Главная » Просмотр файлов » Диссертация

Диссертация (1090939), страница 9

Файл №1090939 Диссертация (Повышение точности позиционирования камеры в задаче одновременной локализации и картирования для систем прикладного объемного телевидения) 9 страницаДиссертация (1090939) страница 92018-01-18СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

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).

Характеристики

Список файлов диссертации

Свежие статьи
Популярно сейчас
А знаете ли Вы, что из года в год задания практически не меняются? Математика, преподаваемая в учебных заведениях, никак не менялась минимум 30 лет. 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
6381
Авторов
на СтудИзбе
308
Средний доход
с одного платного файла
Обучение Подробнее