چارچوب ترکیبی یادگیری عمیق و بهینه سازی دلفین برای استخراج تطبیقی ویژگی ها در رهگیری واقعیت افزوده

رهگیری واقعیت افزوده (Augmented Reality Tracking) به عنوان یکی از اجزای کلیدی سیستم های واقعیت افزوده، وظیفه دارد اشیاء مجازی را به طور دقیق و هم زمان در فضای واقعی ردیابی و تثبیت کند. عملکرد موثر این سیستم ها وابسته به استخراج ویژگی های مقاوم و قابل اطمینان از تصاویر ورودی در شرایط متغیر محیطی است. در سناریوهای واقعی، تصاویر ممکن است با عواملی مانند چرخش دوربین، تاری ناشی از حرکت، نور ناکافی یا تغییرات شدید روشنایی مواجه شوند که باعث کاهش دقت الگوریتم های سنتی استخراج ویژگی می شود. روش های کلاسیکی مانند HOG، BRIEF، BRISK و SURF اگرچه در محیط های کنترل شده عملکرد قابل قبولی دارند، اما در شرایط پیچیده دنیای واقعی دچار ناپایداری در شناسایی ویژگی ها می شوند. در این میان، الگوریتم های الهام گرفته از طبیعت به دلیل توانایی بالای آن ها در جستجوی فضای راه حل های پیچیده، مورد توجه پژوهشگران قرار گرفته اند. یکی از الگوریتم های نوظهور در این دسته، الگوریتم بهینه سازی دلفین (Dolphin Optimization Algorithm) است که با الهام از رفتار اجتماعی و گروهی دلفین ها، روشی پویا برای خوشه بندی داده ها ارائه می دهد. این الگوریتم با مدل سازی ارتباط مکانی، شدت گرادیان و جهت در تصویر، می تواند نقاط ویژگی مرتبط را در قالب گروه هایی معنادار استخراج کند. با این حال، الگوریتم دلفین به تنهایی برای درک ویژگی های سطح بالای تصویر محدودیت دارد. از این رو، در این پژوهش، ما یک چارچوب ترکیبی مبتنی بر یادگیری عمیق و الگوریتم دلفین پیشنهاد می کنیم. در این مدل، یک شبکه عصبی پیچشی سبک (CNN) به عنوان مرحله پیش پردازش عمل کرده و ویژگی های سطح بالا را استخراج می کند. سپس الگوریتم دلفین با استفاده از تابع هزینه ای بهبودیافته که شامل معیارهایی مانند شباهت ساختاری (SSIM) و آنتروپی محلی است، اقدام به خوشه بندی دقیق تر پیکسل ها می نماید.

کلیدواژه ها:

استخراج ویژگی تصویر ، الگوریتم بهینه سازی دلفین ، شبکه عصبی پیچشی ، تابع هزینه تطبیقی ، رهگیری واقعیت افزوده ، توصیف گر ویژگی مقاوم