Аннотация.

В работе рассматривается задача оценки преобразования, связывающего два изображения одного плоского объекта. Предложен метод вычисления параметров проективного преобразования по комбинированным данным, состоящим из точек и прямых. Представлены результаты экспериментов на синтезированных данных, в которых исследовалась скорость сходимости алгоритма в зависимости от соотношения примитивов в исходном наборе данных. Экспериментально показано преимущество использования непосредственно прямых линий, а не точек их пересечения.

Ключевые слова:

проективное преобразование, RANSAC.

Стр. 79-91.

Полная версия статьи в формате pdf. 

Литература

1. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision archive, 2004. Vol. 60, Issue 2, pp. 91-110.
2. Bay H., Ess A., Tuytelaars T., Gool L. V. Speeded-Up Robust Features (SURF) // Computer Vision and Image Understanding archive, 2008. Vol. 110, Issue 3, pp. 346-359.
3. Lepetit, V., Fua, P. Keypoint recognition using randomized trees // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006. 28, pp. 1465-1479.
4. Fan B., Kong Q., Trzcinski T. Receptive Fields Selection for Binary Feature Description // IEEE Transaction on Image Processing, 2014. 23(6), pp. 2583-2595.
5. Стренг Г. Линейная алгебра и ее применения. // М.: Мир, 1980. 454 с.
6. Theil H. A rank-invariant method of linear and polynomial regression analysis // Proceedings of the Royal Netherlands Academy of Sciences, 1950. 53, pp. 386–392, 521–525, 1397–1412.
7. Sen P. K., Kumar P. Estimates of the regression coefficient based on Kendall's tau, Journal of the American Statistical Association, 1968. 63, pp. 1379–1389.
8. Siegel A. F. Robust Regression Using Repeated Medians // Biometrika, 1982. Vol. 69, No. 1 pp. 242-244.
9. Rousseeuw P. J. Least median of squares regression // Journal of the American Statistical Association, 1984. Vol. 79, No. 388, pp. 871–880.
10. Fischler M. A., Bolles R. C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography // Comm. Of the ACM, 1981. Vol. 24, pp. 381–395.
11. Chum O., Matas J. Matching with PROSAC - progressive sample consensus // IEEE Conference on Computer Vision and Pattern Recognition, 2005. pp. 220-226.
12. Torr P.H.S., Zisserman A. A MLESAC: A New Robust Estimator with Application to Estimating Image Geometry // Computer Vision and Image Understanding, 2000. Vol. 78, pp. 138--156
13. Hough P.V.C. Machine Analysis of Bubble Chamber Pictures // Proceeding of International Conference on High Energy Accelerators and Instrumentation, 1959. pp. 554-558.
14. Nikolaev D.P., Karpenko S.M., Nikolaev I.P., Nikolayev P.P. Hough transform: underestimated tool in the computer vision field // Proceedings of the 22th European Conference on Modelling and Simulation, 2008. pp. 238-246.
15. Grompone von Gioi R., Jakubowicz J., Morel J.M., Randall G. LSD: a fast line segment detector with a false detection control // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010. 32 (4), pp. 722–732.
16. Akinlar C., Topal C. EDLines: A real-time line segment detector with a false detection control // Pattern Recognition Letters, 2011. 32(13), pp. 1633-1642.
17. Hartley R., Zisserman A. Multiple View Geometry in Computer Vision // New York: Cambridge University Press, 2004. 655 pp.
18. Певзнер С.Л. Проективная геометрия // М: "Просвещение", 1980. 128 с.
19. Понарин Я. П. Аффинная и проективная геометрия // МЦНМО, 2009. 288 с.
20. Шемякина Ю.А., Жуковский А.Е., Фараджев И.А. Исследование алгоритмов вычисления проективного преобразования в задаче наведения на планарный объект по особым точкам // Искусственный интеллект и принятие решений, 2017. 1, с. 43-49.
21. Bhattacharya P., Rosenfeld A., Weiss I. Point-to-line mappings as Hough transforms // Pattern Recognition Letters, 2002. Vol. 23, pp. 1705-1710.