Wykorzystanie informacji o głębi w celu poprawy jakości deskryptorów RGB

• Autorzy: Stefańczyk M.

Warianty tytułu

EN

Improving RGB descriptors using depth cues

• Języki publikacji: PL

Abstrakty

PL

Problem zniekształceń geometrycznych obrazu jest rozwiązywany mniej lub bardziej skutecznie w istniejących detektorach i deskryptorach punktów kluczowych. Rozwiązania te są jednak zaszyte jako integralna część algorytmów, często uniemożliwiając ich wykorzystanie w innych zastosowaniach. Analiza literatury i dotychczasowych rozwiązań pozwala stwierdzić, że nie stworzono do tej pory rozwiązania, które mogłoby być uniwersalne i stosowane jako krok pośredni korekcji, pomiędzy detekcją punktów kluczowych a obliczeniem ich deskryptorów. Stworzenie tego typu algorytmu, w przeciwieństwie do kolejnego, "jeszcze lepszego" deskryptora, pozwoli na łatwą integrację w istniejących zastosowaniach, niezależnie od wybranego zestawu detektor/deskryptor.

EN

Geometrical distortions are tackled in different way in multiple keypoint detection and feature extraction algorithms. However, those are implemented as an integral part of the solution, making it impossible to use the same distortion removal method in other solutions. To the best of authors knowledge, there are no universal methods of distortion removal, that can be used as an intermediate step, between keypoint detection and feature extraction. Creating that kind of algorithm, instead of development of yet another 'robust descriptor', will enable seamless integration in existing applications, and, possibly, will increase object recognition success rate, independent of the selected keypoint detector/descriptor pair.

Słowa kluczowe

PL

system wizyjny; system sensoryczny; deskryptor; RGB

EN

vision system; sensor system; descriptors; RGB

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2018
• Tom: z. 196
• Strony: 511--520
• Opis fizyczny: Bibliogr. 18 poz., rys., wykr.

Twórcy

autor

Stefańczyk M.

• Instytut Automatyki i Informatyki Stosowanej, Politechnika Warszawska, ul. Nowowiejska 15/19, 00-665 Warszawa

Bibliografia

• [1] P. Alcantarilla, T. Solutions. Fast explicit diffusion for accelerated features in nonlinear scale spaces. IEEE Trans. Patt. Anal. Mach. Intell, 2011, wolumen 34, numer 7, s. 1281-1298.
• [2] H. Bay et al. Speeded-up robust features (SURF). Computer vision and image understanding, 2008, wolumen 110, numer 3, s. 346-359.
• [3] M. Calonder et al. Brief: Binary robust independent elementary features. In: Computer Vision-ECCV 2010. Proceedings. Springer, 2010, s. 778-792.
• [4] G. Flitton, T. Breckon, N. Bouallagu. Object recognition using 3D SIFT in Complex CT Volumes. In: BMVC. Proceedings, 2010, s. 1-12.
• [5] M. Kraft et al. Efficient RGB-D data processing for feature-based self-localization of mobile robots. International Journal of Applied Mathematics and Computer Science, 2016, wolumen 26, numer 1, s. 63-79.
• [6] G. Levi, T. Hassner. LATCH: learned arrangements of three patch codes. In: Winter Conference on Applications of Computer Vision (WACV). Proceedings. IEEE, 2016.
• [7] D. Lowe. Distinctive image features from scale-invariant keypoints. International journal of computer vision, 2004, wolumen 60, numer 2, s. 91-110.
• [8] E. Nascimento et al. BRAND: A robust appearance and depth descriptor for RGB-D images. In: 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems. Proceedings. IEEE, 2012, s. 1720-1726.
• [9] E. Rosten, T. Drummond. Machine learning for high-speed corner detection. In: Computer Vision-ECCV 2006, s. 430-443. Springer 2006.
• [10] E. Rublee et al. ORB: an efficient alternative to sift or surf. In: Computer Vision (ICCV), 2011 IEEE International Conference on. Proceedings. IEEE, 2011, s. 2564-2571.
• [11] R. Rusu, N. Blodow, M. Beetz. Fast point feature histograms (FPFH) for 3D registration. In: Robotics and Automation, 2009. ICRA'09. IEEE International Conference on. Proceedings. IEEE, 2009, s. 3212-3217.
• [12] R. Rusu et al. Persistent point feature histograms for 3D point clouds. In: Proc 10th Int Conf Intel Autonomous Syst (IAS-10), Baden-Baden, Germany. Proceedings, 2008, s. 119-128.
• [13] P. Scovanner, S. Ali, M. Shah. A 3-dimensional SIFT descriptor and its application to action recognition. In: Proceedings of the 15th ACM international conference on Multimedia. Proceedings. ACM, 2007, s. 357-360.
• [14] J. Shi, C. Tomasi. Good features to track. In: Computer Vision and Pattern Recognition, 1994. Proceedings CVPR'94., 1994 IEEE Computer Society Conference on. Proceedings. IEEE, 1994, s. 593-600.
• [15] I. Sipiran, B. Bustos. Harris 3D: a robust extension of the harris operator for interest point detection on 3d meshes. The Visual Computer, 2011, wolumen 27, numer 11, s. 963-976.
• [16] B. Steder et al. NARF: 3D range image features for object recognition. In: Workshop on Defining and Solving Realistic Perception Problems in Personal Robotics at the IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS). Proceedings, 2010. wolumen 44.
• [17] F. Tombari, S. Salti, L. Di Stefano. Unique signatures of histograms for local surface description. In: European conference on computer vision. Proceedings. Springer, 2010, s. 356-369.
• [18] A. Willis, K. Brink. iGRaND: an invariant frame for RGBD sensor feature detection and descriptor extraction with applications. In: SPIE Commercial+ Scientific Sensing and Imaging. Proceedings. International Society for Optics and Photonics, 2016, s. 98670P.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).