МЕТОД ПОИСКА И СОПОСТАВЛЕНИЯ КЛЮЧЕВЫХ ОСОБЕННОСТЕЙ ИЗОБРАЖЕНИЙ ДЛЯ РАСПОЗНАВАНИЯ ОБРАЗОВ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ

  • В.А. Тупиков АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • В.А. Павлова АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • В.А. Бондаренко АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • Г.Э. Каплинский АО «Научно-производственное предприятие «Авиационная и морская электроника»
Ключевые слова: Обработка изображений, ключевые точки, детектор, дескриптор, автоматическое сопровождение объектов

Аннотация

Целью данной работы является повышение эффективности систем автоматическо-го обнаружения и сопровождения локальных объектов и участков местности в сложных условиях наблюдения, в присутствии естественных и преднамеренных помех. Особую сложность для алгоритмов автоматического сопровождения представляют ситуации, когда изображение сопровождаемого объекта претерпевает высокоскоростные мас-штабные и ракурсные искажения. В подобных условиях наилучшим образом показали себя алгоритмы обработки изображений, основанные на выделении ключевых особенностей наблюдаемой сцены (особых точек). Для решения поставленной задачи разработан новый алгоритм автоматического обнаружения и сопровождения локальных объектов и участ-ков местности, основывающийся на выделении ключевых особенностей изображений. Раз-работанный оригинальный алгоритм предусматривает реализацию изолированных после-довательно выполняемых этапов. Предварительным этапом обработки каждого кадра видеопоследовательности, получаемой с оптико-электронной системы (ОЭС), является алгоритм яркостно-контрастностного выравнивания изображения. На первом этапе вы-полняется обнаружение и фильтрация особых точек при помощи высокоэффективного алго-ритма, основанного на построении аппроксимированной матрицы Гессе вторых производных изображения. В качестве особых точек выбираются локальные максимумы детерминанта построенной матрицы. На следующем этапе обработки для каждой найденной особой точки строится описание её локальной окрестности, представляемое в виде вектора признаков, однозначно описывающих данную особую точку. В работе предложен многокомпонентный вектор признаков особой точки для выполнения быстрого предварительного сравнения ключевых точек с последующим точным сопоставлением, производимым на третьем этапе ра-боты. Данный этап заключается в поиске и нахождении взаимно однозначного соответст-вия между наборами ключевых точек эталона сопровождаемого объекта и ключевых точек наблюдаемой сцены, предположительно содержащей этот объект. В случае, если объект или значительная его часть находится в кадре, данный алгоритм позволяет находить его местоположение на изображении с высокой точностью при сравнительно невысокой вычис-лительной сложности, приемлемой для применения во встраиваемых вычислительных сис-темах бортового оборудования пилотируемых и беспилотных летательных аппаратов. Представленный оригинальный алгоритм опробован в составе специального программного обеспечения перспективного беспилотного летательного аппарата и обеспечил высокую эффективность и помехоустойчивость работы.

Литература

1. Lowe D.G. Object recognition from local scale-invariant features // Proceedings of the Interna-tional Conference on Computer Vision. – 1999. – No. 2. – P. 1150-1157.
2. Sung-Joo Y., Kim T. Development of Stereo Visual Odometry Based on Photogrammetric Fea-ture Optimization // Remote Sensing. – 2019. – Vol. 11.
3. Grundmann M., Kwatra V., Castro D., Essa I. Calibration-free rolling shutter removal // In Proc. ICCP, 2012.
4. Brown M., Lowe D.G. Automatic Panoramic Image Stitching using Invariant Features // Inter-national Journal of Computer Vision. – 2007. – Vol. 1. – P. 59-73.
5. Attneave F. Some informational aspects of visual perception // Psychological Review. – 1954. – Vol. 61. – P. 183-193.
6. Rodehorst V., Koschan A. Comparison and evaluation of feature point detectors // Proceedings of 5th International Symposium Turkish-German Joint Geodetic Days, 2006.
7. Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors – Survey. Foundations and Trends in Computer Graphics and Vision. – 2008. – No. 3 (3). – P. 177-280.
8. Jazayeri I., Fraser C. Interest Operators in Close-Range Object Reconstruction // The Interna-tional Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2008. – Vol. XXXVII. – Part B5. – P. 69-74.
9. Přibyl B., Chalmers A., Zemčík P. Feature point detection under extreme lighting conditions // Proceedings of the 28th Spring Conference on Computer Graphics. – 2012. – P. 143-150.
10. Lindeberg T. Image matching using generalized scale-space interest points // Journal of math-ematical Imaging and Vision. – 2015. – Vol. 52, No. 1. – P. 3-36.
11. Zuiderveld K. Contrast limited adaptive histogram equalization // Graphics Gems IV. – 1994. – Chapter VIII.5. – P. 474-485.
12. Красильников Н.Н. Цифровая обработка 2D- и 3D-изображений: учеб. пособие. – СПб.: БХВ-Петербург, 2011. – 608 с.
13. Moravec H. Towards Automatic Visual Obstacle Avoidance // Proceedings of the 5th Interna-tional Joint Conference on Artificial Intelligence, Cambridge. 1977. – P. 584.
14. Harris C., Stephens M. A combined corner and edge detector // Proceedings of the 4th Alvey Vision Conference. – 1988. – P. 147-151.
15. Shi J., Tomasi C. Good features to track // Proceedings of IEEE Conference on Computer Vi-sion and Pattern Recognition. – 1994. – P. 593-600.
16. Förstner W. Gülch A. Fast Operator for Detection and Precise Location of Distinct Points, Corners and Centres of Circular Features // Proceedings of the ISPRS Intercommission Work-shop on Fast Processing of Photogrammetric Data. – 1987. – P. 281-305.
17. Smith S.M., Brady J.M. SUSAN–A New Approach to Low Level Image // Processing Interna-tional Journal of Computer Vision. – 1997. – Vol. 23 (1). – P. 45-78.
18. Bae S.C., Kweon I.S. COP: A new method for extracting edges and corners // Lecture Notes in Computer Science. – 1997. – P. 271-278.
19. Rosten E. Drummond T. Fusing points and lines for high performance tracking // IEEE Inter-national Conference on Computer Vision. – 2005. – Vol. 2. – P. 1508-1511.
20. Mikolajczyk K., Schmid C. A performance evaluation of local descriptors // PAMI. – 2005. – Vol. 27. – P. 1615-1630.
21. Gauglitz S., Höllerer T., Turk M. Evaluation of interest point detectors and feature descriptors for visual tracking // International Journal of Computer Vision. – 2011. – P. 1-26.
22. Макаров А.С., Болсуновская М.В. Сравнительный анализ методов обнаружения особых точек на изображениях при различных уровнях освещения // Научно-технические ведомо-сти СПбГПУ. Информатика. Телекоммуникации. Управление. – 2018. – № 11:2. – C. 7-18.
23. Mikolajczyk K., Schmid C. An affine invariant interest point detector / In: Heyden, A., Sparr, G., Nielsen, M., Johansen, P. (eds.) ECCV 2002. LNCS. – Vol. 2350. – P. 128-142.
24. Mikolajczyk K., Schmid C. Scale and Affine invariant interest point detectors // In IJCV. – 2004. – Vol. 60 (1). – P. 63-86.
25. Lowe D.G. Distinctive image features from scale-invariant keypoints // Int. J. Comput. – 2004. – Vis. 60 (2). – P. 91-110.
26. Bay H., Ess A., Tuytelaars T., Van Gool L. SURF: speeded up robust features // Comput Vis Image Understand. – 2008. – P. 346-359.
27. Crow F. Summed-area tables for texture mapping // In Proceedings of SIGGRAPH. – 1984. – Vol. 18 (3). – P. 207-212.
28. Ziomek A., Oszust M. Evaluation of Interest Point Detectors in Presence of Noise // Interna-tional Journal of Intelligent Systems and Applications (IJISA). – 2016. – Vol. 8, No. 3. – P. 26-33.
29. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary robust independent elementary features, in: ECCV, 2010.
30. Leutenegger S., Chli M., Siegwart R.Y. BRISK: Binary Robust invariant scalable keypoints // 2011 International Conference on Computer Vision. – 2011. – P. 2548-2555.
31. Rublee E., Rabaud V., Konolige K., Bradski G.R. ORB: An efficient alternative to SIFT or SURF. ICCV. – 2011. – P. 2564-2571.
32. Cowan B., Imanberdiyev N., Fu C., Dong Y., Kayacan E. A performance evaluation of detec-tors and descriptors for UAV visual tracking // Proc. Int. Conf. Control, Autom., Robot. Vis. (ICARCV). – 2016. – P. 1-6.
33. Fischler M.A., Bolles R.C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography // Comm. ACM. – 1981. – Vol. 24 (6). – P. 381-395.
Опубликован
2019-05-08
Выпуск
Раздел
РАЗДЕЛ V. ТЕХНИЧЕСКОЕ ЗРЕНИЕ