KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2017 / Cilt: 23 - Sayı: 5

Artırılmış gerçeklik için BRIEF betimleyicileri ve yerelliğe duyarlı karma yöntemi ile nesne arama

Object detection with BRIEF descriptors and locality sensitive matching for augmented reality

Mustafa Özuysal
Sayfa
588–596
Yayın Tarihi
2017-10-20
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca, Yerelliğe Duyarlı Karma işleminin performansının bilgi erişim yaklaşımlarından faydalanılarak arttırılabileceği de gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada mobil artırılmış gerçeklik için kullanılabilecek bir nesne arama yöntemi sunulmaktadır.
📊
Temel Bulgular & Veri:Temel olarak yöntem anahtar nokta betimleyicilerinin eşleştirilmesine ve bu anahtar nokta eşlerinin geometrik kıstaslar ile süzülmesine dayanmaktadır.
💡
Sonuç & Katkı:Ayrıca, Yerelliğe Duyarlı Karma işleminin performansının bilgi erişim yaklaşımlarından faydalanılarak arttırılabileceği de gösterilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bilgisayarlı görü · Nesne arama · Artırılmış gerçeklik

Özet

Bu çalışmada mobil artırılmış gerçeklik için kullanılabilecek bir nesne arama yöntemi sunulmaktadır. Temel olarak yöntem anahtar nokta betimleyicilerinin eşleştirilmesine ve bu anahtar nokta eşlerinin geometrik kıstaslar ile süzülmesine dayanmaktadır. Eşlemenin hızlandırılması için gerekli iyileştirmeler detayları ile verilmektedir. Ayrıca, Yerelliğe Duyarlı Karma işleminin performansının bilgi erişim yaklaşımlarından faydalanılarak arttırılabileceği de gösterilmiştir.

Abstract

In this paper, an object detection approach suitable for mobile augmented reality is presented. The baseline approach is based on matching keypoint descriptors and verifying these matches with geometric constraints. The performance optimizations necessary for speeding up matching are detailed. It is also demonstrated that it is possible to increase the performance of the Locality Sensitive Hashing by exploiting approaches from the information retrieval field.

🔖

Bu Makaleye Atıf Yap

Özuysal, M. (2017). Artırılmış gerçeklik için BRIEF betimleyicileri ve yerelliğe duyarlı karma yöntemi ile nesne arama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 23 - Sayı: 5, 588–596. https://ajindex.com/articles/42497

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Ondruska P, Kohli P, Izadi S. "Mobilefusion: Real-time volumetric surface reconstruction and dense tracking on mobile phones". IEEE Transactions on Visualization and Computer Graphics, 21(11), 1251-1258, 2015.
  2. Özuysal M, Lepetit V, Fleuret F, Fua P. “Feature harvesting for tracking-by-detection”. European Conference on Computer Vision, Graz, Austria, 7-13 May 2006.
  3. Liu H, Zhang G, Bao H. "Robust keyframe-based monocular SLAM for augmented reality". International Symposium on Mixed and Augmented Reality, Merida, Mexico, 19-23 September 2016.
  4. Andoni A, Indyk P. “Near optimal hashing algorithms for approximate nearest neighbor in high dimensions”. Communications of the ACM, 51(1), 117-122, 2008.
  5. Harris C, Stephens M. “A combined corner and edge detector”. Alvey Vision Conference, Manchester, United Kingdom, 31 August – 2 September 1988.
  6. Lowe D G. “Distinctive Image Features from scale-invariant keypoints”. International Journal of Computer Vision, 20(2), 91-110, 2004.
  7. Lindeberg T. “Scale-Space theory: A basic tool for analyzing structures at different scales”. Journal of Applied Statistics, 21(1-2), 225-270, 1994.
  8. Mikolajczyk K, Schmid C. “An affine invariant interest point detector”. European Conference on Computer Vision, Copenhagen, Denmark, 28-31 May 2002.
  9. Matas J, Chum O, Martin U, Pajdla T. “Robust wide baseline stereo from maximally stable extremal regions”. British Machine Vision Conference, Cardiff, United Kingdom, 2-5 September 2002.
  10. Mikolajczyk K, Schmid C. “A Performance evaluation of local descriptors”. IEEE Transactions on Pattern Analysis and Machine Learning, 27(10), 1615-1630, 2004.
  11. Bay H, Ess A, Tuytelaars T, Gool L V. “SURF: Speeded up robust features”. Computer Vision and Image Understanding, 10(3), 346-359, 2008.
  12. Viola P, Jones J. “Robust real-time face detection”. International Journal of Computer Vision, 57(2), 137-154, 2004.
  13. Wagner D, Reitmayr G, Mulloni A, Drummond T, Schmalstieg D. “Pose tracking from natural features on mobile phones”. International Symposium on Mixed and Augmented Reality, Cambridge, United Kingdom, 15-18 September 2008.
  14. Rosten E, Porter R, Drummond T. “Faster and better: A machine learning approach to corner detection”. IEEE Transactions on Pattern Analysis and Machine Learning, 32(1), 105-119, 2010.
  15. Calonder M, Lepetit V, Özuysal M, Trzcinski T, Strecha C, Fua P. “BRIEF: Computing a binary local descriptor very fast”. IEEE Transactions on Pattern Analysis and Machine Learning, 34(7), 1281-1298, 2012. Leutenegger