Диссертация (1090939), страница 9
Текст из файла (страница 9)
Так, таблица 2.3,приведенная в работе [96] содержит результаты сравнения ряда свойствнекоторыхдетекторов.Детекторыразделеныначетырегруппывзависимости от инвариантности к изменению масштаба, аффинномупреобразованию освещения, и преобразованию типа поворот. В каждойгруппе проведено сравнение свойств методов.На практике наибольший интерес представляют детекторы второйгруппы. Детектор Гессиана-Лапласа показывает наилучшие результаты сточки зрения повторяемости, точности и надежности.
Тем не менее, онобладает достаточно низкой производительностью. Разработчики детекторовDoG и SURF находят компромисс между качеством и временем поискаособых точек на изображениях, обеспечивая тем самым применимостьданных методов при решении практических задач.В результате анализа результатов опубликованных работ в даннойобласти, а также открытых реализаций базовых алгоритмов детектированиялокальных особенностей изображений, для дальнейшего исследования быливыбраны следующие типы детекторов: Fast, GFTT, MSER, ORB, SIFT, SURF,62Star.
Для тестирования приведенных методов использовался популярныйтестовый набор изображений университета Оксфорда [65], содержащийразличные искажения, возникающие при движении камеры в окружающемпространстве (рисунок 2.11). При помощи этого же набора изображенийпроизводится тестирование дескрипторов в разделе 2.3.2.Таблица 2.3 Сравнение свойств некоторых детекторов [96]ДетекторHarrisHessianSUSANHarris-LaplaceHessian-LaplaceDoGSURFHarris-AffineHessian-AffineSalient RegionsEdge-basedMSERIntensity-basedSuperpixelsУглы Пятна РегионыИнвариантностьПоворотМасштабАфинные пр-ия√√√√√√√√√√√√√√√√√√√√√√√√(√)√√(√)√√√(√)√√√√(√)(√)(√)√(√)(√)√(√)√√√(√)√√√√√Таблица 2.4 Сравнение качеств некоторых детекторов [96]ДетекторПовторяемостьЛокализацияНадежностьЭффективностьHarrisHessianSUSANHarris-LaplaceHessianLaplaceDoGSURFHarris-AffineHessian-AffineSalient RegionsEdge-basedMSERIntensity-basedSuperpixels++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++63Рис.
2.11. Набор изображений для тестирования детекторов особых точек: (а),(в) - вращение и изменение масштаба, (б), (г) - изменение точки зрения, (д),(е) - размытие, (ж) - JPEG сжатие, (з) - изменение освещения.В предыдущей главе работы приведен перечень требований к особымточкам в виде ряда свойств. Все эти свойства метода в той или иной степениопределяют конечный результат его применения. Однако, в различных64задачах критичность отдельных требований может различаться. В алгоритмеодновременной локализации и построения карты пространства наиболееважными требованиями к особым точкам являются такие свойства, какповторяемость и точность. Требования к повторяемости особых точек в своюочередь зависят от количества полученных значений.
При движении камерынедостаточноеколичествосдетектированныхособыхточекведеткискажению вычисляемых траектории движения и карты пространства. Этоможет происходить в случае, когда в поле зрения камеры не попадаетдостаточного количества немонотонных объектов, содержащих контрастныеэлементы, углы и грани.Рис. 2.12. Среднее количество особых точек на тестовых изображениях дляразличных типов детекторовНеобходимо также учесть, что алгоритмы, в которых применяютсядетекторы особых точек, зачастую предназначены для использования вусловиях весьма ограниченных вычислительных ресурсов. Так, алгоритмодновременной локализации и картирования находит широкое применение вмобильной робототехнике, где автономность и компактность роботасущественно ограничивают его вычислительные возможности.
Поэтому65эффективность детектора также является критическим параметром в рамкахданной задачи.На данном этапе важными параметрами для сравнения являются такиевеличины как эффективность детектора и количество найденных особыхточек. На рисунках 2.12 и 2.13 приведены данные о среднем количестведетектируемых особых точек на тестовых изображениях и времени работыдетекторов. При тестировании использовались реализации алгоритмовбиблиотеки OpenCV, со стандартными значениями параметров. Работадетекторов оценивалась с использованием всех неискаженных изображенийиз тестового набора.Рис. 2.13.
Среднее время детектирования для различных типов детекторовЕсли учесть тот факт, что для многих детекторов количество особыхточек на изображении существенно зависит от особенности реализацииалгоритма и его параметров настройки, то более информативной будетзависимость времени детектирования одной особой точки от типа детектора.Эти данные приведены на рисунке 2.14.66Рис. 2.14. Среднее время детектирования одной особой точки для различныхтипов детекторовВ зависимости от сценария использования детектора можно говорить окритичности полученных значений. В рамках задачи одновременнойлокализации икартирования большое количество точек не играетрешающего значения для задачи нахождения матрицы поворота и векторапереноса при движении камеры.
Поэтому параметры настройки детекторовможно выбирать исходя из предположения, что на двух соседних кадрах,полученных при движении камеры, имеется порядка 50-100 устойчиводетектируемых особых точек [39].Однако,быстродействиедетекторавданнойзадачеявляетсярешающим фактором. Так, например, при детектировании и отслеживанииособых точек с помощью дескриптора SURF, детектирование занимаетпорядка 80% общего времени поиска и сопоставления особых точек наизображении (таблица 2.5). Несмотря на это, все представленные детекторыпозволяют алгоритмам локализации и построения карты пространствафункционировать в режиме реального времени на аппаратных платформах,67отвечающихтекущемууровнюразвитияустройствмобильнойробототехники.Таблица 2.5 Распределение времени при отслеживании особых точекДоля от общего времени работы, %Детектор/ВычислениеИндексированиедескриптор ДетектированиеСопоставлениеORB/ORBSURF/SURFMSER/SIFTGFTT/SIFTStar/BriefSIFT/SIFTFast/Brief72.481.010.033.747.017.40.2дескрипторовдескрипторов0.00.087.138.015.00.00.813.84.80.42.422.00.30.213.814.22.525.916.082.398.9На рисунках 2.15 - 2.18 для озвученных выше детекторов приведеныграфики зависимости количества найденных соответствий от величиныискажающего воздействия для изображений тестовой базы (Рисунок 2.11).(в)(a)Рис.
2.15. Зависимость количества найденных соответствий от относительногоугла поворота изображения для наборов изображений (а) и (в) тестовой базыВажным показателем на представленных графиках является не общееколичество найденных соответствий, а то, как трансформация изображенийвлияет на их итоговое количество. При вращении изображения все68рассматриваемые детекторы ведут себя схожим образом. Однако, их общееповедение в значительной мере зависит от характера сцены, что показываетразница в зависимостях на рисунке 0.25. Изменение масштаба и вращениеизображений наиболее сильно сказываются на детекторах Fast, Harris иGFTT.(г)(б)Рис. 2.16.
Зависимость количества найденных соответствий от изменениямасштаба изображения для наборов изображений (б) и (г) тестовой базыДажепридетектируемыенезначительномособенностиизмененииизображенийточкистановитсязрениякамерыневозможнымсопоставить. Наибольшую устойчивость при изменении масштаба ивращении изображений демонстрирует детектор ORB. Кроме того, оннаиболее остальных детекторов устойчив размытию изображений примоделировании с использованием фильтра Гаусса. Однако, хорошиерезультаты в этом случае также демонстрируют детекторы SURF, Harris иMSER.При изменении освещенности сцены, что достигалось уменьшениемотносительного отверстия объектива при постоянстве остальных параметров,наилучшие результаты демонстрируют детекторы SURF и ORB. При сжатииизображения с потерями алгоритмом JPEG, особые точки, полученные спомощью детектора ORB, устойчиво распознаются вплоть до сжатия со69степенью 97%, что является наилучшим результатом.
За исключениемметодов Fast и SIFT, количество найденных соответствий остаетсяпрактически постоянным вплоть до сжатия со степенью 80-90%. Этотпараметр является очень важным, так как сжатие видеосигнала с потерямипозволяет более эффективно использовать радиоканал и обрабатыватьизображения в условиях ограниченных вычислительных ресурсов.(е)(д)Рис. 2.17. Зависимость количества найденных соответствий от степениразмытия изображения для наборов изображений (б) и (г) тестовой базы(з)(ж)Рис.
2.18. Зависимость количества найденных соответствий от измененияосвещенности и уровня компрессии JPEG70В итоге, по сумме данных можно заключить что задаче детектированияключевыхособенностейизображенийвалгоритмеодновременнойлокализации и картирования наилучшим образом отвечают детекторы SURFи ORB.
Исследования показывают, что ORB находит меньше особых точек,чем SURF, однако обнаруженные точки имеют устойчивость того жепорядка, что и точки, обнаруженные SURF. В совокупности с меньшейвычислительнойсложностью,этоделаетдетекторORBболеепредпочтительным в рамках рассматриваемой задачи.2.3.2. Дескрипторы и сопоставление особых точекКак уже было указано выше, на третьем шаге цикла работы алгоритмасопровождения особых точек происходит сопоставление дескрипторов,полученных на текущем и предыдущем изображениях, полученныхтелекамерой. В результате построения дескрипторов формируется множествовекторов признаков для исходного набора особых точек.При этом прямой перебор дескрипторов предыдущего изображения ипоиск наиболее близких дескрипторов текущего не является эффективнымиз-за большого количества ложных соответствий (рисунок 2.19).
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
