Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (06.2014) : СОПОСТАВЛЕНИЕ ИЗОБРАЖЕНИЙ ТРЕХМЕРНЫХ СЦЕН С ПОМОЩЬЮ КЛАСТЕРИЗАЦИИ СОПОСТАВЛЕННЫХ ЛОКАЛЬНЫХ ПРИЗНАКОВ ПОСРЕДСТВОМ ПРЕОБРАЗОВАНИЯ ХАФА

СОПОСТАВЛЕНИЕ ИЗОБРАЖЕНИЙ ТРЕХМЕРНЫХ СЦЕН С ПОМОЩЬЮ КЛАСТЕРИЗАЦИИ СОПОСТАВЛЕННЫХ ЛОКАЛЬНЫХ ПРИЗНАКОВ ПОСРЕДСТВОМ ПРЕОБРАЗОВАНИЯ ХАФА

© 2014 г.    Р. О. Малашин, аспирант

Государственный оптический институт им. С.И. Вавилова, Национальный исследовательский университет информационных технологий, механики и оптики, Санкт­Петербург

Е­mail: malashinroman@mail.ru

Приведено описание алгоритмов сопоставления изображений произвольных трехмерных сцен с помощью кластеризации сопоставленных ключевых точек посредством преобразования Хафа. Метод основан на известном методе обнаружения объектов, но предлагается альтернативный способ верификации кластеров сопоставленных ключевых точек. Приведены результаты экспериментов для разных типов ключевых точек, подтверждающие значительное преимущество предлагаемого метода по сравнению с использованием фундаментальной матрицы.

Ключевые слова: сопоставление трехмерных сцен, локальные признаки, преобразование Хафа.

Коды OCIS: 100.3008, 100.5760.

УДК 004.93'12, 004.93'14

Поступила в редакцию 05.03.2014.

 

ЛИТЕРАТУРА

1.         Loui A., Das M. Matching of complex scenes based on constrained clustering // AAAI Fall Symp.: Multimedia Information Extraction. 2008. V. FS­08­05. P. 28–30.

2.         Lutsiv V., Potapov A., Novikova T., Lapina N. Hierarchical 3D structural matching in the aerospace photographs and indoor scenes // Proc. SPIE. 2005. V. 5807. P. 455–466.

3.         Peterson M.V. Clustering of a set of identified points on images of dynamic scenes, based on the principle of minimum description length // J. Opt. Techn. 2010. V. 77. P. 701–706. 

4.        Potapov A.S., Malyshev I.A., Puysha A.E., Averkin A.N. New paradigm of learnable computer vision algorithms based on the representational MDL principle // Proc. SPIE. 2010. V. 7696. P. 769606. 

5.         Ballard D.H. Generalizing the Hough transform to detect arbitrary shapes // Pattern Recognition. 1981. V. 13. № 2. P. 111–122.

6.        Lowe D.G. Object recognition from local scale­invariant features // The Proc. 7th IEEE Intern. Conf. Computer Vision. V. 2. September 20–27 1999. Kerkyra, Greece. P. 1150–1157.

7.         Bay H., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features // Proc. 9th European Conf. on Computer Vision. May 7–13 2006. Graz, Austria. P. 404–417.

8.        Lowe D. Local feature view clustering for 3D object recognition // IEEE Conf. Computer Vision and Pattern Recognition. December 2001. Kauai, Hawaii, USA. P. 682–688.

9.        Raguram R., Frahm J.M., Pollefeys M. A comparative analysis of RANSAC techniques leading to adaptive real­time random sample consensus // Proc. European Conf. Computer Vision. October 12–18 2008. Marseille, France. P. 500–513.

10.       ERSP 3.1. Robotic Development Platform [Электронный ресурс]. Режим доступа: http://www.mobile­vision­technologies.eu/archiv/download/MVT_ersp.pdf (дата обращения 10.03.2014).

11.       Leutenegger S., Chli M., Siegwart R. BRISK: Binary Robust Invariant Scalable Keypoints // Proccedings of International Conference on Computer Vision. November 8–11, 2011. Barcelona, Spain. P. 2548–2555.

 

 

Полный текст