ارزیابی عملکرد الگوریتم های استخراج ویژگی و تاثیر آن ها بر دقت و کارایی ناوبری بصری

استخراج ویژگی یکی از مراحل اساسی در ناوبری بصری است که تاثیر چشمگیری بر دقت تخمین موقعیت دارد. این مرحله به عنوان پایه فرآیند شناسایی و تمایز اشیاء و نقاط شاخص در تصاویر عمل کرده و در مراحل بعدی، مانند تطابق ویژگی ها و ردیابی حرکت، نقش حیاتی ایفا می کند. این مقاله تاثیر الگوریتم های استخراج ویژگی بر دقت تخمین موقعیت در ناوبری بصری را بررسی کرده و هدف اصلی آن تحلیل و مقایسه عملکرد الگوریتم های Harris، FAST، SIFT، CenSurE و ORB از نظر دقت در تخمین موقعیت و مدت زمان پردازش هر مرحله است. با استفاده از مجموعه داده های تصویری، میانگین خطاها و مدت زمان های پردازش برای هر الگوریتم محاسبه و نتایج به صورت مقایسه ای ارائه شده است. نتایج نشان می دهند که الگوریتم CenSurE به دلیل زمان پردازش کمتر، برای کاربردهای بلادرنگ و سایر کاربردهایی که نیازمند پردازش سریع هستند، ایده آل است. سرعت بالای این الگوریتم در پردازش ویژگی ها، آن را به گزینه ای مناسب برای این نوع کاربردها تبدیل می کند. در مقابل، الگوریتم Harris با وجود مدت زمان پردازش بیشتر، دقت بالایی در تخمین موقعیت و سنجش زوایای چرخشی دارد و در سناریوهایی که دقت بر سرعت اولویت دارد، گزینه ای کارآمد است. الگوریتم های FAST و SIFT نیز ترکیبی از سرعت و دقت را ارائه می دهند، الگوریتم FAST با زمان پردازش پایین، عملکرد مناسبی در محورهای افقی دارد و برای کاربردهایی با نیاز به پردازش سریع مناسب است، در حالی که Harris دقت بیشتری را در تخمین موقعیت فراهم می آورد. الگوریتم ORB نیز با سرعتی متوسط، عملکردی نسبتا قابل قبول را نشان می دهد، اما در برخی ویژگی های موقعیتی دقت کمتری دارد. این مقاله به درک عمیق تری از اثرات الگوریتم های استخراج ویژگی بر دقت تخمین موقعیت کمک کرده و بستر مناسبی برای تحقیقات آینده در این حوزه فراهم می سازد.

کلیدواژه ها:

visual odometry ، Detection algorithms ، computer vision ، feature detection ، Feature matching