Пространственная проверка
Пространственная проверка — это метод, при котором схожие местоположения можно идентифицировать автоматически с помощью последовательности изображений. Общий метод предполагает выявление корреляции между определенными точками среди наборов изображений с использованием методов, аналогичных тем, которые используются для регистрации изображений .
Основная проблема заключается в том, что выбросы (которые не подходят или не соответствуют выбранной модели) влияют на корректировку, называемую методом наименьших квадратов (метод численного анализа, основанный на математической оптимизации, который, учитывая набор упорядоченных пар: независимая переменная, зависимая переменная и семейство функций, попробуйте найти непрерывную функцию).
Преимущества
[ редактировать ]- Эффективно, когда можно найти безопасные функции без беспорядка.
- Хорошие результаты по переписке в конкретных инстанциях.
Недостатки
[ редактировать ]- Масштабирующие модели.
- Пространственную проверку нельзя использовать в качестве постобработки.
Методы
[ редактировать ]Наиболее широко используемые для пространственной проверки и предотвращения ошибок, вызванных этими выбросами, методы:
Консенсус случайной выборки (RANSAC)
[ редактировать ]Стремится избежать влияния выбросов, которые не соответствуют модели, поэтому учитываются только те встроенные значения, которые соответствуют рассматриваемой модели. Если для расчета текущей настройки выбран выброс, то результирующая линия будет иметь небольшую поддержку со стороны остальных точек. Алгоритм, который выполняется, представляет собой цикл, который выполняет следующие шаги:
- Из всего набора входных данных случайным образом берется подмножество для оценки модели.
- Вычислить подмножество модели. Модель оценивается с помощью стандартных линейных алгоритмов.
- Найдите совпадающие значения трансформации.
- Если ошибка является минимальной моделью, она принимается, и если количество соответствий достаточно велико, передается подмножество точек, участвующих в консенсусной сборке. И становится вычисляться предполагаемая модель во всех соответствиях.
Цель состоит в том, чтобы сохранить модель с наибольшим количеством совпадений, а основная проблема заключается в том, сколько раз вам придется повторять процесс, чтобы получить наилучшую оценку модели. RANSAC заранее устанавливает количество итераций алгоритма.
Чтобы указать сцены или объекты, обычно используются аффинные преобразования для выполнения пространственной проверки.
Обобщенное преобразование Хафа (GHT)
[ редактировать ]Это метод обнаружения форм в цифровых изображениях, который определяет достоверность пространства с помощью кластеров точек, принадлежащих модели, посредством процедуры голосования по набору параметрических фигур.
Не все возможные комбинации сравнивают характеристики путем корректировки модели для каждого возможного подмножества, поэтому используется метод голосования, при котором голосование сохраняется для каждой возможной строки, в которой используется каждая точка. Затем посмотрите, какие строки набрали наибольшее количество голосов, и они будут выбраны.
Если мы используем локальные характеристики масштаба, инварианты вращения и перевода, то каждое совпадение признаков дает соответствие гипотезы масштабирования, перевода и ориентации модели на картинке.
Одна гипотеза, сгенерированная одним совпадением, может быть ненадежной, поэтому для каждого совпадения (совпадения) проводится голосование за получение более сильной гипотезы в пространстве Хафа. Итак, у нас есть два основных этапа:
- Обучение : Для каждой характерной модели в 2D сохраняется местоположение, масштаб и ориентация модели.
- Тест : каждое совпадение допускается выполнять с помощью алгоритма SIFT и голосования характеристик модели в пространстве Хафа.
Основные недостатки:
- Шум или беспорядок могут вызвать больше обратной связи от тех, кто стремится обеспечить объективность.
- Размер массива хранения следует выбирать тщательно.
Сравнение
[ редактировать ]| ГТТ | РАНСАК | |
|---|---|---|
| Переписка | Единая переписка, голосование по всем согласованным параметрам | Минимальное подмножество соответствий для оценки модели (подсчет лайнеров) |
| Представительство | Представляет неопределенность в пространстве модели. | Представлять неопределенность в пространстве изображения |
| Сложность | Линейная сложность по количеству соответствий и количеству ячеек для голосования | Необходимо найти все точки данных для проверки вкладок на каждой итерации. |
| Преимущества | Может манипулировать более крупными выбросами | Лучше масштабируйте пространства большего размера. |
Ссылки
[ редактировать ]- Гаруман, Кристен. «Распознавание экземпляров объектов» , 9 августа 2012 г. Проверено 24 ноября 2014 г.
- Сивич, Йозеф. «Видео Google Demo» , 13 августа 2004 г. Проверено 24 ноября 2014 г.
- М. А. Фишлер, Р. К. Боллес. Консенсус случайной выборки: парадигма подбора модели с применением к анализу изображений и автоматизированной картографии. Комм. ACM , том 24, стр. 381–395, 1981.
- Сивич, Йозеф. «Отличительные особенности изображения» , 5 января 2004 г. Проверено 24 ноября 2014 г.
Внешние ссылки
[ редактировать ]- «Система восстановления Google» . Цель состоит в том, чтобы с легкостью, скоростью и шагом восстановить объекты или сцены в поисковой системе Google — веб-сайте, содержащем определенные слова.