ДОСЛІДЖЕННЯ МОДЕЛЕЙ ТА МЕТОДІВ ОБРОБКИ ЗОБРАЖЕНЬ ТА ШЛЯХИ ВДОСКОНАЛЕННЯ ТЕХНОЛОГІЙ РОЗПІЗНАВАННЯ МАРКЕРІВ В СИСТЕМАХ ДОПОВНЕНОЇ РЕАЛЬНОСТІ
DOI:
https://doi.org/10.30837/2522-9818.2019.7.025Ключові слова:
доповнена реальність, маркер, безмаркерна технологія, дескриптор, опорні точки, детектор кутів Харіса, генетичні алгоритми, нейрона мережа, SIFTАнотація
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.
Посилання
Lyamov, Yu. (2014), "Augmented reality technology" ["Tekhnologiya dopolnennoy real'nosti"], Modern technology and technology, No. 9, available at: http://technology.snauka.ru/2014/09/4567 (last accessed 23.11.2018).
Samoilov, A. N, Shevchenko, I. V. (2015), "Methods of reconstructing the contour line of the dislocation of a digital image of Arseny Gaul's plate" ["Metody vosstanovlenija linii kontura dislokacii cifrovogo izobrazhenija plastiny Arsenida Gallija"], Eastern-European Journal of Enterprise Technologies, Vol. 3, No. 5 (75), P. 9.
Ruban, I. V., Shitova, O. V., Vel'chev, K. A. (2008), "The method of localization of objects in the systems of image processing of remote sensing of the eart" ["Metod lokalizatsii ob"ektov v sistemakh obrabotki izobrazheniy distantsionnogo zondirovaniya zemli"], Management, navigation and communication systems, No. 1 (5), P. 35–37.
Krig, S. (2016), "Interest Point Detector and Feature Descriptor Survey", Computer Vision Metrics, P. 187–246.
Mikolajczyk, K., Schmid, C. (2005), "A performance evaluation of local descriptors", IEEE Transactions on Pattern Analysis and Machine Intelligence, No. 27 (10), P. 1615–1630.
Beham, A., Wagner, S., Winkler, S., Affenzeller, M. (2017), "Genetic Algorithms", Encyclopedia of Computer Science and Technology, Vol. 2, P. 469–480.
Kass, M., Witkin, A., Terzopoulos, D. (1988), "Snakes: Active contour models", International journal of computer vision, Vol. 1, No. 4, P. 321–331.
Kenneth, A De Jong (2006), "Evolutionary computation: a unified approach", MIT press, P. 64–65.
Bodyanskiy, Y., Vynokurova, O., Pliss, I., Setlak, G., Mulesa, P. (2016), "Fast learning algorithm for deep evolving GMDH-SVM neural network in data stream mining tasks", IEEE First International Conference on Data Stream Mining & Processing (DSMP), Lviv (Ukraine), P. 257–262.
Kobayashi, M. (2017), "Fixed points of split quaternionic hopfield neural networks", Signal Processing, Vol. 136, P. 38–42.
Bodyanskiy, Y. V., Tyshchenko, A. K. , Deineko, A. A. (2015), "An evolving radial basis neural network with adaptive learning of its parameters and architecture", Automatic Control and Computer Sciences,Vol. 49, No. 5, P. 255–260.
Zhernova, P., Bodyanskiy, Y. (2018), "Kernel fuzzy clustering of data streams based on the ensemble of neural networks", Innovative Technologies and Scientific Solutions for Industries, No. 4 (6), P. 42–47. DOI: https://doi.org/10.30837/2522-9818.2018.6.042.
David, G. (2004), "Lowe Distinctive Image Features from Scale-Invariant Keypoints", International Journal of Computer Vision, P. 91–110.
Geusebroek, J., Smeulders Arnold, van de Weijer Joost. (2012), "An Efficient Algorithm for Fractal Analysis of Textures", 25th SIBGRAPI Conference on Graphics, Patterns and Images, P. 39–46.
Ruban, I., Khudov, H., Khudov, V., Khizhnyak, I., Makoveichuk, O. (2017), "Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolutionary method", Eastern-European Journal of Enterprise Technologies, Vol 5, No. 9 (89), P. 52–54. DOI: https://doi.org/10.15587/1729-4061.2017.109904.
Long, M., Peng, F. (2013), "A Box-Counting Method with Adaptable Box Height for Measuring the Fractal Feature of Images", Radioengineering, P. 208–213.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2019 Nataliia Bolohova, Igor Ruban
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.