RT - Journal Article T1 - A novel local feature descriptor using the Mercator projection for 3D object recognition JF - jsdp YR - 2022 JO - jsdp VO - 19 IS - 1 UR - http://jsdp.rcisp.ac.ir/article-1-1163-fa.html SP - 111 EP - 124 K1 - Point cloud K1 - 3D object recognition K1 - Local descriptor K1 - Mercator projection AB - 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. LA eng UL http://jsdp.rcisp.ac.ir/article-1-1163-fa.html M3 10.52547/jsdp.19.1.111 ER -