Главная » Просмотр файлов » Диссертация

Диссертация (1090939), страница 10

Файл №1090939 Диссертация (Повышение точности позиционирования камеры в задаче одновременной локализации и картирования для систем прикладного объемного телевидения) 10 страницаДиссертация (1090939) страница 102018-01-18СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 10)

Близостьдескрипторов определяется с помощью некоторой метрики (норма, кросскорреляция и т.п.).Рис. 2.19. Набор соответствий между дескрипторами до примененияалгоритма RANSAC71Послесопоставлениядляотсеченияложныхсрабатыванийприменяется алгоритм RANSAC (RANdom SAmple Consensus [40, 9]).Рис. 2.20. Набор соответствий между дескрипторами после примененияалгоритма RANSACАлгоритм RANSAC представляет собой общий метод, которыйиспользуется для оценки параметров модели на основании случайныхвыборок.Присопоставлениимодельхарактеризуетсяматрицейпреобразования, или матрицей гомографии.

На рисунке 2.20 результатпроективного преобразования с помощью матрицы гомографии изображен ввиде белого четырехугольника. На входе алгоритма имеется два множествадескрипторов, полученных на предыдущем и текущем изображении. Схемаработы RANSAC состоит из многократного повторения следующих трехшагов:Выбор точек и построение параметров модели. Из входных множествдескрипторов выбираются случайным образом без повторений наборыфиксированного размера, на основании которых строится матрицапреобразования.Проверкапостроенноймодели.Длякаждогодескрипторапредыдущего кадра находится проекция на текущем кадре ивыполняется поиск наиболее близкого дескриптора из множествадескрипторов текущего кадра.

Дескриптор помечается как выброс, если72расстояние между проекцией и соответствующим дескрипторомтекущего изображения больше некоторого порога.Замещение модели. После проверки всех точек проверяется, являетсяли построенная модель лучшей среди набора предшествующихмоделей.В результате применения алгоритма RANSAC строится наилучшаяматрицагомографии.Вычисливперспективнуюпроекциюнаборадескрипторов предыдущего кадра, достаточно выполнить проход по всемсоответствиям, полученным в процессе перебора, и проверить, является лисоответствующий дескриптор текущего кадра достаточно близким кпроекции дескриптора предыдущего кадра.

Если не является, то параотбрасывается.В предыдущем разделе было отмечено, что для решения задачиодновременной локализации и картирования требуется такое количествоточек, которое позволяет всем рассмотренным детекторам функционироватьв режиме реального времени. Поэтому для сравнения ряда методовдетектирования и сопоставления особых точек необходимо оценить длярассматриваемых алгоритмов значения точности и полноты, как наиболееважных свойств в рассматриваемом контексте использования особых точек.В данном исследовании полнота определяется как отношениекорректно сопоставленных дескрипторов к общему количеству соответствийна изображениях:RПОЛН NM,NCгде NM определяет общее количество правильных сопоставлений послеприменения алгоритма RANSAC, а NC – количество всех особых точек наизображениях, которые видны на обоих кадрах после трансформации второгоизображения.

Точность, в свою очередь, представляет собой отношение73итогового количества корректно сопоставленных особых точек к числуособых точек на трансформированном изображении:RТОЧН гдеNPпредставляетсобойNM,NPколичествовсехособыхточекнатрансформированном изображении, которые должны иметь соответствия.Для сравнения значений полноты и точности рассматриваемых методовописания особых точек в условиях различных трансформаций изображенийбыли использованы тестовые наборы изображений, представляющих данныеискажения.

Рисунок 2.21 показывает результаты исследования этихзависимостей.Графическая интерпретация зависимости величины полноты отзначения точности является одним из наиболее популярных методовсравнения качеств дескрипторов особых точек. Расстояние между кривымипозволяет сделать выводы об относительной эффективности дескриптора вкаждой из областей. Оптимальная эффективность соответствует в данномслучае левому верхнему углу на графике полнота / 1-точность с единичнымизначениями полноты и точности.

Необходимо отметить, что говорить обэффективности дескриптора следует только в том случае, когда значениеточности составляет более 50%. В противном случае тех же результатовможно достичь при случайном сопоставлении особых точек.Одним из наиболее сложных для сопоставления точек случаем являетсяповорот изображения. Наихудший результат при этом демонстрируетдескриптор BRIEF, который не инвариантен повороту.

Однако, онпоказывает одни из лучших результатов для остальных рассматриваемыхтипов трансформации изображений. BRISK и SIFT при этом зачастуюдемонстрируют схожие результаты, уступающие во всех случаях алгоритмуSURF, который по совокупности результатов выигрывает в соотношенииполнота / точность.74(а)(б)(в)(г)(д)Рис. 2.21.

Графики отношения величин полноты и точности длярассматриваемых дескрипторов при различных трансформациях изображений:вращение изображения (а), изменение точки зрения (б), размытие (в), JPEGсжатие (г), изменение освещенности (д).75При проведении тестирования каждого из дескрипторов, использовалсяидентичный набор особых точек, полученных детектором SURF.

Однако,итоговые значения полноты при распознавании существенным образомзависят от их изначального количества. Абсолютная точность сопоставленияособых точек не имеет большого смысла, если их количество исчисляетсяединицами. При этом минимально необходимое в рамках конкретной задачизначение полноты может быть получено как отношение минимальногоколичествасопоставленныхточекксреднемучислувозможныхсопоставлений для конкретной пары детектор - дескриптор.По результатам проведенных исследований можно сделать вывод обольшом потенциале применения пары детектор ORB – дескриптор SURF,сочетающей в себе высокую скорость детектирования, присущую методуORB, и точность при сопоставлении дескрипторов SURF.

Большойпотенциал данного гибридного метода частично подтверждается и другимиисследованиями. Однако, в конечном итоге об эффективности выбранногоалгоритма можно говорить после проведения его тестирования уже в рамкахреализованной системы одновременной локализации и картирования.2.4.РеализацияалгоритмаодновременнойлокализацииикартированияВ первой главе данной работы было отмечено, что долгое времянаиболее распространенным походом к решеиню задачи одновременнойлокализации и построяния карты пространства являлся алгоритм на основерасширенного фильтра Калмана. Основоной проблемой данного методаявляется его вычислительная сложность, ограничивающая возможности егоприменения на картах, насчитывающих значительное число ориентиров.

Длярешения этой проблемы в 2002 году был разработан новый подход крешениюзадачиодновременнойлокализацииикартирования[50],получивший название FastSLAM. В основе данного похода лежит разделениезадачи на множество равнозначных подзадач, используя независимость76состояния отдельных элементов модели SLAM. В текущем параграфе работыприводится сравнение данных подходов по различным характеристикам сточки зрения их применимости в системе прикладного объемноготелевидения.2.4.1.

Особенности реализацииРассматриваемаяобластьпримененияалгоритмаодновременнойлокализации и картирования, а именно система прикладного объемноготелевидения, диктует особые требования к разрабатываемым методам. Такиесистемы,какправило,автономныинеобладаютзначительнымивычислительными ресурсами. Так, алгоритм одновременной локализации икартирования находит широкое применение в мобильной робототехнике, гдекомпактность робота существенно ограничивает его вычислительныевозможности.

Поэтому, наряду с этапом детектирования и обработки особыхточек на изображениях, эффективность реализации задач этапа локализациии картирования также оказывает существенное влияние на скорость работыалгоритма и его работоспособность в целом [13].Сложность алгоритма на основе расширенного фильтра Калмана (EKFSLAM) определяется размером матриц ковариации, обрабатываемых впроцессе локализации и построения карты. Размерность этих матриц внаибольшей степени определяется количеством особых точек изображений,отслеживаемых алгоритмом (рис. 2.22).Существует ряд подходов, позволяющих уменьшить вычислительнуюсложность.

Так, в работе [24, 36] предлагается метод оптимизации работыалгоритма за счет уменьшения числа особых точек на каждом шагеобновления состояния фильтра. Но в любом случае вычислительнаясложность данного метода будет прямо пропорциональна количествуобрабатываемых ориентиров, так как их положения и матрица ковариациидолжны обновляться на каждом шаге работы алгоритма, что приводит кквадратичной сложности O(N2).77Рис. 2.22. Схема работы алгоритма одновременной локализации икартирования на основе расширенного фильтра Калмана (EKF SLAM)В подходе, примененном в алгоритме FastSLAM, удалось уйти отзатратного пошагового вычисления матрицы ковариации с помощьюиспользованияфильтрачастициразделениязадачлокализацииикартирования (рис. 2.23).

Несмотря на то, что при этом в задаче наблюденияориентиров все еще используется набор расширенных фильтров Калмана,они значительно уступают в размерности фильтру, применяемому в подходеEKF SLAM, кроме того их размерность постоянна. Каждая частица содержитполныйнаборотслеживаемыхориентиров,поэтомувычислительнаясложность алгоритма FastSLAM составляет O(NK), где N определяет числоориентиров, а K – число частиц. Существует ряд решений, позволяющих ещеболее значительно уменьшить сложность алгоритма. Так, в работе [50]78предлагается оптимизация структуры данных, обрабатываемых алгоритмом,с использованием бинарных деревьев, что позволяет создавать решения наоснове FastSLAM со логарифмической сложностью O (N log K).Рис. 2.23. Схема работы алгоритма одновременной локализации икартирования на основе фильтра частиц (FastSLAM)79Таким образом, быстродействие обеих решений задачи одновременнойлокализации и картирования, как с применением расширенного фильтраКалмана, так и фильтра частиц, в значительной степени зависят отколичества отслеживаемых ориентиров.

Алгоритм на основе фильтра частицобладает лучшей масштабируемостью, так как позволяет работать с большимколичеством ориентиров, чем метод на основе расширенного фильтраКалмана. Однако точность решения FastSLAM определяется количествомчастиц, которыми оперирует фильтр.

Характеристики

Список файлов диссертации

Свежие статьи
Популярно сейчас
Как Вы думаете, сколько людей до Вас делали точно такое же задание? 99% студентов выполняют точно такие же задания, как и их предшественники год назад. Найдите нужный учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6310
Авторов
на СтудИзбе
312
Средний доход
с одного платного файла
Обучение Подробнее