УДК: 004.93'12, 004.93'14

Сопоставление изображений трехмерных сцен с помощью кластеризации сопоставленных локальных признаков посредством преобразования Хафа

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Малашин Р.О. Сопоставление изображений трехмерных сцен с помощью кластеризации сопоставленных локальных признаков посредством преобразования Хафа // Оптический журнал. 2014. Т. 81. № 6. С. 34–42.

Malashin R.O. Correlating images of three-dimensional scenes by clusterizing the correlated local attributes, using the Hough transform [in Russian] // Opticheskii Zhurnal. 2014. V. 81. № 6. P. 34–42.

Ссылка на англоязычную версию:

R. O. Malashin, "Correlating images of three-dimensional scenes by clusterizing the correlated local attributes, using the Hough transform," Journal of Optical Technology. 81(6), 327-333 (2014). https://doi.org/10.1364/JOT.81.000327

Аннотация:

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

Благодарность:

Работа выполнена при поддержке Министерства Образования и Науки Российской Федерации и при государственной финансовой поддержке ведущих университетов Российской Федерации (субсидия 074-U01).

Коды OCIS: 100.3008, 100.5760

Список источников:

1. Loui A., Das M. Matching of complex scenes based on constrained clustering // AAAI Fall Symp.: Multimedia Information Extraction. 2008. V. FS-08-05. 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 scale-invariant 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 real-time 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.mobile-visiontechnologies.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.