بهینه سازی روش ASIFT و مقایسه آن از نظر سرعت و دقت در تطبیق صحنه

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 606

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

RKES01_156

تاریخ نمایه سازی: 21 شهریور 1395

چکیده مقاله:

در این مقاله، روشی سریع، دقیق و مقاوم جهت تطبیق صحنه با استفاده از استخراج نقاط کلیدی آن تحت شرایط متفاوت، شبیهسازی شده است. روش ارائه شده، در مقابل 6 پارامتر از 9 پارامتر ممکن جهت دگرگونی یک تصویرتغییرناپذیر میباشد. این 6 پارامتر شامل انتقال در طول و عرض، چرخش، تغییر در مقیاس تصویر و مدلسازی حرکت دوربین تصویربرداری است. پس از شبیهسازی دقیق نسخه اولیه روش پیشنهادی با نام ASIFT در نرمافزار Matlab ،این الگوریتم از لحاظ سرعت در اجرا تا حدود 4 برابر جهت استفاده در کاربردهای زمان واقعی بهینهسازی شده است. در قسمت پیشپردازش، جهت کاهش نویز و افزایش کیفیت تصاویر، فیلترهای میانگینگیری و فیلترهای آماری مورد بررسی قرار گرفتهاند. مقایسه روش بهینه شده با نام Speeded-Up Affine SIFT با روش اصلی ASIFT ، نشاندهنده افزایش 4 برابری سرعت اجرای الگوریتم ضمن حفظ دقت در شناسایی نقاط کلیدی و در نتیجه تطبیق درست صحنههای مختلف است. همچنین بر اساس ارزیابی روش بهینهسازی شده به وسیله معیار تکرارپذیری میتوان گفت این الگوریتم نسبت به تارشدگی، فشردهسازی، تغییر شدت نور و میزان نویز موجود در تصاویر نیز مقاوم است

کلیدواژه ها:

تطبیق صحنه ، Matlab ، ASIFT و Speeded-Up Affine SIFT

نویسندگان

مهدی عارف پور

نویسنده اصلی: کارشناسی ارشد مهندسی برق-الکترونیک دانشگاه آزاد تهران جنوب

علی برومند

استادیار گروه برق دانشگاه آزاد تهران جنوب

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • L. Crowley, _ Object recognition using multidimensi nal receptive field ...
  • D. Lowe, _ Object Recognition from Local S cale-Invariat Features ...
  • D.Lowe, _ Distinctive Image Features from S cale-Invariat Keypoints _ ...
  • E. Bienenstock, S. Geman and D. Potter, ، , C ...
  • H. Murase and S. Nayar, ، , Visual learning and ...
  • J. E. Hummel and I. Biederman, ، , Dynamic binding ...
  • M. Kirby and L. Sirovich, _ Application of the Karhunen-Lo ...
  • M. Turk and A. Pentland, _ Eigenfaces for recognition _ ...
  • T. Poggio and S. Edelman, _ A network that learns ...
  • S. Edelman, _ _ Rep resentation, Similarity, and the Chorus ...
  • I1. S. Edelman and S. Duvdevani -Bar, "Similarity, co nnectionism, ...
  • S. Ullman and . Basri, :Recognition by linear combination of ...
  • S. Edelman, _ _ Co mputational theories of object recognition:, ...
  • W. E. L. Grimson and T. Lozano-P erez, "Localizing overlapping ...
  • نمایش کامل مراجع