una tarea fundamental en muchas aplicaciones de visión por computador. El desempeño en tiempo real de los algoritmos más precisos no es viable en dispositivos de bajo poder de cómputo como teléfonos inteligentes, tabletas o drones debido a sus limitaciones de procesamiento y su limitada fuente de energía. En este trabajo presentamos BEBLID, un descriptor local binario de imágenes altamente eficiente capaz de operar en tiempo real en dispositivos limitados. La clave para la eficiencie de nuestro descriptor está en seleccionar de manera discriminante un conjunto de características de muy bajo coste computacional. En nuestros experimentos, llevados a cabo tanto en ordenadores personales como en dispositivos móviles, BEBLID presenta una precisión similar a SIFT con tiempos de ejecución comparables o ligeramente más bajos de ORB, el descriptor más eficiente de la literatura.---ABSTRACT---Efficient matching of local image features is a fundamental task in many computer vision applications. Real-time performance of top matching algorithms is compromised in computationally limited devices, due to their hardware simplicity and finite energy supply. In this work we present BEBLID, an efficient learned binary local image descriptor. The key for its efficiency is the discriminative selection of a set of image features with very low computational requirements. In our experiments, performed both in a personal computer and a smartphone, BEBLID has an accuracy similar to SIFT with execution times comparable to ORB, the fastest algorithm in the literature.