ДОСЛІДЖЕННЯ МОДЕЛЕЙ ТА МЕТОДІВ ОБРОБКИ ЗОБРАЖЕНЬ ТА ШЛЯХИ ВДОСКОНАЛЕННЯ ТЕХНОЛОГІЙ РОЗПІЗНАВАННЯ МАРКЕРІВ В СИСТЕМАХ ДОПОВНЕНОЇ РЕАЛЬНОСТІ

Анотація

Предметом дослідження в статті є методи обробки зображень, які виявляють і описують локальні ознаки зображення. Мета роботи – визначення шляхів вдосконалення методів обробки зображень для застосування в технологіях розпізнавання маркерів в системах доповненої реальності. В статті вирішуються наступні завдання: провести аналіз існуючих методів та алгоритмів пошуку об’єктів на двомірних зображеннях для визначення базової технології розпізнавання маркерів в системах доповненої реальності. Аналізуються генетичні, нейронномережні, статистичні та фрактальні методи, а також підходи до реалізації алгоритмів при побудові програмного забезпечення систем доповненої реальності. Отримано наступні результати: проведено огляд і порівняльний аналіз основних відомих алгоритмів детектування ключових точок на зображеннях. Пропонується при розробці методів розпізнавання маркерів необхідно розробити процедуру попередньої обробки зображення для формування алгоритмів фронтального зображення маркера при різних умовах отримання зображень. На стадіях сегментації доцільно використовувати генетичні алгоритми на підставі найкращих показників правильної сегментації та низьких показників часу обробки, але при цьому необхідно розробити функції, які  відповідають формату побудови маркерів. Вдосконалити існуючі методи обробки результатів сегментації на основі критеріальної бази що описує візуальну модель, що представляє маркер. Висновки: в результаті проведення аналізу можна зробити наступний висновок. Найшвидшим і точним алгоритмом зі поставленням ключових точок є генетичний алгоритм (середній час роботи алгоритму - 5,23 секунди, кількість правильних відповідей - 84,25). Найтриваліший за часом роботи є метод нейронних мереж - 8,45 секунд, точність роботи даного алгоритму теж найнижча - 52. Ще одним з плюсів алгоритму зіставлення точок те, що якщо об'єкт вийде за межі кадру, а потім знову повернеться, програма буде знову продовжувати відслідковувати цей об'єкт. Цьому сприяють алгоритми машинного навчання. Також можна помітити, що обчислення методом SIFT працює значно швидше фрактального аналізу текстур. Дані результати говорять про те, що в даний час відсутні методи розпізнавання маркерів, що дозволяють з високою точністю ближче до одиниці за короткий час провести розпізнавання. На наш погляд одним з перспективних напрямків є використання ройових методів, а саме розробка цільових функцій для точного і швидкого розпізнавання зображення за маркерами.