Журнал Научное обозрение. Технические науки 2500-0799 Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания" 10.17513/srts.1454 ART-1454 СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ОПРЕДЕЛЕНИЯ ОПОРНЫХ ТОЧЕК НА ИЗОБРАЖЕНИЯХ Нажимова Н.А. Nazhimova N.A. bahmetova@list.ru Киселев А.А. Kiselev A.A. m1802294@edu.misis.ru ФГБОУ ВО «Нижегородский государственный технический университет им. Р.Е. Алексеева» Nizhny Novgorod state technical University named after R.E. Alekseev 01 01 2024 1 23 28 This is an open-access article distributed under the terms of the CC BY 4.0 license. https://science-engineering.ru/ru/article/view?id=1454

Определение опорных точек – одна из важнейших задач обработки изображений, включающая в себя поиск, описание и классификацию опорных точек на изображении. Эти точки служат основой для дальнейшего сопоставления изображений, обнаружения изменений и деформаций на них, а также используются в метриках, позволяющих определить различия между ними. В статье рассматриваются пять наиболее популярных и используемых методов определения опорных точек: SIFT (Scale-Invariant Feature Transform), FAST (Features from Accelerated Segment Test), BRIEF (Binary Robust Independent Elementary Features), ORB (Oriented FAST and Rotated BRIEF) и AKAZE (Accelerated KAZE). Проводится сравнительный анализ этих методов на основе качества определения точек и времени их выполнения на наборе изображений, содержащих высокую плотность малых деталей, отснятых в разное время года и при разных условиях освещенности. Также проводится сравнение перечисленных выше алгоритмов с самообучающимся алгоритмом SuperPoint, использующим для определения и описания опорных точек пару «декодировщик – кодировщик» и сверточные нейронные сети. Целью статьи является выявление наиболее точного и наименее вычислительно затратного метода определения опорных точек.

Feature extraction is one of the most important tasks of image processing, which includes search, description and classification of reference points (features) in an image. These points serve as a basis for further comparison of images, detection of changes and deformations on them, and are also used in metrics to determine the differences between images. This paper discusses five of the most popular and utilized methods of feature detection and description: SIFT (Scale-Invariant Feature Transform), FAST (Features from Accelerated Segment Test), BRIEF (Binary Robust Independent Elementary Features), ORB (Oriented FAST and Rotated BRIEF), and AKAZE (Accelerated KAZE). A comparative analysis of these methods based on the quality of point detection and their execution time on a set of images containing high density of small details captured at different times of the year and under different illumination conditions is carried out. The above algorithms are also compared with the self-learning SuperPoint algorithm, which uses a pair of decoder-encoder and convolutional neural networks to identify and describe features. The aim of the paper is to identify the most accurate and least computationally expensive method of feature detection.

 опорные точки SuperPoint обработка изображений дескрипторы features SuperPoint image processing descriptors

1. Huang A.S., Bachrach A., Henry P., Krainin M., Maturana D., Fox D., Roy N. Visual odometry and mapping for autonomous flight using an rgb-d camera // In Robotics Research. 2017. P. 235-252.

2. Bonny M.Z., Uddin M.S. Feature-based image stitching algorithms // 2016 International Workshop on Computational Intelligence (IWCI). 2016. P. 198-203.

3. Niu B., Gao Z., Guo B. Facial Expression Recognition with LBP and ORB Features // Computational Intelligence and Neuroscience. 2021. Vol. 2021. P. 1-10. DOI: 10.1155/2021/ 8828245

4. Yan H., Wang J., Zhang P. Application of Optimized ORB Algorithm in Design AR Augmented Reality Technology Based on Visualization // Mathematics. 2023. Vol. 11(6). P. 1278.

5. Lowe, D.G. Object Recognition from Local Scale-Invariant Features // In Proceedings of the IEEE International Conference on Computer Vision, Corfu, Greece. 20–27 September 1999. P. 150.

6. Rosten E., Drummond T. Machine learning for high-speed corner detection. In Computer Vision-ECCV 2006; Leonardis A., Bischof H., Pinz A., Eds. Springer: Berlin/Heidelberg, Germany. 2006. P. 430-443.

7. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features. In Computer Vision-ECCV 2010; Daniilidis K., Maragos P., Paragios N., Eds. Springer: Berlin/Heidelberg, Germany. 2010. Vol. 6314. P. 778-792.

8. Xue Y., Gao T. Feature Point Extraction and Matching Method Based on Akaze in Illumination Invariant Color Space // 2020 IEEE 5th International Conference on Image, Vision and Computing (ICIVC). 2020. P. 160-165.

9. Zhang Y., Gang X.U., Zhang X.Y. et al. An Improved ORB Feature Points Matching Algorithm [J] // Journal of Chongqing Technology and Business University (Natural Science Edition). 2018. P. 207-211.

10. DeTone D., Malisiewicz T., Rabinovich A. Superpoint: Self-supervised interest point detection and description // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2018. P. 224-236.