(43-5) 14 * << * >> * Русский * English * Содержание * Все выпуски

Метод нахождения соответствий на изображениях с использованием структур дескрипторов

А.А. Захаров1, А.Л. Жизняков1, В.С. Титов2

Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», Муром, Россия,
ФГБОУ ВО «Юго-Западный государственный университет», Курск, Россия

 PDF, 1282 kB

DOI: 10.18287/2412-6179-2019-43-5-810-817

Страницы: 810-817.

Аннотация:
В работе рассматривается метод нахождения соответствий на изображениях с использованием структур дескрипторов. Дескрипторами в разработанном методе могут быть любые известные решения в области компьютерного зрения. Однако при нахождении соответствий на парах изображений могут появляться неточности. Для устранения «выбросов» предлагается сравнивать структуры дескрипторов. Структуры дескрипторов описываются при помощи графов. Для нахождения соответствий на основе структур дескрипторов используется метод Умеямы. Метод основан на разложении матриц на собственные значения и собственные векторы для задач сопоставления взвешенных графов. Таким образом, на начальном этапе находятся соответствия на основе дескриптора, а затем на основе полученных наборов сопоставленных особенностей строятся два графа для каждого изображения. Весами графа являются расстояния между всеми особенностями изображений, вычисленные с использованием функции Гаусса. Строятся весовые матрицы для каждого графа. Осуществляется декомпозиция матрицы на собственные значения и собственные векторы. На основе метода Умеямы вычисляется результирующая матрица и находятся правильные соответствия. Таким образом, из набора соответствий, полученных с помощью дескрипторов, исключаются ложные соответствия за счёт сравнения структур. Метод инвариантен к изменению масштаба и повороту изображения на плоскости. Метод приводит к правильным результатам только в том случае, если количество правильных соответствий больше количества ложных. Сложность разработанного алгоритма пропорциональна количеству найденных соответствий.

Ключевые слова:
анализ изображений, нахождение соответствий, дескрипторы изображений, сопоставление графов, компьютерное зрение.

Цитирование:
Захаров, А.А. Метод нахождения соответствий на изображениях с использованием структур дескрипторов / А.А. Захаров, А.Л. Жизняков, В.С. Титов // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 810-817. – DOI: 10.18287/2412-6179-2019-43-5-810-817.

Благодарности:
Работа выполнена при финансовой поддержке государственного задания Минобрнауки России (проект № 2.1950.2017/ПЧ).

Литература:

  1. Krig, S. Computer vision metrics. Survey, taxonomy, and analysis / S. Krig. – Berkeley, CA: Apress, 2014. – 498 p.
  2. Ojala, T. A comparative study of texture measures with classification based on feature distributions / T. Ojala, M. Pietikainen, D. Hardwood // Pattern Recognition. – 1996. – Vol. 29, Issue 1. – P. 51-59.
  3. Calonder, M. BRIEF: Binary robust independent elementary features / M. Calonder, V. Lepetit, C. Strecha, P. Fua. – In: Computer Vision – ECCV 2010 / ed. by K. Daniilidis, P. Maragos, N. Paragios. – Berlin, Heidelberg: Springer-Verlag, 2010. – Part IV. – P. 778-792.
  4. Rublee, E. ORB: An efficient alternative to SIFT or SURF / E. Rublee, V. Rabaud, K. Konolige, G. Bradski // 2011 International Conference on Computer Vision (ICCV’11). – 2011. – P. 2564-2571.
  5. Leutenegger, S. BRISK: Binary robust invariant scalable keypoints / S. Leutenegger, M. Chli, R. Siegwart // 2011 International Conference on Computer Vision (ICCV’11). – 2011. – P. 2548-2555.
  6. Lowe, D.G. Distinctive image features from scale-invariant keypoints / D.G. Lowe // International Journal of Computer Vision. – 2004. – Vol. 60, Issue 2. – P. 91-110.
  7. Bay, H. SURF: Speeded up robust features / H. Bay, A. Ess, T. Tuytelaars, L. Van Gool // Computer Vision and Image Understanding. – 2008. – Vol. 110, Issue 3. – P. 346-359.
  8. Tola, E. DAISY: An efficient dense descriptor applied to wide-baseline stereo / E. Tola, V. Lepetit, P. Fua // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2010. – Vol. 32, Issue 5. – P. 815-830.
  9. Dalal, N. Histograms of Oriented Gradients for Human Detection / N. Dalal, B. Triggs // Computer Vision and Pattern Recognition. – 2005. – Vol. 1. – P. 886-893.
  10. Scharstein, D. A taxonomy and evaluation of dense two-frame stereo correspondence algorithms / D. Scharstein, R. Szeliski // International Journal of Computer Vision. –2002. – Vol. 47. – P. 7-42.
  11. Jun, B. Robust face detection using local gradient patterns and evidence accumulation / B. Jun, D. Kim. // Pattern Recognition. – 2012. – Vol. 45, Issue 9. – P. 3304-3316.
  12. Freeman, H. On the encoding of arbitrary geometric configurations / H. Freeman // IRE Transactions on Electronic Computers. – 1961. – Vol. EC-10, Issue 2. – P. 260-268.
  13. Gonzalez, R. Digital image processing / R. Gonzalez, R. Woods. – Upper Saddle River, NJ: Prentice-Hall, 2007. – 976 p.
  14. Agrawal, M. CenSurE: Center surround extremas for realtime feature detection and matching / M. Agrawal, K. Konolige, M.R. Blas // European Conference on Computer Vision. – 2008. – Vol. 4. – P. 102-115.
  15. Mitsuru, A. CARD: Compact and real-time descriptors / A. Mitsuru, Y. Yoshida // International Conference on Computer Vision. – 2011. – 9 p.
  16. Szeliski, R. Computer vision: Algorithms and applications / R. Szeliski. – London: Springer-Verlag, 2010. – 957 p.
  17. Fischer, P. Descriptor matching with convolutional neural networks: A comparison to SIFT [Electronical Resource] / P. Fischer,A. Dosovitskiy, T. Brox // arXiv:1405.5769v1. – 2014. – 10 p. – URL: https://arxiv.org/abs/1405.5769 (request date 14.03.2019).
  18. Ufer, N. Deep semantic feature matching / N. Ufer, B. Ommer // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 6914-6923.
  19. Wu, S. Image correspondences matching using multiple features fusion / S. Wu, M.S. Lew // Computer Vision – ECCV 2016 Workshops. – 2016. – 10 p .
  20. Захаров, А.А. Поиск объектов на изображениях с использованием структурного дескриптора на основе графов / А.А. Захаров, А.Е. Баринов, А.Л. Жизняков, В.С. Титов // Компьютерная оптика. – 2018. – Т. 42, № 2. – С. 283-290. – DOI: 10.18287/2412-6179-2018-42-2-283-290.
  21. Камаев, А.Н. Визуальная навигация автономного необитаемого подводного аппарата с глобальным поиском связей между изображениями / А.Н. Камаев, Д.А. Карманов // Компьютерная оптика. – 2018. – Т. 42, № 3. – С. 457-467. – DOI: 10.18287/2412-6179-2018-42-3-457-467.
  22. Scott, G. An algorithm for associating the features of two images / G. Scott, H. Longuet-Higgins // Proceedings of Royal Society. – 1991. – Vol. 244. – P. 21-26.
  23. Shapiro, L.S. Feature-based correspondence – an eigenvector approach / L.S. Shapiro, J.M. Brady // Image Vision Computing. – 1992. – Vol. 10, Issue 5. – P. 283-288.
  24. Umeyama, S. An eigen decomposition approach to weighted graph matching problems / S. Umeyama // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1988. – Vol. 10, Issue 5. – P. 695-703.
  25. Carcassoni, M. Spectral correspondence for point pattern matching / M. Carcassoni, E. Hancock // Pattern Recognition. – 2003. – Vol. 36, Issue 1. – P. 193-204.
  26. Leordeanu, M. A spectral technique for correspondence problems using pairwise constraints / M. Leordeanu, M. Hebert // Tenth IEEE International Conference on Computer Vision. – 2005. – Vol. 1. – 8 p.
  27. Cour, T. Balanced graph matching / T. Cour, P. Srinivasan, J. Shi // Proceedings of the Twentieth Annual Conference on Neural Information Processing Systems. – 2006. – P. 313-320.
  28. Pilu, M. A direct method for stereo correspondence based on singular value decomposition / M. Pilu // IEEE Proceedings of CVPR. – 1997. – P. 261-266.
  29. Delponte, E. SVD-matching using SIFT features / E. Delponte, F. Isgro, F. Odone, A. Verri // Graphical Models. – 2006. – Vol. 68, Issues 5-6. – P. 415-431.
  30. Chung, F.R.K. Spectral graph theory / F.R.K. Chung. – American Mathematical Society, 1997. – 207 p.
  31. Zakharov, A. Finding correspondences in images using descriptors and graphs / A. Zakharov, A. Tuzhilkin, A. Zhiznyakov // Procedia Engineering. – 2015. – Vol. 129. – P. 391-396.
  32. Papadimitriou, C.H. Combinatorial optimization: Algorithms and complexity / C.H. Papadimitriou, K. Steiglitz. – Englewood Cliffs, NJ: Prentice-Hall, 1982. – 528 p.

 


© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20