مقایسه و شبیه سازی نرم افزاری انواع توصیفگرهای ویژگی

توصیفگرهای ویژگی، هستهی اصلی بسیاری از کاربردهای بینایی ماشین مانند تشخیص شیء، بازیابی تصویر ومحلی سازی دوربین می باشند. اگر چه این کاربردها با داده های بسیاری سروکار دارند، می بایست به گونه ای پیاده سازیشوند که بتوانند در دستگاه هایی با توان پردازشی محدود نیز اجرا گردند. این محدودیت ها مستلزم آن است که توصیفگر-های ویژگی با سرعت و دقت بالا محاسبه گردند تا بتوان توسط آنها، ویژگی ها را با توان پردازشی پایین با یکدیگر مقایسهنمود. الگوریتم SIFT و SURF از محبوب ترین توصیفگرهای ویژگی هستند که ویژگی ها را به صورت نقاط ممیز شناور شناسایی می کنند. اگرچه این الگوریتم ها در مقابل تغییرات اندازه، چرخش تصویر و تغییرات نور پیشزمینه مقاوم هستند،اما دارای حجم محاسبات بالایی می باشند. برای کاهش حجم حافظه ی مورد نیاز، میتوان با استفاده از تابع درهم سازی اینتوصیفگرها را به یک رشته ی دودویی کاهش داد که این کار باعث کاهش فراوان مقدار داده ی ذخیره شده می شود. بااستفاده از توابع درهم سازی می توان حجم زیادی از اطلاعات را به یک عدد طبیعی تبدیل کرد. از این توابع برای سرعتبخشیدن در جستجوی جداول یا فشرده سازی اطلاعات استفاده میشود. برای به دست آوردن مقدار فاصله و یا تفاوت دورشته نیز می توان از الگوریتم فاصله ی همینگ که بیانگر کمترین تعداد جایگزینی هایی است که یک رشته به رشته ی دیگرمی تواند تبدیل شود و از سرعت بالایی برخوردار می باشد، استفاده نمود. یکی از راه های دیگر افزایش سرعت این انطباق ها وکاهش حافظه ی مورد نیاز برای ذخیره سازی این ویژگی ها، استفاده از توصیفگرهای باینری است. این توصیفگرها با تعدادبیت کم، ویژگی تصویر را توصیف می کنند. از جملهی این توصیفگرها BRISK ،BRIEF ،ORB ،FREAK وDRINK می باشد. این توصیفگرها مقادیر بردارهای توصیفگر به صورت ممیز شناور را به مقادیری با تعداد بیت کمتر برای اعداد توصیفگر، بدون کاهش عملکرد الگوریتم تبدیل می نمایند. در این مقاله به بررسی توصیفگرهای باینری و مقایسه یآنها با یکدیگر می پردازیم. نتایج شبیه سازی نشان می دهند توصیفگرهای دودویی از لحاظ کیفیت نتیجه، حافظه ی موردنیاز و سرعت پردازش، بسیار بهینه تر از توصیفگرهای ممیز شناور می باشند.

کلیدواژه ها:

توصیفگرهای ویژگی ، رشته بیت دودویی ، فیلتر هموارساز گوسی ، نویززدایی