دوره 19، شماره 1 - ( 3-1401 )
جلد 19 شماره 1 صفحات 124-111 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rezaei M, Rezaeian M, Derhami V. A novel local feature descriptor using the Mercator projection for 3D object recognition. JSDP 2022; 19 (1) : 9
URL: http://jsdp.rcisp.ac.ir/article-1-1163-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1163-fa.html
رضائی معصومه، رضائیان مهدی، درهمی ولی. توصیف‌گر موضعی جدید با استفاده از نگاشت مرکاتور به‌منظور تشخیص اشیای سه‌بعدی. پردازش علائم و داده‌ها. 1401; 19 (1) :111-124
دانشگاه یزد
چکیده: (1391 مشاهده)
پردازش ابرهای نقطه‌ای یکی از زمینه‌های در حال رشد در بینایی ماشین است. با پیدایش حس‌گرهای عمق ارزان‌قیمت علاقه زیادی به پردازش ابرهای نقطه‌ای و استفاده از آن در تشخیص اشیای سه‌بعدی ایجاد شده است. در حالت کلی روش‌های تشخیص اشیای سه‌بعدی به دو دسته موضعی و سرتاسری تقسیم می‌شوند. در روش‌های سرتاسری شکل کلی مدل توصیف‌شده درحالی‌که در روش‌های موضعی از خصوصیات هندسی ناحیه موضعی اطراف یک نقطه برای به‌دست‌آوردن ویژگی آن نقطه استفاده می‌شود. برخلاف روش‌های سرتاسری، روش‌های موضعی نیاز به قطعه‌بندی ندارند و نسبت به پدیده انسداد و درهم‌ریختگی مقاوم‌تر هستند. روش‌های مبتنی بر ویژگی‌های موضعی، برخی از ویژگی‌های هندسی را از سطوح محلی اطراف نقاط خاصی به نام نقاط کلیدی استخراج می‌کنند. ویژگی‌های هندسی یک نقطه کلیدی در یک توصیف‌گر ویژگی کدگذاری می‌شوند. چگونگی توصیف محیط پیرامون یک نقطه کلیدی چالش اصلی این روش هاست. روش‌های موضعی که به‌طورمعمول مورد استفاده قرار می‌گیرند، اغلب به نوفه، تغییر وضوح مش و تبدیل صلب حساس هستند. برای غلبه بر چنین مشکلاتی، در این مقاله توصیف‌گر موضعی جدیدی بر اساس نگاشت مرکاتور ارائه شده است. نگاشت مرکاتور یکی از معروف‌ترین نگاشت‌های سه بعد به دو بعد است که فاصله، زاویه، جهت، طول و عرض جغرافیایی نسبی را بین هر دو نقطه در ابرهای نقطه‌ای حفظ می‌کند. به‌منظور ارزیابی، روش پیشنهادی با تعدادی از روش‌های مطرح مقایسه شده است. برتری این روش بر سایر روش‌ها با استفاده از معیارهای خطای جذر میانگین مربعات، نمودار بازخوانی در برابر دقت، خطای ثبت‌کردن، خطای چرخش و انتقال نشان داده می‌شود و اثبات می‌شود که این روش قدرت توصیفی خوبی دارد و نسبت به تبدیل صلب، نویز و تغییر وضوح مش مقاوم است.
شماره‌ی مقاله: 9
نوع مطالعه: كاربردي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1399/5/19 | پذیرش: 1400/10/25 | انتشار: 1401/4/1 | انتشار الکترونیک: 1401/4/1
دریافت: 1399/5/19 | پذیرش: 1400/10/25 | انتشار: 1401/4/1 | انتشار الکترونیک: 1401/4/1
فهرست منابع
1. [1] A. Aldoma et al., "CAD-model recognition and 6DOF pose estimation using 3D cues," in 2011 IEEE international conference on computer vision workshops (ICCV workshops), 2011: IEEE, pp. 585-592. [DOI:10.1109/ICCVW.2011.6130296]
2. [2] N. Bayramoglu, A. A. Alatan, "Shape index SIFT: Range image recognition using local features", In 2010 20th International Conference on Pattern Recognition, pp. 352-355, 2010. [DOI:10.1109/ICPR.2010.95]
3. [3] P. J. Besl and N. D. McKay, "Method for registration of 3-D shapes," in Sensor fusion IV: control paradigms and data structures, vol. 1611: International Society for Optics and Photonics, pp. 586-606,1992.
4. [4] S. Bu, L. Wang, P. Han, Z. Liu, and K. Li, "3D shape recognition and retrieval based on multi-modality deep learning," Neurocomputing, vol. 259, pp. 183-193, 2017. [DOI:10.1016/j.neucom.2016.06.088]
5. [5] E. L. Eisenstein and E. Elizabeth Lewisohn, The printing revolution in early modern Europe. Cambridge University Press, 2005. [DOI:10.1017/CBO9780511819230]
6. [6] D. Fehr, W. J. Beksi, D. Zermas, and N. Papanikolopoulos, "Covariance based point cloud descriptors for object detection and recognition," Computer Vision and Image Understanding, vol. 142, pp. 80-93, 2016. [DOI:10.1016/j.cviu.2015.06.008]
7. [7] M. A. Fischler and R. C. Bolles, "Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography," Communications of the ACM, vol. 24, no. 6, pp. 381-395, 1981. [DOI:10.1145/358669.358692]
8. [8] A. Frome, D. Huber, R. Kolluri, T. Bülow, and J. Malik, "Recognizing objects in range data using regional point descriptors," in European conference on computer vision, 2004: Springer, pp. 224-237. [DOI:10.1007/978-3-540-24672-5_18]
9. [9] G. Georgakis, S. Karanam, Z. Wu, J. Ernst, and J. Košecká, "End-to-end learning of keypoint detector and descriptor for pose invariant 3D matching," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 1965-1973. [DOI:10.1109/CVPR.2018.00210]
10. [10] Y. Guo, F. Sohel, M. Bennamoun, M. Lu, and J. Wan, "Rotational projection statistics for 3D local surface description and object recognition," International journal of computer vision, vol. 105, no. 1, pp. 63-86, 2013. [DOI:10.1007/s11263-013-0627-y]
11. [11] Y. Guo, F. Sohel, M. Bennamoun, M. Lu, and J. Wan, "An Accurate and Robust Range Image Registration Algorithm for 3D Object Modeling," ieee transactions on multimedia, vol. 16, no. 5, pp. 1377-1390, 2014. [DOI:10.1109/TMM.2014.2316145]
12. [12] Y. Guo, F. Sohel, M. Bennamoun, M. Lu, and J. Wan, "3D object recognition in cluttered scenes with local surface features: A survey," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 36, no. 11, pp. 2270-2287, 2014. [DOI:10.1109/TPAMI.2014.2316828] [PMID]
13. [13] A. E. Johnson and M. Hebert, "Using spin images for efficient object recognition in cluttered 3D scenes," IEEE Transactions on pattern analysis and machine intelligence, vol. 21, no. 5, pp. 433-449, 1999. [DOI:10.1109/34.765655]
14. [14] S. H. Kasaei, A. M. Tomé, L. S. Lopes, and M. Oliveira, "GOOD: A global orthographic object descriptor for 3D object recognition and manipulation," Pattern Recognition Letters, vol. 83, pp. 312-320, 2016. [DOI:10.1016/j.patrec.2016.07.006]
15. [15] O. Kechagias-Stamatis and N. Aouf, "Histogram of distances for local surface description," in 2016 IEEE international conference on robotics and automation (ICRA), 2016: IEEE, pp. 2487-2493. [DOI:10.1109/ICRA.2016.7487402]
16. [16] R. Lu, F. Zhu, Q. Wu, and Y. Kong, "LSAH: a fast and efficient local surface feature for point cloud registration," in Ninth International Conference on Graphic and Image Processing (ICGIP 2017), vol. 10615: International Society for Optics and Photonics, pp. 106151G , 2018. [DOI:10.1117/12.2303809]
17. [17] Z.-C. Marton, D. Pangercic, N. Blodow, J. Kleinehellefort, and M. Beetz, "General 3D modelling of novel objects from a single view," in 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems,: IEEE, pp. 3700-3705, 2010. [DOI:10.1109/IROS.2010.5650434]
18. [18] Z.-C. Marton, D. Pangercic, N. Blodow, and M. Beetz, "Combined 2D-3D categorization and classification for multimodal perception systems," The International Journal of Robotics Research, vol. 30, no. 11, pp. 1378-1402, 2011. [DOI:10.1177/0278364911415897]
19. [19] Z. C. Marton, R. B. Rusu, and M. Beetz, "On fast surface reconstruction methods for large and noisy point clouds", in 2009 IEEE international conference on robotics and automation, pp. 3218-3223, 2009. [DOI:10.1109/ROBOT.2009.5152628]
20. [20] S. Quan, J. Ma, F. Hu, B. Fang, T. Ma, "Local voxelized structure for 3D binary feature representation and robust registration of point clouds from low-cost sensors", Information Sciences, vol. 444, pp. 153-171, 2018. [DOI:10.1016/j.ins.2018.02.070]
21. [21] J. C. Rangel, J. Martinez-Gomez, C. Romero-González, I. Garcia-Varea, and M. Cazorla, "Semi-supervised 3D object recognition through CNN labeling," Applied Soft Computing, vol. 65, pp. 603-613, 2018. [DOI:10.1016/j.asoc.2018.02.005]
22. [22] M. Rezaei, M. Rezaeian, V. Derhami, F. Sohel, M. Bennamoun, "Deep learning-based 3D local feature descriptor from Mercator projections", Computer Aided Geometric Design, Vol. 74, pp. 101771, 2019. [DOI:10.1016/j.cagd.2019.101771]
23. [23] R. B. Rusu, N. Blodow, Z. C. Marton, and M. Beetz, "Aligning point cloud views using persistent feature histograms," in 2008 IEEE/RSJ international conference on intelligent robots and systems, 2008: IEEE, pp. 3384-3391. [DOI:10.1109/IROS.2008.4650967]
24. [24] R. B. Rusu, N. Blodow, and M. Beetz, "Fast point feature histograms (FPFH) for 3D registration," in 2009 IEEE international conference on robotics and automation, 2009: IEEE, pp. 3212-3217. [DOI:10.1109/ROBOT.2009.5152473]
25. [25] R. B. Rusu, G. Bradski, R. Thibaux, and J. Hsu, "Fast 3d recognition and pose using the viewpoint feature histogram," in 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2010: IEEE, pp. 2155-2162. [DOI:10.1109/IROS.2010.5651280]
26. [26] D. Salomon, Transformations and projections in computer graphics. Springer Science & Business Media, 2007.
27. [27] F. Tombari, S. Salti, and L. Di Stefano, "Unique shape context for 3D data description," in Proceedings of the ACM workshop on 3D object retrieval, 2010, pp. 57-62. [DOI:10.1145/1877808.1877821]
28. [28] F. Tombari, S. Salti, and L. Di Stefano, "Unique signatures of histograms for local surface description," in European conference on computer vision, 2010: Springer, pp. 356-369. [DOI:10.1007/978-3-642-15558-1_26]
29. [29] W. Wohlkinger and M. Vincze, "Ensemble of shape functions for 3d object classification," in 2011 IEEE international conference on robotics and biomimetics, 2011: IEEE, pp. 2987-2992. [DOI:10.1109/ROBIO.2011.6181760]
30. [30] J. Yang, Z. Cao, and Q. Zhang, "A fast and robust local descriptor for 3D point cloud registration," Information Sciences, vol. 346, pp. 163-179, 2016. [DOI:10.1016/j.ins.2016.01.095]
31. [31] J. Yang, Q. Zhang, and Z. Cao, "Multi-attribute statistics histograms for accurate and robust pairwise registration of range images," Neurocomputing, vol. 251, pp. 54-67, 2017. [DOI:10.1016/j.neucom.2017.04.015]
32. [32] J. Yang, Q. Zhang, Y. Xiao, and Z. Cao, "TOLDI: An effective and robust approach for 3D local shape description," Pattern Recognition, vol. 65, pp. 175-187, 2017. [DOI:10.1016/j.patcog.2016.11.019]
33. [33] D. Zai et al., "Pairwise registration of TLS point clouds using covariance descriptors and a non-cooperative game," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 134, pp. 15-29, 2017. [DOI:10.1016/j.isprsjprs.2017.10.001]
34. [34] "What are Point Clouds". Tech27.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
