Про використання кластерної вибірки в алгоритмах візуальної одометрії

Сергій Анатолійович Іванов, Анатолій Омелянович Музичук

Анотація


Розглянуто пiдхiд вiзуально» одометрi» для обчислення траёкторi» лiтаючо» платформи на пiдставi даних з »» бортово» вiдеокамери. Вiн полягаё в покроковому застосуваннi методу SURF, запропонований у працi Herbert Bay, Andreas Ess, Tinne Tuytelaars i Luc Van Gool, для побудови афiнного перетворення, з допомогою якого можна
вiдобразити множину точок з одного кадра на iнший. Визначення на кадрi точок
iнтересу, якi беруть до уваги пiд час побудови матрицi перетворення, виконуёться
шляхом пошуку точок максимуму гесiана для функцi», що описуё яскравiсть пiкселiв
зображення. Оскiльки такий детектор iнварiантний до афiнних перетворень системи
координат, то визначенi ним точки iнтересу зумовлюють ефективну побудову вiдповiдностi мiж кадрами, якi вибирають з вiдео з деяким кроком. Х пiдсумку це даё
змогу оцiнити змiну координат рухомо» платформи у глобальнiй системi координат.
Наведено результати апробацi» розробленого програмного забезпечення, якi демонструють застосовнiсть методу SURF для обчислення траёкторiй рухомих платформ. Зокрема з'ясовано, що так можна будувати траёкторi», якi близькi до траёкторiй на основi GPS-даних.
Заразом проаналiзовано вплив характеру дослiджувано» мiсцевостi та »» освiтлення
на кiлькiсть точок iнтересу, якi виявляё детектор. Означено, що у бiльшостi розглянутих випадкiв »хня кiлькiсть виявилася надмiрною на етапi побудови вiдповiдностi
мiж сумiжними вiдеокадрами. Ця обставина виявлялася у пiдборi методом RANSAC
значно» кiлькостi точок, якi не потрiбнi для обчислення матрицi перетворення. Х
пiдсумку це приводило до надлишкового часу обчислення траёкторi».
З метою оптимiзацi» кiлькостi потрiбних точок iнтересу автори запропонували
модифiкацiю RANSAC, яку назвали кластерний RANSAC. Його суть полягаё у визначеннi на кожному k-му кроцi SURF деякого кластера на попередньому кадрi ck1,
на якому алгоритм RANSAC робить спробу побудувати потрiбне афiнне перетворення
для вiдображення на кадр ck. Приклади використання програмної реалiзації


Повний текст:

PDF

Посилання


Bay H. SURF: Speeded Up Robust Features / H. Bay, A. Ess, T. Tuytelaars, L. Van Gool // Computer Vision and Image Understanding (CVIU). 2008. Vol. 110,  3. P. 346359. 2. Fischler M. Random sample consensus: a paradigm for model tting with applications to image analysis and automated cartography / M. Fischler, R. Bolles // Communications of the ACM. 1981. Vol. 24 (6). P. 381395. doi: 10.1145/358669.358692. 3. Fraundorfer F. Visual Odometry: Part II Matching, Robustness, and Applications / F. Fraundorfer, D. Scaramuzza // IEEE Robotics & Automation Magazine. 2012. Vol. 19,  2. P. 7890. doi: 10.1109/MRA.2012.2182810. 4. Jiang X. A review of multimodal image matching: Methods and applications / Xingyu Jiang, Jiayi Ma, Guobao Xiao, Zhenfeng Shao, Xiaojie Guo // Information Fusion. 2021. Vol. 73. P. 2271. doi: 10.1016/j.inus.2021.02.012. 5. Kudriashov A. SLAM Techniques Application for Mobile Robot in Rough Terrain / A. Kudriashov, T. Buratowski, M. Giergiel, P. Malka // Mechanisms and Machine Science. Springer, Cham. 2020. Vol. 87. doi: 10.1007/978-3-030-48981-6. 6. Lindeberg T. Scale Selection Properties of Generalized Scale-Space Interest Point Detectors / T. Lindeberg // J. Math.Imaging Vis. 2013. Vol. 46. P. 177210. doi: 10.1007/s10851- 012-0378-3. 7. MATLAB [Åëåêòðîííèé ðåñóðñ] Ðåæèì äîñòóïó: https://www.mathworks.com/pro ducts/matlab.html.




DOI: http://dx.doi.org/10.30970/vam.2023.31.11972

Посилання

  • Поки немає зовнішніх посилань.