SIFT Özelliklerine Göre Demiryolu Algılama Görüntülerini Eşleştirme Yöntemi
Ma Yanzhao, Hu Haoji, Wang Yuehai
(Bilgi ve Elektronik Mühendisliği Okulu, Zhejiang Üniversitesi, Hangzhou 310027, Çin)
SIFT özelliğine dayalı bir demiryolu algılama görüntü eşleştirme yöntemi önerilmiştir. Demiryolundaki hedef konum resmi manuel olarak kalibre edilir, eşleştirme algoritması, eşleşen resim ile hedef konum resmi arasında eşleştirilebilecek SIFT özellik noktalarının sayısını hesaplamak için kullanılır ve DTW optimum yol planlaması, global optimum eşleştirme sonucunu elde etmek için kullanılır ve eşleştirme sonucundan bir eşleşme elde edilir. En yüksek dereceli görüntü ve yol tespiti için çıktı. Deneyler, algoritmanın verimlilik ve doğruluk açısından iyi bir performansa sahip olduğunu göstermektedir.
Eşleştirme; demiryolu; SIFT özelliği; DTW
Çin'in demiryolu teknolojisinin gelişmesiyle, demiryolu güvenliğine daha yüksek gereksinimler getirildi. Bu amaçla, ilgili departmanlar trenlere yüksek kare hızına sahip kameralar kurdular ve elde edilen resimleri manuel olarak inceleyerek demiryolunun ve çevresindeki çevrenin (her iki taraftaki direkler gibi) anormal değişikliklere sahip olup olmadığını tespit etti. Ancak, uzak mesafe ve yüksek kare hızı nedeniyle, her trenin iki istasyon arasında elde ettiği görüntü sayısı on binlerce hatta yüzbinlere ulaştı. Manuel muayene için, son derece yüksek emek yoğunluğunun gerekli olduğuna şüphe yoktur. Gerçek şu ki, resimler arasındaki yüksek benzerlik ve süreklilik nedeniyle, her bir kutup için tespit için birden fazla fazla resim mevcut olacaktır, bu nedenle tespit için kullanılması gereken gerçekten on binlerce resim vardır. Sadece birkaç bin, hatta birkaç yüz var.
Demiryolu inceleme resimlerinin fazlalık sorununu hedefleyen bu makale, doğruluk ve verimlilik açısından iyi bir performansa sahip olan resim fazlalığını azaltmak için bir yöntem önermektedir.
Bu yöntem, veri seçimi, Ölçek-Değişmez Özellik Dönüşümü (SIFT) özellik algılama ve eşleştirme, Dinamik Zaman Bükme (DTW) ve en iyi eşleşen görüntü çıktısını içerir. Her parçanın özel işlem süreci daha sonra ayrıntılı olarak açıklanacaktır.
2 veri seçimi
2.1 Hedef konum resmini seçin
Hava güzel olduğunda iki site arasında çekilmiş bir dizi resim seçin. Direk numarasının sırasına göre, resimlerden direği net olarak görebilen bir resmi manuel olarak seçin. Şekil 1'de gösterildiği gibi, '1220' çizgi direğinde 6 resim vardır ve hedef konum resmi olarak resim d seçilmiştir (siyah düz çizgi ile işaretlenmiştir). Son seçilen resim sayısı M1'dir ve resim ayarı Hedefe ayarlanmıştır.
2.2 Eşleştirilecek resmi girin
Her maçta, yeni elde edilmiş, fazlalıklı bir resim seti kullanın (Eşleşme olarak ayarlayın, sayı M2'dir) ve Maç ve Hedef'in aynı başlangıç ve bitiş noktasına sahip olduğundan emin olun.
3SIFT özelliği algılama ve eşleştirme
3.1 Eşleştirilecek resmi girin
SIFT özelliği, görüntünün yerel bir özelliğidir, döndürme, ölçek ölçekleme ve parlaklık değişikliklerine değişmezliği korur ve açı değişikliklerini, afin dönüşümleri ve paraziti [1-2] görüntüleme açısından belirli bir düzeyde stabilite sağlar. SIFT özelliklerinin belirli çıkarımı ile ilgilidir. Eşleştirme yöntemi, [3] numaralı referansta ayrıntılı olarak açıklanmıştır ve artık burada temel ifadelerin konusu değildir.
3.2 SIFT özelliği algılama ve eşleştirme
Sırasıyla Nişan Al ve Eşleştir'deki i'inci ve j'inci resimlerin SIFT özelliklerini algılayın ve bunları EĞİTİM özellik eşleşmesi olarak kaydedin. Bir matris N oluşturmak için eşleşen özellik noktalarının sayısını Ni, j olarak belirtin.
4DTW dinamik programlama
4.1 DTW algoritması
Algoritma, orijinal olarak konuşma tanımada bir algoritma olan ve izole kelime tanıma için kullanılan dinamik programlama (DP) [4-5] fikrine dayanmaktadır. Burada, farklı resimlerin eşleştirme sonucu olarak en uygun yol kullanılır.
4.2 DTW optimum yol planlaması
Arama N1,1 noktasından başlar, (i, j) noktası sadece (i-1, j), (i-1, j-1) ve (i, j-1) 'dir. Daha sonra (i, j), bu üç mesafenin en büyüğüne karşılık gelen noktayı önceki ızgara noktası olarak seçer ve Di, j, (i, j) 'den (1,1)' e kümülatif mesafe olsun. sonra:
Bu şekilde, (1,1) noktasından (Di, j = 0) arama noktasından başlayarak, DM1, M2 en uygun Yol Yolu elde edene kadar özyinelemeyi tekrarlayın. Roadi, j = 1, güzergahın (i, j) noktasından geçtiği anlamına gelir. Roadi, j = 0, bu yolun geçmediği anlamına gelir.
Roaddi matrisi için, j = 1 ise Matchj, Aimi ile eşleşir.
Şekil 2, Hangzhou'dan Deqing'e kadar yerel bir kesitte çekilmiş 963 resimden seçilen 50 resmin eşleşme sonucunu göstermektedir. Eğrinin geçtiği yer Roadi, j = 1'i temsil eder.
Şekilden, her hedef eşleşen resim için, ona karşılık gelen birden çok eşleşen resim olduğu elde edilebilir. Örneğin, yukarıda seçilen "1220" kutup, hedef resimdeki 38. resimdir. Eşleşen resimler arasında 771 ~ 779 etiketli 9 resim eşleşen sonuçlardır. Şekil 3'te gösterilen a ~ i'nin 9 resmi.
5 En iyi eşleşen resim çıkışı
Bir Aimi resminin birden fazla Matchj resmine karşılık geldiği bilinmektedir. Sonra her i için Ni, j maksimize edildiğinde j = jmax'ı bulun. Matchjmax'ı en iyi eşleşen resim olarak çıkarın. Yukarıda bulunan '1220' ile bulunan 9 eşleşen resim arasında N38.771 ile N38.779 arasındaki en büyük değer N38.776 ise, 776 numaralı resim, yani Şekil 3'teki resim f, nihai eşleştirme sonucu olarak çıkarılır. . Şekil 4'te gösterildiği gibi.
Bu yöntemin farklı hava koşullarında, farklı çekim açılarında ve farklı boyutlarda çekilen fotoğraflarda tespit için en uygun resmi bulabildiği görülebilmektedir.
Her bir Aimi resmi için, en iyi eşleşen bir Matchjmax resmi bulunabilir ve bulunan resimler eşleşen set olarak kullanılır ve toplamda M1 resimleri vardır. Şu anda, orijinal M2 resimlerini bir M1 resim setine sıkıştırma amacına ulaşılmıştır.
6 deneysel sonuç
MATLAB R2014a ortamında, farklı yol bölümlerinin resimleri farklı hava koşulları altında eşleştirilir. Aynı zamanda, elde edilen eşleştirme sonuçlarının gerçek tespitte kullanılıp kullanılamayacağını doğrulamak için manuel doğrulama yapılır. Deneysel sonuçlar Tablo 1'de gösterilmektedir.
Deneysel sonuçlar, eşleştirme yönteminin iyi sonuçlar elde ettiğini ve çıktı eşleştirme görüntülerinin manuel algılama ihtiyaçlarını karşılayabileceğini kanıtlamaktadır.
7 sonuç açıklaması
Bu makale, doğruluk, yüksek verimlilik ve büyük ölçüde azaltılmış emek yoğunluğu avantajlarına sahip olan SIFT özelliklerine dayalı demiryolu algılama görüntüleri için bir eşleştirme yöntemi önermektedir. Aynı zamanda, bu yöntem çevreye, çekim açısına, çekim ekipmanına ve hava durumuna daha az bağımlıdır, iyi bir sağlamlığa sahiptir ve birçok duruma uygulanabilir.
SIFT özellik çıkarma ve eşleştirme, gelecekte daha fazla araştırmanın odak noktası olan büyük miktarda hesaplama gerektirir. Yani, gerçek uygulama ortamına göre, belirli kısıtlamalar yoluyla, hesaplama hızını artırmak için hesaplama miktarını azaltarak, bu yöntemin daha güçlü pratik uygulama yeteneklerine sahip olmasını sağlamaktır.
Referanslar
1 BROWN M, LOWE D G. İlgi noktası gruplarından gelen değişmez özellikler C. InBritish Machine Vision Conference, Cardiff, Galler, 2002: 656-665.
[2] Guan Yunlan, Zhang Hongjun, Liu Xiangmei Noktasal özellik çıkarma algoritması üzerine tartışma J. Doğu Çin Teknoloji Enstitüsü Dergisi, 2007, 30 (1): 42-46.
3 DAVID G L. Ölçekle değişmeyen temel noktalardan ayırt edici görüntü özellikleri J. International Journal of Computer Vision, 2004, 60 (2): 91-110.
[4] KIM C, SEO K D. Elde taşınan tüketici cihazları için sağlam DTW tabanlı tanıma algoritması J .IEEE Tüketici Elektroniği İşlemleri, 2005,51 (2): 699-709.
[5] Zhao Li. Konuşma sinyali işleme M Pekin: Tsinghua University Press, 2004.
6 LeCUN Y A, BOTTOU L, ORR G B, vd. Verimli backprop C. Sinir Ağları: Ticaretin Püf Noktaları. Springer, 1998, 7: 9-48.
7 LIU C, YUEN J, TORRALBA A. Eleme akışı: Sahneler ve uygulamaları arasında yoğun yazışma J. Desen Analizi ve Makine Zekası, IEEE İşlemleri, 2011,33 (5): 978-994.
AET üyeleri için yıl sonu avantajları!
