تطبیق صحنه با ترکیب SIFT و ORB : بهبود کارایی و مقاوم سازی در پردازش تصویر

الگوریتم های تطبیق ویژگی زیربنای کلیدی بسیاری از کاربردهای بینایی ماشین به شمار می روند. با توجه به تنوع زیاد زمینه های کاربردی این الگوریتم ها و دامنه وسیع تغییرات بصری تصاویر، ارزیابی عملکرد الگوریتم ها یک جنبه نسبی داشته و انتخاب الگوریتم مناسب به تعادل بین دقت، سرعت، مقاومت و منابع محاسباتی بستگی دارد. در این تحقیق تلاش خواهد شد که ساختار الگوریتم های تطبیق کلاسیک و مبتنی بر یادگیری تحلیل شده و برخی از چالش های این الگوریتم ها بررسی شود. همچنین تلفیقی از این الگوریتم های SIFT و ORB در راستای بهینه سازی زمان پردازش در عین حفظ دقت تطبیق ارائه گردیده و SCO نامگذاری می شود. به منظور تحلیل عملکرد الگوریتم های تطبیق، در یک سخت افزار دارای قابلیت پردازشی لازم به صورت بهینه شبیه سازی شده و عملکرد الگوریتم ها در رابطه با تصاویر چالش برانگیز مجموعه داده اکسفورد و با معیارهای استاندارد ارزیابی می گردد. نتایج ارزیابی نشان می دهد که زمان اجرای روشSCO به طور متوسط حدود ۰.۲۸ زمان اجرای SIFT و ۲.۶۷ برابر زمان اجرای ORBاست در حالیکه تعداد تطبیق های درستSCO به طور متوسط حدود ۰.۷۳ تطبیق های صحیح SIFT و حدود ۳.۳ برابر تطبیق های ORB می باشد.

کلیدواژه ها:

الگوریتم های تطبیق ویژگی کلاسیک و مبتنی بر یادگیری عمیق ، ویژگی ، تطبیق صحنه ، نقطه کلیدی ، توصیفگر ، ماتریس انتقال تصویر