ИССЛЕДОВАНИЕ МЕТОДОВ ДЕТЕКТИРОВАНИЯ ГРАНИЦ ПОВЕРХНОСТЕЙ В ЗАДАЧЕ СОВМЕЩЕНИЯ ИЗОБРАЖЕНИЙ ТРЕХМЕРНЫХ СЦЕН

 Представлен иерархический структурный алгоритм совмещения изображений трехмерных сцен. При его разработке в качестве основы был взят двумерный алгоритм сопоставления структурных элементов, построенных на базе контурного описания изображений. Алгоритм позволяет достигать высокой точности совмещения и осуществлять робастное сопоставление пар изображений, снятых с разных ракурсов, в разное время года и суток и с помощью сенсоров различного типа, однако не способен сопоставлять изображения трехмерных сцен, где требуется применять различающиеся модели геометрических преобразований к разным частям изображения. Трехмерная версия алгоритма дает возможность преодолеть данное ограничение, но обладает меньшей устойчивостью по отношению к изменениям условий съемки.Ключевым этапом работы алгоритма является построение контурных трехмерных описаний сцен. С целью повышения устойчивости алгоритма проведено исследование методов обнаружения границ поверхностей в трехмерном пространстве. Дана количественная оценка точности и быстродействия представленных методов. Предложена модификация структурного алгоритма совмещения на основе результатов исследования. Разработанный алгоритм может быть использован для решения задачи автоматической навигации беспилотных летательных аппаратов и автономных наземных роботов в условиях, характеризующихся высокой степенью априорной неопределенности сюжета.

1. Booij O., Terwijn B., Zivkovic Z., Krose B. Navigation using an appearance based topological map // Proc. IEEE Int. Conf. on Robotics and Automation. 2007. P. 3927–3932. doi: 10.1109/ROBOT.2007.364081
2. Makadia A., Visontai M., Daniilidis K. Harmonic silhouette matching for 3D models // Proc. Int. Conf. on 3D TV. Kos, Greece, 2007. doi: 10.1109/3DTV.2007.4379399
3. Papazov C., Burschka D. An efficient RANSAC for 3D object recognition in noisy and occluded scenes // Lecture Notes in Computer Science. 2011. V. 6492. P. 135–148. doi: 10.1007/978-3-642-19315-6_11
4. Huang J., You S. Point cloud matching based on 3D self-similarity // Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops. 2012. P. 41–48. doi: 10.1109/CVPRW.2012.6238913
5. Flitton G., Breckon T.P., Megherbi N. Object recognition using 3D SIFT in complex CT volumes // Proc. British Machine Vision Conference. Aberystwyth, UK, 2010. doi: 10.5244/C.24.11
6. Lutsiv V.R. Object-independent approach to the structural analysis of images // Journal of Optical Technology. 2008. V. 75. N 11. P. 708–714.
7. Andreev V.S., Iljashenko A.S., Kadykov A.B., Lapina N.N., Lutsiv V.R., Malyshev I.A., Novikova T.A., Potapov A.S., Gubkin A.F. Algorithms for automatically processing and analyzing aerospace pictures // Journal of Optical Technology. 2007. V. 74. N 5. P. 307–322.
8. Ponomarev S.V., Lutsiv V.R., Malyshev I.A. Automatic structural matching of 3D image data // Proceedings of SPIE. 2015. V. 9649. Art. 96490M. doi: 10.1117/12.2194312
9. Fleischman S., Cohenor D., Silva T. Robust moving least-squares fitting with sharp features // ACM Transactions on Graphics. 2005. V. 24. N 3. P. 544–552. doi: 10.1145/1073204.1073227
10. Lin Y., Wang C., Cheng J., Chen B., Jia C., Chen Z., Li J. Line segment extraction for large scale unorganized point clouds // ISPRS Journal of Photogrammetry and Remote Sensing. 2015. V. 102. P. 172–183. doi: 10.1016/j.isprsjprs.2014.12.027
11. Hackel T., Wegner J.D., Schindler K. Contour detection in unstructured 3D point clouds // Proc. IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, USA, 2016. P. 1610–1618.
12. Daniels J., Ochotta T., Ha L.K., Silva S.T. Spline-based feature curves from point-sampled geometry // Visual Computer. 2008. V. 24. N 6. P. 449–462. doi: 10.1007/s00371-008-0223-2
13. Hofer M., Maurer M., Bischof H. Line3D: efficient 3D scene abstraction for the built environment // Lecture Notes in Computer Science. 2015. V. 9358. P. 237–248. doi: 10.1007/978-3-319-24947-6_19
14. Choi C., Trevor A.J. Christensen H.I. RGB-D edge detection and edge-based registration // Proc. 26th IEEE/RSJ Int. Conf. on Intelligent Robots and Systems. Tokyo, Japan, 2013. P. 1568–1575. doi: 10.1109/IROS.2013.6696558
15. Weber C., Hahmann S., Hagen H. Methods for feature detection in point clouds // Proc. Workshop on Visualization of Large and Unstructured Data Sets. Bodega Bay, USA, 2010. V. 19. P. 90–99.
16. Monga O., Deriche R., Malandain G., Cocquerez J.P. Recursive filtering and edge tracking: two primary tools for 3D edge detection // Image and Vision Computing. 1991. V. 9. N 4. P. 203–214. doi: 10.1016/0262-8856(91)90025-K
17. Hemmat J., Bondarev E., De With P.H.N. Real-time planar segmentation of depth images: from three-dimensional edges to segmented planes // Journal of Electronic Imaging. 2015. V. 24. N 5. Art. 051008. doi: 10.1117/1.JEI.24.5.051008
18. Zhou Q.-Y., Koltun V. Dense scene reconstruction with points of interest // ACM Transactions on Graphics. 2014. V. 33. N 4. doi: 10.1145/2461912.2461919
 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License