Тереңдік камерасын қолдану арқылы дескрипторлы бақылау алгоритмі

КІРІСПЕ
1. ШУДЫ ӨШІРУ ЖӘНЕ АЙМАҚТЫ ӘРКЕЛКІ ЖАРЫҚТАНДЫРУДЫ ТҮЗЕТУ
2. ОБЪЕКТІГЕ БАҚЫЛАУ ОРНАТУ АЛГОРИТМІ
3. КОМПЬЮТЕРЛІК ҮЛГІЛЕУ НӘТИЖЕЛЕРІ
ҚОРЫТЫНДЫ

Объектіге бақылау орнату медицина, қоғамдық орындардағы тәртіпті бақылау және қауіпсіздік жүйесі және т.б. салаларда практикалық қолданысқа ие. Бақылау орнатудың сенімді алгоритмін жасау үшін тетікте аддитивті шудың болуы, жарықтандыруды әркелкілігі, бір объектілерді басқаларының ішінара жабуы, айналыс, үлкейту және т.б. объект бейнелерінің геометриялық бұрмалануы секілді факторларды ескеру қажет.
Бақылау орнату алгоритмдерін объектіні сәйкестендіруге қолданылатын дескриптор типі бойынша жіктеуге болады [1]: алгоритмдер объектіні суреттеу үшін нұсқа негізінде [2]–[4] әр түрлі статистикалық сипаттамаларды қолданады; алгоритмдер сұлбалар негізінде объектілердің формасын және шекараларын қолданады [5], [6]; алгоритмдер белгілер негізінде [7], [8] бақылау орнату объектісінің өзіне тән белгілерін (мүдделік нүкте) бөледі.
Соңғы уақытта бақылау орнату алгоритмдері нарыққа RGBD, сонымен қатар Microsoft Kinect және ASUS Xtion PRO гибридті камераларының шығуына байланысты қайтадан біршама деңгейде танымалдылыққа ие болды. Бұған себеп, мұндай камералардың пайда болуына дейін аймақ тереңдігі жөнінде ақпарат алу есептелуі бойынша күрделі мәселе болатын. Қазіргі уақытта тереңдіктің бейнебелгісі және картасы нақты уақыт өлшемінде алына алады және объектіге бақылау орнату жүйесінде тиімді түрде қолданылады. Заманауи бақылау орнату алгортимдерін үлкен екі топқа бөлуге болады: дескриптор жаңаруының адаптивті үлгісін қолданатын, бірақ аймақ тереңдігі жөнінде ақпаратты қолданбайтын алгоритмдер [9], [10]; аймақ тереңдігі жөнінде ақпаратты қосымша түрде қолданатын алгоритмдер [11], [12]. Бақылау орнату алгоритмдері әдетте үш ретті қадамдардан тұрады: дескрипторларды салыстыру, топтау және болжау.

1. Yilmaz A., Javed O., Shah M. Object tracking: A survey. ACM Computer Surveys, 2006, Vol. 38, No. 4, p. 45.
2. Schweitzer H., Bell J., Wu F. Very fast template matching. Eur. Conf. on Comp. Vis., 2002, pp. 358–372.
3. Nejhum S, Ho J., Yang M. Online visual tracking with histograms and articulating blocks. Comp. Vis. and Img. Underst, 2010, pp. 901–914.
4. Diaz-Ramirez V.H., Picos K., Kober V. Target tracking in nonuniform illumination conditions using locally adaptive correlation ﬁlters. Optics Communications, 2014, Vol. 323, pp. 32–43.
5. Haritaoglu I., Harwood D., Davis L. W4: real-time surveillance of people and their activities. IEEE Trans. on Patt. Anal. and Mach. Intell., 2000, Vol. 22, No. 8, pp. 809-830 .
6. Talu F., Turkoglu I., Cebeci M. A hybrid tracking method for scaled and oriented objects in crowded scenes. Exp. Syst. with App., 2011, Vol. 38, pp. 13682–13687.
7. Buchanan A., Fitzgibbon A. Document image dewarping using robust estimation of curled text lines. Combining local and global motion models for feature point tracking, 2007, pp. 1–8.
8. Sbalzarini I., Koumoutsakos P. Feature point tracking and trajectory analysis for video imaging in cell biology. Jour. of Struct. Bio, 2005, Vol. 151, No. 2, pp. 182–195.
9. Kalal Z., Mikolajczyk K., Matas J. Tracking-learning-detection. IEEE Trans. Pat- tern Anal. Mach. Intell., 2012, Vol. 34, No. 7, pp. 1409–1422.
10. Babenko B., Ming-Hsuan Y. C., Belongie S. Visual tracking with online multiple instance learning. IEEE Conf. on Comp. Vis. and Patt. Rec., 2009, pp. 983–990.
11. Song S., Xiao J. Cluster based weighted SVM for the recognition of Farsi handwritten digits. Tracking revisited using rgbd camera: Uniﬁed benchmark and base- lines, 2013, pp. 233–240.
12. Meshgi K., Maeda S., Oba S., Ishii S. Fusion of multiple cues from color and depth domains using occlusion aware bayesian tracker. IEICE Tech. Rep. Neurocomp, 2014, Vol. 114, No. 500, pp. 127–132.
13. Dalal N., Triggs B. Histograms of oriented gradients for human detection. Comp. Vis. and Patt. Rec, 2005, Vol. 1, pp. 886–893.
14. Miramontes-Jaramillo D., Kober V., Daz-Ramrez V. CWMA: Circular window matching algorithm. Proc. 18th Iberoam. Cong. in Patt. Rec., 2013, LNCS 8258, pp. 439–446.
15. Miramontes-Jaramillo D., Kober V., Daz-Ramrez V. A novel Image Matching Algorithm Based on Sliding Histograms of Oriented Gradients. Journal of Communications Technology and Electronics, 2014, Vol. 59, No. 12, pp. 1446–1450.
16. Gupta V. Nonlinear ﬁlters with spatially connected neighborhoods. Laxmi Publications, 2005.
17. Ramos E.M., Kober V. Design of correlation ﬁlters for recognition of linearly distorted objects in linearly degraded scenes. Journal OSA A, 2007, Vol. 24, No. 11, pp. 3403–3417.
18. Yaroslavsky L.P., Eden M. Fundamentals of Digital Optics. Birkh¨ause, Boston, 1996.
19. Po-Ming L., Hung-Yi C. Adjustable gamma correction circuit for TFT LCD. IEEE Symp. On Circ. And Syst., 2005, pp. 780–783.
20. Pratt W.K. Digital Image Processing. John Wiley & Sons, 2007.
21. Takacs G., Chandrasekhar V., Tsai S., Grzeszczuk R., Girod B. Distortion invariant pattern recognition with local correlations. Fast computation of rotation-invariant image features by approximate radial gradient transform, 2013, Vol. 22, No. 8, pp. 2970–2982.

Пән: Физика
Жұмыс түрі: Материал
Тегін: Антиплагиат
Көлемі: 13 бет
Таңдаулыға:

Тереңдік камерасын қолдану арқылы дескрипторлы бақылау алгоритмі

Д. Мирамонте-Харамилло∗, В.И. Кобер∗∗, В.Х. Диас-Рамирес∗∗∗, В.Н. Карнаухов∗∗

∗ есептеу техникасы Фаукультеті, ғылыми зерттеулер және жоғары білім Орталығы, Энсенада, 22860, Мексика
∗ ақпарат жіберу мәселесі бойынша Институт, Институт проблем передачи информации, Ресей ғылым академиясы, Мәскеу, 127051, Ресей
∗∗∗ Ұлттық политехникалық институт - сандық технологияларды зерттеу және дамыту Орталығы, Тихуана, 22510, Мексика
Редакция алқасына 01.02.2016 келіп түсті

Аннотация - арзан және сапалы бейнекамералардың және тереңдік камераларының пайда болуы объектілерге бақылау жасау алгоритмдерінің үлкен санын жасауға алып келді. Бұл мақалада Microsoft Kinect тереңдік камерасынан келген ақпаратты қолданатын, объектілерге нақты уақыт өлшемінде бақылау жасаудың жаңа дескрипторлы алгоритмі ұсынылады. Объектіге бақылау жасауды дескрипторлы түрде сипаттау үшін аймақ бейнесінің аумақтары бойынша жылжымалы шеңберлі түрде есептелген бағытталған градиенттердің гистограммасы қолданылады. Аймақ тереңдігі жөніндегі ақпарат объектіні басқа сахна заттарымен ішінара жабуда пайдаланылады. Бақылау жасау үдерісін жылдамдату үшін объекті қозғалысын болжау үлгісі қолданылады. Нақты уақыт өлшемі режимін қамтамасыз ету мақсатында алгоритм көпядорлы графикалық процессорде іске асырылған.

ТҮЙІНДІ СӨЗДЕР: объектіге бақылау орнату, бағытталған градиенттердің гистограммасы, нақты уақыт алгоритмі.

КІРІСПЕ

Объектіге бақылау орнату медицина, қоғамдық орындардағы тәртіпті бақылау және қауіпсіздік жүйесі және т.б. салаларда практикалық қолданысқа ие. Бақылау орнатудың сенімді алгоритмін жасау үшін тетікте аддитивті шудың болуы, жарықтандыруды әркелкілігі, бір объектілерді басқаларының ішінара жабуы, айналыс, үлкейту және т.б. объект бейнелерінің геометриялық бұрмалануы секілді факторларды ескеру қажет.
Бақылау орнату алгоритмдерін объектіні сәйкестендіруге қолданылатын дескриптор типі бойынша жіктеуге болады [1]: алгоритмдер объектіні суреттеу үшін нұсқа негізінде [2] - [4] әр түрлі статистикалық сипаттамаларды қолданады; алгоритмдер сұлбалар негізінде объектілердің формасын және шекараларын қолданады [5], [6]; алгоритмдер белгілер негізінде [7], [8] бақылау орнату объектісінің өзіне тән белгілерін (мүдделік нүкте) бөледі.
Соңғы уақытта бақылау орнату алгоритмдері нарыққа RGBD, сонымен қатар Microsoft Kinect және ASUS Xtion PRO гибридті камераларының шығуына байланысты қайтадан біршама деңгейде танымалдылыққа ие болды. Бұған себеп, мұндай камералардың пайда болуына дейін аймақ тереңдігі жөнінде ақпарат алу есептелуі бойынша күрделі мәселе болатын. Қазіргі уақытта тереңдіктің бейнебелгісі және картасы нақты уақыт өлшемінде алына алады және объектіге бақылау орнату жүйесінде тиімді түрде қолданылады. Заманауи бақылау орнату алгортимдерін үлкен екі топқа бөлуге болады: дескриптор жаңаруының адаптивті үлгісін қолданатын, бірақ аймақ тереңдігі жөнінде ақпаратты қолданбайтын алгоритмдер [9], [10]; аймақ тереңдігі жөнінде ақпаратты қосымша түрде қолданатын алгоритмдер [11], [12]. Бақылау орнату алгоритмдері әдетте үш ретті қадамдардан тұрады: дескрипторларды салыстыру, топтау және болжау. Салыстыру сатысында дескрипторы бақылау орнату объектісінің дескрипторына барынша ұқсайтын кадр үзіндіні іздеу жүргізіледі. Сәйкес келетін үзінді табылған кезде, табылған объектіні топтау жүзеге асырылады. Бұл мақсатта бинарлы жіктеуші қолданылады. Және соңында, бақылау орнатылған объектінің ағымдағы жағдайына байланысты объектінің келесі кадрдағы неғұрлым ықтимал болатын күйі болжанады.
Бұл мақалада объектіні дескрипторлы суреттеуге бағытталған градиенттер гистограммасын [13] қолданатын және аймақтың бейнесінің жылжымалы шеңберлі терезелері арқылы есептелетін бақылау орнату алгоритмі ұсынылған [14], [15]. Шудың статистикалық параметрлері аймақ бейнесін өңдеудің басында өлшенеді, және де бұл ақпарат бағытталған градиенттер гистограммасының дискреттік деңгейлерінің минималды мөлшерін есептеу үшін қолданылады. Одан бөлек, әркелкі жарықтандыру аймақ бейнесінде бейімделген түрде түзеледі. Ағымдағы күй бойынша объектінің келесі кадрдағы қалпын болжау үшін уақыттық қатар және аймақ тереңдігі жөнінде ақпарат негізінде қозғалысты болжау үлгісі қолданылады. Өңделіп жатқан үзіндінің тереңдігі жөніндегі ақпарат объектінің басқа аймақтық заттармен жабылуы мәселесін шешуге де көмектеседі. Бақылау орнатудың нақты уақыт режимін қамтамасыз ету үшін (секундына 30 кадр) алгоритм бірнеше гистограммаларды бір мезгілде өңдеу үшін көпядорлы графикалық процессорда SIMD технологиясын қолдану арқылы іске асады.
Мақала келесі түрде ұйымдастырылған: 1-бөлімде аймақ бейнесіндегі шуды кетіру алгоритмі сипатталады, сондай-ақ аймақты әркелкі түрде жарықтандыруды түзету; 2-бөлімде бақылау орнатудың ұсынылатын алгоритмі суреттеледі; 3-бөлімде компьютерлік модельдеу көмегімен танымал мәліметтер базасында ұсынылатын алгоритмнің және ең сәтті заманауи бақылау орнату алгоритмдерінің жұмыс сапасы салыстырылады.

1. ШУДЫ ӨШІРУ ЖӘНЕ АЙМАҚТЫ ӘРКЕЛКІ ЖАРЫҚТАНДЫРУДЫ ТҮЗЕТУ

Көптеген бейнені өңдеу алгоритмдерінің бірінші қадамы суреттеуші жүйелердің және қоршаған орта жағдайларының әсерінен болатын бұрмалануларды түзету болып табылады. Тетіктердің кең жолақты аддитивті шуы оңтайлы сызықтық сүзгілеу көмегімен тиімді түрде өшіріледі [17]. Ол үшін шудың шу дисперсиясы секілді статистикалық параметрлерін өлшеу қажет. Ақ шудың автоковариациялық қызметі, шын мәнінде, Кронекер қызметі болып табылады. Сондықтан бұрмаланбаған белгінің ковариоциондық қызметі бұрмаланған белгінің ковариоциондық қызметінен қызмет мәнінің координата басы маңындағы сызықтық экстраполяция жолы арқылы алынуы мүмкін [18]. 1-суретте көрсетілгендей, ақ шудың дисперсиясын бағалау - осы екі қызмет арасындағы айырмашылық. Шудың орташашаршылық ауытқуын бағалау (σn) бағытталған градиенттердің гистограммасын шудың есептеу бұрыштарына енгізетін, соның нәтижесінде мүмкін болатын кемшіліктерін ескере отырып кванттау үшін қолданылады. Q гистограммасын кванттаудың деңгейінің саны келесі түрде алынуы мүмкін:

Q = 360σn, (1)

мұндағы, [::] -- нақты санның толық бөлігінің операторы. Әркелкі жарықтандыруды түзету үшін нақты жұмыста аймақ бейнесін гамма-түзету пайдаланылады [19]. Егер сырттан келетін белгінің динамикалық ауқымы үлкен болса, әдетте белгіні одан әрі кванттау үшін ауқымды сызықтық қысу жүргізіледі. Адамның көзі визуалды ақпаратты өте жақсы қабылдау үшін ауқымды сызықтық емес түрде қысуды автоматты түрде жүзеге асырады. Бейнені гамма-түзету әркелкі жарықтандыру жағдайында визуалды қабылдауды жақсартуға, мүмкіндік береді, жергілікті кереғарлықты күшейтуге, және де нәтижесінде, келесі градиент оператордың жұмыс сапасын жақсартуға мүмкіндік береді. Ең үздік нәтижелер гамма-түзетудің [12.2, 12.6] ауқымындағы параметрлерінің мәндерінде алынады.
1-сурет. Ақ шудың дисперсиясын есептеу: σf2 - бақыланатын белгінің дисперсиясы, σf2- бұрмаланбаған белгінің дисперсиясы, σn2 - ақ шудың дисперсиясы.

Гамма-түзетудің мысалы 2-суретте көрсетілген, және де ол келесі түрде есептеледі:

Vo=VIp, (2)

мұндағы, Vo және VI - сырттан келетін және сырта шығатын бейне, ρ - гамма-түзетудің параметрі. Оңайлату үшін нақты жұмыста сырттан келетін белгінің квадраттық түбірін элемент бойынша шығару сатылары қолданылған.

2-сурет. а) бастапы бейне , б) гамма-түзетуден кейінгі бейне

Бұл әдіс аймақты әркелкі жарықтандыруды түзетеді және жергілікті көлеңкелердің пайда болу тиімділігін азайтады. Кадр үзіндісі немесе жылжымалы терезе аумағы секілді шағын көлем аумақтарында әркелкі жарықтандыру жергілікті біркелкелкілікке айналады. Осылайша, салыстыру мәселелерін шешуде барлық бейнені емес, шағын үзінділерді қолдану салыстыру сапасын есептеушілік оңай әдіс арқылы біршама жақсартуға мүмкіндік береді. Бақылау орнату алгоритмінің сапасын әркелкі жарықтандыру жағдайында жақсарту үшін аймақ тереңдігі жөнінде Kinect камерадан алынған қосымша ақпарат пайдаланылады. Бұл ақпарат жарыққтандыруға инвариантты болып келеді. Объектті аймақтың басқа заттарымен жабуда бұл ақпарат бақылау орнатылған объектті іздеу барысында салыстыру үшін келіп түсетін үзінділер санын азайтуға көмектеседі.

2. ОБЪЕКТІГЕ БАҚЫЛАУ ОРНАТУ АЛГОРИТМІ

Бұл бөлімде ұсынылатын бақылау орнату алгоритмінің негізгі құраушылары сипатталған: дөңгелек аумақтардан тұратын геометриялық құрылымы, дескрипторлар - жылжымалы дөңгелек аймақтар бойынша есептелетін бағытталған градиенттердің гистограммалары [14], [15]; белгілер кеңістігін азайтатын итерациондық алгоритм негізінде дескрипторларды салыстыру; және соңында объектінің келесі кадрдағы жағдайын қозғалысты болжау үлгісін және аймақ тереңдігінің картасын қолдана отырып бағалау.

2.1. Геометриялық құрылымы

Үлгілік бейнедегі дөңгелек терезелер жинағын {Wi, i = 1, . . . , M} келесі жабық дискілерінің жинағы ретінде анықтаймыз:

Wi={(x, y) ∈ R : (x-xi)2 + (y- yi)2=r2 , i = 1, . . . , M}, (3)

Dij= (xi-xj)2+(yi-yj)2,i = 1, . . . , M; j = 1, . . . , M , (4)

γi=cos-1 Di,j+12+Di,j+22-Di,j+322Di,j+1Di,j+ 2, i = 1, . . M;j = 1, . . . , M (5)

мұндағы, (xi, yi) -- терезе ортасының координаттары, r -- диск радиусы, Dij -- i-шы және j-шы дисктер арасындағы ара қашықтық, γi -- i-шы дисктің ортасы мен көршілес екі дисктер ортасы арасындағы бұрыш. Геометриялық құрылымның мысалы 3-суретте келтірілген. Дисктер салыстырмалы ара қашықтық пен терезе орталарының бұрыштары арасында қандай да бір геометриялық құрылымды қалыптастырады.

3-сурет. Бақылау орнату объектісіне енгізілген геометриялық құрылымның мысалы.

Бағытталған градиенттердің гистограммасы дөңгелек аумақтарда есептеледі және салыстыру үшін қолданылады. Атап өтетін жайт, құрылымның кез келген позициясында әрбір диск бұрылыс кезінде өзгермейтін бейне аумағын қамтиды. Сәйкесінше, дөңгелек аумақтарда есептелетін бағытталған градиенттердің гистограммасы бұрылысқа қатысты да инвариантты болып келеді. Салыстыру үшін тек бір ғана терезені қолдану салыстырудың төмен нәтижелерін береді. Сондықтан да үлгілік объектінің барынша үлкен ішкі аумағын толтыратындай дисктердің минималды санын таңдауға кеңес беріледі. Бағытталған градиенттердің гистограммасы салыстыру үшін жақсы белгілер болып табылады [13], өйткені олар жақсы дискриминанттық қабілетке ие және айналу және үлкейту сияқты аздаған деформацияларға төзімді болып келеді. Одан бөлек, геометриялық құрылым тағы бір ерекшелікке ие: әрбір диск объект жайындағы ақпаратты қамтиды, сондықтан объектіні басқа заттармен ішінара жабу кезінде қандай да бір дисктің ақпараты қол жетімсіз болуы мүмкін, алайда келесі кадрдағы объектіні іздеу аумағын орнату үшін құрылым қалған дисктердің орналасуын анықтай алады.

2.2. Дескрипторлы суреттеу

Ұсынылып отырған дескриптор геометриялық құрылымның дисктері мөлшерімен бірдей жабық дисктерде есептелетін бағытталған градиенттер гистограммасына негізделген. Градиенттерді аймақтың тегістелген бейнесінде (шуды өшіргеннен кейін) есептеу үшін әдетте Собель, Робинсон және Кирша сияқты [20] градиенттің операторлары қолданылады. Бұл операторлар бейне бөлшектерінің шекараларындағы градиент операторына қатты әсерді азайту үшін бейнені қосымша тегістейді. Көптеген эксперименттер көрсеткендей, нақты бейнелерде маңызды бөлшектерді тегістеу әсерінсіз жұмыс істейтін градиенттің қарапайым операторларын қолдану жеткілікті, мысалы

gx = [ − 1 0 1] , gy = -1 0 1 . (6)
Модуль және градиент бұрышы бейненің әрбір нүктесінде (x, y) былай есептеледі:

mag(x, y) = gx2+gy2, (7)

ori(x, y) =180PItan-1(gygx). (8)

Градиент бұрышының қамту ауқымы [00, 3600] аралығында орналасқан. Видеотүсірілім жасаудың әр түрлі жағдайларына байланысты екі көршілес кадрдың саналу мәні байланысты аздаған өзгерістері болуы мүмкін, саналу мәні 360◦ бұрышының мәнінде гистограмманы қатты өзгертуі мүмкін. Осы өзгерістердің онын толтыру үшін Q кванттау деңгейлерінің саны шудың орташаквадраттық ауытқуына байланысты таңдалады (1). Градиент бұрышы әрбір санау үшін былай квантталады [21].

φ = Q360ori(x, y) + 12, (9)

Мұнда 12 коэффициенті координат басының сағат тіліне қарама-қарсы айналуын ескереді, сондықтан бұрыштың гистограмма басындағы және соңындағы мәні кванттаудың бірінші деңгейіне тиесілі болады. Осылайша, градиент бұрышы үшін циклдық шарт орындалды. Графикалық процессор көмегімен өңдеу мәселені ешқандай мәнсіз етеді. Бағытталған градиенттердің гистограммасы былай есептеледі:

HOG(a) = (x,y)∈Rδα- φx,y егер magx, y= Med 0, олай болмаған жағдайда , (10)

мұндағы, α = (0, . . . , Q − 1) -- гистограмманың дискреттік деңгейінің номері, Med -- дөңгелек терезе ішіндегі градиент модульдерінің медианасы және δ(z)=1, z=00,олай болмаған жағдайда -- Кронекердің дельта-функциясы. Айналымға қатысты инварианттылықты қамтамасыз ету үшін, үлгілік бейненің гистограммасын және аймақ үзіндісін салыстыру үшін жүйеленген корреляциялық оператор пайдаланылады. Бағытталған градиенттердің орталықтандырылған және жүйеленген гистограммасын келесідей түрде есептейміз:

HOG (α) = HOG(α) - MeanVar, (11)

мұндағы, Mean және Var -- сәйкесінше, гистограмманың таңдамалы орташа мәні және дисперсиясы. Теңдеудегі есептеу (10) шамамен [PIr2] қосу операцияларын талап етеді. Есептеу күрделілігін төмендету үшін, кез келген позициядағы жылжымалы терезе гистограммасын есептеу рекурсивті әдіспен орындалуы мүмкін. Мұндай әдіс қосу операциялары тәртібінің [2PIr] есептеу күрделілігіне әкеледі [15] (4-суретті қараңыз).

4-сурет. Гистограмманы бағаналар бойымен рекурсивті есептеу

2.3. Бейне үзінділерін салыстыру
Итерациондық үдерістің k-шы қадамында аймақ үзіндісінің бағытталған градиенттер гистограммасы есептеледі. Салыстыру Фурье аумағындағы аймақ үзіндісінің k-шы позициясындағы i-ші жылжымалы терезесінің гистограммасы мен бақыланатын объектінің i-ші жылжымалы терезесі аралығында корреляция көмегімен орындалады [20],

Cik(α) = IFT[HSik(ω)HOi*(ω)], (12)

мұндағы, HSik(ω) -- бағытталған градиенттердің Фурье гистограммасының сырттан келетін аймақтың i-ші терезесінің ішінде түрленуі, HOi(ω) -- бағытталған градиенттердің Фурье гистограммасының бақыланатын объектінің i-ші дөңгелек терезесінің ішінде түрленуі, ал жұлдызша ∗ кешендік түйіндесуді білдіреді, IF T [ · ] -- Фурьенің қайтадан түрленуі. Корреляциондық шың екі гистограмманың ұқсастық өлшемі болып табылады және келесі жолмен алынуы мүмкін:

Pik= maxαCik(α) (13)

Бұл корреляциялық шыңдардың мәні [−1,1] ауқымының аралығында жатады. Тұрақтандырылған корреляциялық шыңдар (13) екі маңызды қасиетке ие: гистограмма мәндерінің циклдық қозғалуы шың мәндерінің циклдық қозғалуына сәйкес келетіндіктен, айналымға қатысты инварианттылық; гистограммаларды жүйелеу (11) үлгілік бейненің масштабы мен аймақ масштабының арасындағы аздаған айырмашылықты ескеруге мүмкіндік береді. Барлық дөңгелек терезелер үшін үлгілік бейне бойынша орталықтандырылған және жүйеленген гистограммаларды есептеу және Фурье түрлендірулерін есептеу үлгілік мәліметтерді алдын-ала өңдеу ретінде орындалуы мүмкін. Белгілер кеңістігін азайтатын ұсынылып отырған итерациондық алгоритмді қысқаша түрде келесі түрде сипаттауға болады.

1. C1 корреляциялық қызмет пен P1 корреляциялық шыңын ала отырып, құрылымдағы бірінші дөңгелек терезенің салыстыруын орындау; бұл сатының мақсатының мәні - әрі қарайғы қарастыруда Th алдын ала дайындаған белгілі бір өлшемді қолдана отырып, корреляциялық жазықтықтан барынша көп нүктені шығарып тастауда [14].
2. Бірінші сатыда қалдырылған нүктелер құрылымның екінші дөңгелек терезесімен салыстыру ортасы ретінде қолданылады; әрбір мұндай нүкте үшін ішкі және сыртқы радиустары бар, D1,2 +- ε-ға тең сақиналық аумақ құрылады, сәйкесінше, C2 жазықтығындағы P2 екінші терезенің ішкі шыңын іздеу үшін. Мұндағы ε -- бақыланатын объекті формасының геометриялық деформациясы нәтижесіндегі ара қашықтық өзгеруінің аз көлемі. Реттілік бойынша орналасқан корреляциялық шыңдарды іздеу терезелер арасындағы бұрыштарды есепке ала отырып, жылдам түрде орындалуы мүмкін. Мысалы, үшінші терезе үшін сақиналық аумақтың D2,3 +- ε ішкі және сыртқы радиустармен түйісуін есептейміз және де ашық дөңгелек сектордың екінші терезе шыңы позициясындағы басымен, және γ1+-εγ көлбеуімен шектелген ішкі және сыртқы радиустар арқылы. Мұндай рәсім әрбір қадам сайын қарастыру мақсатында ізделетін әлеуетті нүктелерді іздеу аумағын азайтады. Әрбір қадам графикалық процессор көмегімен орындалады, яғни процессорлар жинағы бір мезгілде көптеген корреляциялық шыңдарды және таңдалған нүктелердің айналасын әрбір итерациядан соң геометриялық құрылымның барлық гистограммасы тексеріліп болғанға дейін талдайды (5-суретті қараңыз). ... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.