АНАЛІЗ ВЛАСТИВОСТЕЙ, ХАРАКТЕРИСТИК ТА РЕЗУЛЬТАТІВ ЗАСТОСУВАННЯ НОВІТНІХ ДЕТЕКТОРІВ ДЛЯ ВИЗНАЧЕННЯ ОСОБЛИВИХ ТОЧОК ЗОБРАЖЕННЯ
Ключові слова:
комп’ютерний зір, структурне розпізнавання, особливі точки зображення, методиORB, BRISK, метод бінарного аналізу, мережа Кохонена, база зображень, програмне моделювання, результативність класифікації
Анотація
Вирішується задача інваріантного розпізнавання візуальних об’єктів з використанням структурнихметодів на основі описів у вигляді множини особливих точок зображення. Проведено аналіз характеристикта засобів програмного моделювання сучасних методів ORB та BRISK для визначення особливих точок.Запропоновано метод бінарного аналізу для формування центрів класів та подальшої класифікації. Проведено програмне моделювання методу у порівнянні з мережею Кохонена, отримано підтвердження результативності розробленого методу для прикладної бази зображень.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski. ORB: an efficient alternative to SIFT or SURF. – Computer Vision (ICCV), IEEE International Conference on IEEE, pp. 2564 – 2571, 2011.
2. Stefan Leutenegger, Margarita Chli, Roland Y. Siegwart. BRISK: Binary Robust Invariant Scalable Keypoints. – Computer Vision (ICCV), pp. 2548 – 2555, 2011.
3. Гороховатский В.А. Исследование результативности структурных методов классификации изображений с применением кластерной модели данных / В.А. Гороховатский, Е.П. Путятин, В.С. Столяров // Радиоэлектроника, информатика, управление. – 2017. – №3 (42). – C. 78–85.
4. Rosten, Edward, Tom Drummond. Machine learning for high-speed corner detection. – 9th European Conference on Computer Vision (ECCV), pp. 430 – 443, 2006.
5. Michael Calonder, Vincent Lepetit, Christoph Strecha, Pascal Fua. BRIEF:Binary Robust Independent Elementary Features. – 11th European Conference on Computer Vision (ECCV), pp. 778 – 792, 2010.
6. Патин М. В. Сравнительный анализ методов поиска особых точек и дескрипторов при группировке изображений по схожему содержанию [Электронный ресурс] / М. В. Патин, Д. В. Коробов // Молодой ученый. — 2016. — №11. — С. 214-221. – Режим доступа: https://moluch.ru/archive/115/31188/.
7. Gorokhovatsky V.A. Intellectual Data Processing and Self-Organization of Structural Features at Recognition of Visual Objects / V.A. Gorokhovatsky, A. V. Gorokhovatsky, A.Ye. Berestovsky // Telecommunications and Radio Engineering. – 2016, Vol. 75, No 2. – P. 155–168.
8. Lowe, David G. Object recognition from local scaleinvariant features. – Proceedings of the International Conference on Computer Vision, pp. 1150 – 1157, 1999.
9. Herbert Bay, Tinne Tuytelaars, Luc Van Gool. SURF: Speeded Up Robust Features. – Proceedings of the ninth European Conference on Computer Vision, pp. 404 – 417, 2006.
10. Борисов Е.С. Кластеризатор на основе нейронной сети Кохонена. [Электронный ресурс]. – Режим доступа: http://mechanoid.kiev.ua/neural-net-kohonenclusterization. html /
11. Кручинин А. Распознавание с использованием OpenCV . – [Электронный ресурс]. 2011. – Режими доступа: http://recog.ru/library/opencv/opencvkruchinin.pdf, свободный. – Загл. с экрана.
12. OpenCV Open Source Computer Vision. [Электронный ресурс]. – Режим доступа: https://docs.opencv.org/master/index.html, свободный. – Загл. с экрана.
2. Stefan Leutenegger, Margarita Chli, Roland Y. Siegwart. BRISK: Binary Robust Invariant Scalable Keypoints. – Computer Vision (ICCV), pp. 2548 – 2555, 2011.
3. Гороховатский В.А. Исследование результативности структурных методов классификации изображений с применением кластерной модели данных / В.А. Гороховатский, Е.П. Путятин, В.С. Столяров // Радиоэлектроника, информатика, управление. – 2017. – №3 (42). – C. 78–85.
4. Rosten, Edward, Tom Drummond. Machine learning for high-speed corner detection. – 9th European Conference on Computer Vision (ECCV), pp. 430 – 443, 2006.
5. Michael Calonder, Vincent Lepetit, Christoph Strecha, Pascal Fua. BRIEF:Binary Robust Independent Elementary Features. – 11th European Conference on Computer Vision (ECCV), pp. 778 – 792, 2010.
6. Патин М. В. Сравнительный анализ методов поиска особых точек и дескрипторов при группировке изображений по схожему содержанию [Электронный ресурс] / М. В. Патин, Д. В. Коробов // Молодой ученый. — 2016. — №11. — С. 214-221. – Режим доступа: https://moluch.ru/archive/115/31188/.
7. Gorokhovatsky V.A. Intellectual Data Processing and Self-Organization of Structural Features at Recognition of Visual Objects / V.A. Gorokhovatsky, A. V. Gorokhovatsky, A.Ye. Berestovsky // Telecommunications and Radio Engineering. – 2016, Vol. 75, No 2. – P. 155–168.
8. Lowe, David G. Object recognition from local scaleinvariant features. – Proceedings of the International Conference on Computer Vision, pp. 1150 – 1157, 1999.
9. Herbert Bay, Tinne Tuytelaars, Luc Van Gool. SURF: Speeded Up Robust Features. – Proceedings of the ninth European Conference on Computer Vision, pp. 404 – 417, 2006.
10. Борисов Е.С. Кластеризатор на основе нейронной сети Кохонена. [Электронный ресурс]. – Режим доступа: http://mechanoid.kiev.ua/neural-net-kohonenclusterization. html /
11. Кручинин А. Распознавание с использованием OpenCV . – [Электронный ресурс]. 2011. – Режими доступа: http://recog.ru/library/opencv/opencvkruchinin.pdf, свободный. – Загл. с экрана.
12. OpenCV Open Source Computer Vision. [Электронный ресурс]. – Режим доступа: https://docs.opencv.org/master/index.html, свободный. – Загл. с экрана.
Опубліковано
2018-02-08
Як цитувати
Gorokhovatsky V.O. Аналіз властивостей, характеристик та результатів застосування новітніх детекторів для визначення особливих точок зображення / V.O. Gorokhovatsky, D.V. Pupchenko, K.G. Solodchenko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 1 (47). – С. 93-98. – doi:https://doi.org/10.26906/SUNZ.2018.1.093.
Розділ
Статті
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
