10.14489/vkit.2020.03.pp.011-018

DOI: 10.14489/vkit.2020.03.pp.011-018

Тихомирова Т. А., Федоренко Г. Т., Назаренко К. М., Назаренко Е. С.
LEFT: ЛОКАЛЬНЫЙ ДЕСКРИПТОР ОСОБЕННОСТЕЙ КОНТУРНЫХ ИЗОБРАЖЕНИЙ
(c. 11-18)

Аннотация. Предложен оригинальный дескриптор особенностей контурных изображений LEFT (Local Edge Features Transform), аккумулирующий как направления, так и контраст альтернативных касательных в особых точках контура и их окрестности. Благодаря такой структуре взаимная ориентация LEFT-дескрипторов оценивается и учитывается непосредственно на этапе их сравнения. Показано, что в отличие от дескрипторов текстур, жестко привязанных к системе координат изображения, LEFT-дескрипторы адаптируются к форме контура в окрестности особых точек, что позволяет использовать их для анализа локальных и глобальных геометрических искажений различной природы. Представлены результаты сравнительного тестирования LEFT-дескрипторов и рассмотрены альтернативные способы их представления в системах компьютерного зрения.

Ключевые слова: компьютерное зрение; контурное изображение; поиск соответствий; особые точки; локальный дескриптор.

Tikhomirova T. A., Fedorenko G. T., Nazarenko K. M., Nazarenko E. S.
LEFT: LOCAL EDGE FEATURES TRANSFORM
(pp. 11-18)

Abstract. To detect point correspondence between images or 3D scenes, local texture descriptors, such as SIFT (Scale Invariant Feature Transform), SURF (Speeded-Up Robust Features), BRIEF (Binary Robust Independent Elementary Features), and others, are usually used. Formally they provide invariance to image rotation and scale, but this properties are achieved only approximately due to discrete number of evaluable orientations and scales stored into the descriptor. Feature points preferable for such descriptors usually are not belong to actual object boundaries into 3D scenes and so are hard to be used into apipolar relationships. At the same time, linking the feature point to large-scale lines and edges is preferable for SLAM (Simultaneous Localization And Mapping) tasks, because their appearance are the most resistible to daily, seasonal and weather variations.In this paper, original feature points descriptor LEFT (Local Edge Features Transform) for edge images are proposed. LEFT accumulate directions and contrasts of alternative strait segments tangent to lines and edges in the vicinity of feature points. Due to this structure, mutual orientation of LEFT descriptors are evaluated and taken into account directly at the stage of their comparison. LEFT descriptors adapt to the shape of contours in the vicinity of feature points, so they can be used to analyze local and global geometric distortions of a various nature. The article presents the results of comparative testing of LEFT and common texture-based descriptors and considers alternative ways of representing them in a computer vision system.

Keywords: Computer vision; Contour image; Correspondence search; Feature points; Local descriptor.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

Т. А. Тихомирова, Г. Т. Федоренко (ФГУП «Государственный научно-исследовательский институт авиационных систем» ГНЦ РФ, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
К. М. Назаренко, Е. С. Назаренко (Московский государственный технологический университет «СТАНКИН», Москва, Россия)

Eng

T. A. Tikhomirova, G. T. Fedorenko (State Research Institute of Aviation Systems State Scientific Center of Russian Federation, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
K. M. Nazarenko, E. S. Nazarenko (Moscow State University of Technology “STANKIN”, Moscow, Russia)

+ - Библиографический список (References) Click to collapse

Рус

1. Lowe D. G. Object Recognition from Local Scale-Invariant Features // Intern. Conf. on Computer Vision. 1999. V. 2. P. 1150 – 1157. doi: 10.1109/ICCV.1999.790410
2. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints, Cascade Filtering Approach // Intern. Journal of Computer Vision. 2004. V. 60. P. 91 – 110.
3. SURF: Speeded Up Robust Features / H. Bay et al. // Computer Vision and Image Understanding (CVIU). 2008. V. 110, No. 3. P. 346 – 359. doi: 10.1007/11744023_32
4. BRIEF: Binary Robust Independent Elementary Features / M. Calonder et al. // European Conf. on Computer Vision. 2010. V. 6314. P. 778 – 792. doi: 10.1007/978-3-642-15561-1_56
5. ORB: an Efficient Alternative to SIFT or SURF / E. Rublee et al. // Intern. Conf. on Computer Vision. 2011. V. 58, Is. 11. P. 2564 – 2571. doi:10.1109/ ICCV.2011.6126544
6. Leutenegger S., Chli M., Siegwart R. Y. BRISK: Binary Robust Invariant Scalable Keypoints // Intern. Conf. on Computer Vision. 2011. P. 2548 – 2555. doi: 10.1109/ICCV.2011.6126542
7. Alahi A., Ortiz R., Vandergheynst P. FREAK: Fast Retina Keypoint // Computer Vision and Pattern Recognition (CVPR). 2012. P. 510 – 517. doi: 10.1109/ CVPR.2012.6247715
8. Alcantarilla P., Bartoli A., Davison A. KAZE Features // European Conference on Computer Vision. 2012. V. 4. P. 214 – 227. doi: 10.1007/978-3-642-33783-3_16
9. Alcantarilla P., Nuevo J., Bartoli A. Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces // British Machine Vision Conf. 2013. P. 13.1 – 13.11. doi: 10.5244/C.27.13
10. Tola E., Lepetit V., Fua P. A Fast Local Descriptor for Dense Matching // Conf. on Computer Vision and Pattern Recognition, Alaska, USA, June 2008. 8 p. URL: https://infoscience.epfl.ch/record/126372/files/ tolaLF_cvpr08.pdf (дата обращения: 12.02.2020).
11. Краснобаев Е. А., Чистобаев Д. В., Малышев А. Л. Сравнение бинарных дескрипторов особых точек изображений в условиях искажений // Компью¬терная оптика. 2019. Т. 43, № 3. С. 434 – 445. doi: 10.18287/2412-6179-2019-43-3-434-445
12. Maity S., Saha A., Bhowmick B. Edge SLAM: Edge Points Based Monocular Visual SLAM // Intern. Conf. on Computer Vision Workshops (ICCVW). 2017. P. 2408 – 2417. doi: 10.1109/ICCVW.2017.284
13. Касательное накрытие контуров: синтез и применение / Т. А. Тихомирова и др. // Вестник компьютерных и информационных технологий. 2011. № 7. С. 21 – 25.
14. Тихомирова Т. А. Метод выбора визуальных ориентиров для задач наведения // Вестник компьютерных и информационных технологий. 2017. № 10. С. 3 – 13. doi:10.14489/vkit.2017.10.pp.003-012
15. Динамическая фильтрация визуальных контурных реперов / Т. А. Тихомирова и др. // Вестник компьютерных и информационных технологий. 2019. № 4. С. 25 – 32. doi:10.14489/vkit.2019.04. pp.025-032
16. Dataset Download // Computer Vision Group: TUM Department of Informatics; Technical University of Munich. URL: https://vision.in.tum.de/data/datasets/rgbd-dataset/download (дата обращения: 01.02.2020).
17. Google Планета Земля: самый подробный Глобус [Электронный ресурс]. URL: https://www. google.com/intl/ru/earth/ (дата обращения: 01.02.2020).
18. Tola E., Lepetit V., Fua P. DAISY: An Efficient Dense Descriptor Applied for Wide Baseline Stereo // Transactions on Pattern Analysis and Machine Intelligence. 2010. V. 32, No. 5. P. 815 – 830. doi: 10.1109/ TPAMI.2009.77.

Eng

1. Lowe D. G. (1999). Object Recognition from Local Scale-Invariant Features. International Conference on Computer Vision, Vol. 2, pp. 1150 – 1157. doi: 10.1109/ ICCV.1999.790410
2. Lowe D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints, Cascade Filtering Approach. International Journal of Computer Vision, Vol. 60, pp. 91 – 110.
3. Bay H. et al. (2008). SURF: Speeded Up Robust Features. Computer Vision and Image Understanding (CVIU), Vol. 110, (3), pp. 346 – 359. doi: 10.1007/11744023_32
4. Calonder M. et al. (2010). BRIEF: Binary Robust Independent Elementary Features. European Conference on Computer Vision, Vol. 6314, pp. 778 – 792. doi: 10.1007/978-3-642-15561-1_56
5. Rublee E. et al. (2011). ORB: an Efficient Alternative to SIFT or SURF. International Conference on Computer Vision, Vol. 58, (11), pp. 2564 – 2571. doi:10.1109/ ICCV.2011.6126544
6. Leutenegger S., Chli M., Siegwart R. Y. (2011). BRISK: Binary Robust Invariant Scalable Keypoints. International Conference on Computer Vision, pp. 2548 – 2555. doi: 10.1109/ICCV.2011.6126542
7. Alahi A., Ortiz R., Vandergheynst P. (2012). FREAK: Fast Retina Keypoint. Computer Vision and Pattern Recognition (CVPR), pp. 510 – 517. doi: 10.1109/ CVPR.2012.6247715
8. Alcantarilla P., Bartoli A., Davison A. (2012). KAZE Features. European Conference on Computer Vision, Vol. 4, pp. 214 – 227. doi: 10.1007/978-3-642-33783-3_16
9. Alcantarilla P., Nuevo J., Bartoli A. (2013). Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces. British Machine Vision Conference, pp. 13.1 – 13.11. doi: 10.5244/C.27.13
10. Tola E., Lepetit V., Fua P. (2008). A Fast Local Descriptor for Dense Matching. Conference on Computer Vision and Pattern Recognition. Alaska. Available at: https://infoscience.epfl.ch/record/126372/files/ tolaLF_cvpr08.pdf (Accessed: 12.02.2020).
11. Krasnobaev E. A., Chistobaev D. V., Malyshev A. L. (2019). Comparison of binary descriptors of specific image points under distortion conditions. Komp'yuternaya optika, Vol. 43, (3), pp. 434 – 445. [in Russian language] doi: 10.18287/2412-6179-2019-43-3-434-445
12. Maity S., Saha A., Bhowmick B. (2017). Edge SLAM: Edge Points Based Monocular Visual SLAM. International Conference on Computer Vision Workshops (ICCVW), pp. 2408 – 2417. doi: 10.1109/ ICCVW.2017.284
13. Tihomirova T. A. et al. (2011). Tangent covering of contours: synthesis and application. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (7), pp. 21 – 25. [in Russian language]
14. Tihomirova T. A. (2017). Method for selecting visual landmarks for guidance tasks. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (10), pp. 3 – 13. [in Russian language] doi:10.14489/ vkit.2017.10.pp.003-012
15. Tihomirova T. A. et al. (2019). Dynamic filtering of visual contour frames. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (4), pp. 25 – 32. [in Russian language] doi:10.14489/vkit.2019.04. pp.025-032
16. Dataset Download. Computer Vision Group: TUM Department of Informatics. Technical University of Munich. Available at: https://vision.in.tum.de/data/ datasets/rgbddataset/download (Available: 01.02.2020).
17. Google Earth: the most detailed Globe. Available at: https://www. google.com/intl/ru/earth/ Accessed: 01.02.2020). [in Russian language]
18. Tola E., Lepetit V., Fua P. (2010). DAISY: An Efficient Dense Descriptor Applied for Wide Baseline Stereo. Transactions on Pattern Analysis and Machine Intelligence, Vol. 32, (5), pp. 815 – 830. doi: 10.1109/ TPAMI.2009.77.

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.03.pp.011-018

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.03.pp.011-018

and fill out the form