Būdingųjų taškų paieškos vaizdo įrašuose metodų tyrimas

Abstract

Per pastaruosius keletą metų, sparčiai tobulėjant technologijoms, stipriai išaugo susidomėjimas papildomos, vaizdo įraše užkoduotos informacijos (kitaip dar vadinamos būdingaisiais taškais), leidžiančios atpažinti ir sekti vaizde esančių objektų poziciją, išskyrimu. Tokia informacija dažnai yra naudojama vaizdo glaudinimo algoritmų kūrimui ir vykdymui, vaizde esančių objektų sekimui (pvz. veidų) arba papildytos realybės, leidžiančios vaizdo kameros atkuriamame vaizde naudoti interaktyvius skaitmeninius vaizdus, įterpimui. Egzistuoja daug algoritmų, skirtų tokios informacijos vaizde išskyrimui. Šiame straipsnyje tyrėme keturis tokius algoritmus, SURF, FAST, MSER ir Harris, siekdami išsiaiškinti, kaip jų efektyvumas (priskiriamų ir sutapdinamų būdingųjų taškų kiekis) priklauso nuo apšvietimo sąlygų, kuriomis yra įrašinėjamas vaizdas. Naudojome 8 skirtingus vaizdo įrašus, kuriuose buvo naudojamos skirtingo apšvietimo sąlygos ir stebimi keli arba tik vienas objektas. Tyrimo rezultatai parodė, jog SURF algoritmo randamų taškų sutapdinimo tikslumas yra aukščiausias, nepriklausomai nuo naudojamų apšvietimo sąlygų, kai tuo tarpu Harris algoritmas aptinka didžiausią kiekį būdingųjų taškų, nors šio algoritmo tikslumas atliktuose eksperimentuose buvo mažiausias. MSER algoritmas savo rastų būdingųjų taškų sutapdinimo tikslumu nusileido tik SURF algoritmui, o FAST algoritmas, nors didžiojoje dalyje bandymų tikslumu ir lenkė Harris algoritmą, tačiau taškų rado mažiau už visus kitus algoritmus, o esant prasčiausioms naudotoms apšvietimo sąlygoms nesuveikė visai.

During the last couple of years the demand for algorithms used for detection of feature points in a video has grown considerably. Feature point detectors are most commonly used in video compression algorithms, object tracking in video sequences and inclusion of artificial reality in a real time video. In this article we’ve analyzed four different feature detectors SURF, FAST, MSER and Harris, while trying to investigate their efficiency in different lighting conditions in hope that the results of our research would benefit both scientists and application developers. During the experiments we’ve found out that SURF algorithm has achieved the highest accuracy (up to 73% of found feature points matched) even in poor lighting conditions. Harris algorithm, on the other hand, even while being most inaccurate, found the highest amount of feature points in poor lighting conditions. MSER algorithm performed very similar to SURF, while searching for feature points, but suffered in matching accuracy, compared to mentioned SURF algorithm. FAST algorithms performance was the poorest of all of the investigated algorithms.