Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/ESBF-9WXMMM
Type: | Dissertação de Mestrado |
Title: | Detector de pontos de interesse baseado em características visuais e de profundidade |
Authors: | Levi Osterno Vasconcelos |
First Advisor: | Erickson Rangel do Nascimento |
First Co-advisor: | Mario Fernando Montenegro Campos |
First Referee: | Alexei Manso Correa Machado |
Second Referee: | William Robson Schwartz |
Third Referee: | Mario Fernando Montenegro Campos |
Abstract: | Em sistemas de visão computacional, é prática comum representar partes de imagens por um conjunto de pontos cuidadosamente selecionados, tais pontos são identificados de acordo com características convenientes à aplicação. Exemplos de características são: arestas, quinas, blobs e ridges. Esses pontos são denominados como pontos de interesse ou keypoints. Inúmeras aplicações em visão computacional necessitam da extração de pontos de interesse. Apesar da grande quantidade de trabalhos presentes na literatura de detectores de pontos de interesse em imagens, poucas metodologias combinam, de forma eficiente, informações visuais e geométricas. Neste trabalho, apresentamos KVD (Keypoints from Visual and Depth Data), um novo detector de pontos de interesse invariante a escala que combina informação de textura e geometria utilizando operações de baixo custo e uma árvore de decisão. Nossa abordagem mostra bons resultados em relação à repetibilidade e performance. |
Abstract: | In computer vision systems, its a common practice to represent patches of an image using a set of carefully chosen points, those points are identified based on desired local features that are convenient to the application. Examples of such features are edges, corners, blobs and ridges. This points are commonly denoted as keypoints. One of the first steps in numerous computer vision tasks is the extraction of keypoints. Despite the large number of works proposing image keypoint detectors, only a few methodologies are able to efficiently use both visual and geometrical information. In this work we introduce KVD (Keypoints from Visual and Depth Data), a novel keypoint detector which is scale invariant and combines intensity and geometrical data through low-cost operations and a decision tree. We present results from several experiments that show that our methodology produces the best performing detector when comparing to state-of-the-art methods, with good repeatability scores for rotations, translations and scale changes, as well as robustness to corruptions on either visual or geometric information. When compared to algorithms with equivalent input type, our algorithm yields the best time results. |
Subject: | Visão por computador Computação Keypoints from Visual and Depth Data |
language: | Inglês |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/ESBF-9WXMMM |
Issue Date: | 27-Apr-2015 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
leviosterno.pdf | 16.35 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.