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/87)
Аннотации (11.2010) : ОБУЧЕНИЕ СИСТЕМ СОПОСТАВЛЕНИЯ ИЗОБРАЖЕНИЙ ПУТЕМ ОПТИМИЗАЦИИ ИХ ПРИЗНАКОВЫХ ПРЕДСТАВЛЕНИЙ

ОБУЧЕНИЕ СИСТЕМ СОПОСТАВЛЕНИЯ ИЗОБРАЖЕНИЙ ПУТЕМ ОПТИМИЗАЦИИ ИХ ПРИЗНАКОВЫХ ПРЕДСТАВЛЕНИЙ

 

 

© 2010 г. А. Н. Аверкин

 

 

Санкт-Петербургский государственный университет информационных технологий, механики и оптики, Санкт-Петербург

E-mail: ant-averkin@rambler.ru

 

Разработан новый метод представления ключевых точек изображений векторами в пространстве признаков. В основу метода положен алгоритм адаптивного построения новых признаков на базе описаний, предварительно полученных в результате применения метода “Speeded up robust features” для серии изображений, снятых в замкнутом пространстве с разных ракурсов. Экспериментальные исследования разработанной модели на различных сериях изображений свидетельствуют о возможности использования данного метода для решения задачи сопоставления изображений на практике при условии выполнения предварительного этапа обучения данной модели.

 

Ключевые слова: обучение признаков, сопоставление изображений, анализ главных компонент.

 

Коды OCIS: 100.5760

УДК 004.932.2

 

Поступила в редакцию 20.04.2010

 

ЛИТЕРАТУРА

1. Piater J.H., Grupen R.A. Distinctive features should be learned // Proc. IEEE Intern. Workshop on Biologically Motivated Computer Vision. Seoul, Korea, may 2009. Springer-Verlag, LNCS. 2000. V. 1811. P. 52–61.

2. Sim R., Dudek G. Learning generative models of invariant features // Proc. IEEE/RSJ Conf. on Intelligent Robots and Systems, IROS. Sendai, Japan, 2004. V 4. P. 3481–3488.

3. Lowe D.G. Distinctive image features from scale-invariant keypoints // Intern. J. of Computer Vision. 2004. V. 60. № 2. P. 91–110.

4. Swets D.L., Weng J.J. Image-based recognition using learning for generalizing parameters // Proc. 2nd Asian Conf. on Computer Vision. Singapore. 1995. P. 45–52.

5. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded up robust features // Proc. 9th European Conf. on Computer Vision. Graz, Austria. 2006. V. 3951. P. 404–417.

6. Ke Y., Sukthankar R. PCA-SIFT: A more distinctive representation for local image descriptors // Proc. Conf. Computer Vision and Pattern Recognition. Washington. DC. USA, 2004. IEEE Computer Society. V. 1. P. 511–517.

7. Luo J., Oubong G. A comparison of SIFT, PCA-SIFT and SURF // Intern. Journal of Image Processing (IJIP). 2009. V. 3. № 4. P. 143–152.

 

 

Полный текст