DOI 10.17586/0021-3454-2018-61-2-167-173
УДК 004.932
РАЗРАБОТКА ПРОГРАММНОГО КОМПОНЕНТА МОДУЛЯ СЪЕМКИ ПРОТЯЖЕННЫХ ОБЪЕКТОВ ДЛЯ СКАНЕРА ПИЛОМАТЕРИАЛОВ
Университет ИТМО; кафедра вычислительной техники; аспирант
Абрамчук М. В.
Университет ИТМО; ассистент
Читать статью полностью
Аннотация. Описаны подходы к разработке программного компонента модуля съемки протяженных объектов для сканера пиломатериалов. Применение известных алгоритмов регистрации изображений позволяет значительно упростить конструкцию разрабатываемого сканера. Рассматривается алгоритм работы программного компонента, который представляет собой вычислительный граф; приводятся вычислительные операции, выполняемые при обработке кадра съемки. Приводится алгоритм для отделения объекта съемки от фона. Выбраны алгоритм полного перебора для сопоставления контрольных точек между кадрами и алгоритм RANSAC, который используется для построения модели преобразования. Схема реализации алгоритма RANSAC сравнивается с алгоритмом PROSAC.
Ключевые слова: техническое зрение, машинное зрение, сканер пиломатериалов, алгоритмы регистрации изображений, метод RANSAC, метод PROSAC, библиотека OpenCV
Список литературы:
Список литературы:
- Автоматика-Вектор. RuScan — система определения качества доски [Электронный ресурс]: http://avektor.ru/products/avtomaticheskaya-sortirovka-dosok-po-kachestvu.
- FinScan. What we see is what you saw [Электронный ресурс]: http://www.finscan.fi/.
- AB W. WORLD leading scanner systems [Электронный ресурс]: https://woodeye.com.
- MiCROTEC [Электронный ресурс]: http://microtec.eu.
- Pheatt C. Intel&Reg: threading building blocks // J. Comput. Sci. Coll. USA: Consortium for Computing Sciences in Colleges, 2008. Vol. 23, N 4. P. 298—298.
- Fischler M. A., Bolles R .C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography // Commun. ACM. NY: ACM, 1981. Vol. 24, N 6. P. 381—395.
- Zivkovic Z., Heijden F. van der. Efficient adaptive density estimation per image pixel for the task of background subtraction // Pattern recognition letters. 2006. Vol. 27, N 7. P. 773—780.
- Zivkovic Z. Improved adaptive gaussian mixture model for background subtraction // Proc. of the 17th Intern. Conf. on Pattern recognition. ICPR 2004. IEEE. 2004. Vol. 2. P. 28—31.
- Itseez Open Source Computer Vision Library [Электронный ресурс]: https://github.com/itseez/opencv.
- Bay H., Tuytelaars T., Gool L. V. Surf: Speeded up robust features // Computer Vision. 2006. P. 404—417.
- Rosten E., Drummond T. Machine learning for high speed corner detection // 9th Europ. Conf. on Computer Vision. 2006. Vol. 1. P. 440—443.
- Rosten E., Porter R., Drummond T. Faster and better: A machine learning approach to corner detection // IEEE Trans. Pattern Analysis and Machine Intelligence. 2010. Vol. 32. P. 105—119.
- Alcantarilla F., Nuevo J., Bartoli A. Fast explicit diffusion for accelerated features in nonlinear scale spaces // Trans. Pattern Anal. Machine Intell. 2011.
- Rublee E. et al. Orb: An efficient alternative to sift or surf // Intern. Conf. on Computer vision (ICCV). IEEE. 2011. P. 2564—2571.
- Leutenegger S., Chli M., Siegwart R. Y. Brisk: Binary robust invariant scalable keypoints // Intern. Conf. on Computer vision (ICCV). IEEE. 2011. P. 2548—2555.
- Lowe D. G. Distinctive image features from scale-invariant keypoints // Intern. J. of Computer Vision. 2004. Vol. 60, N 2. P. 91—110.
- Uyttendaele M., Eden A., Skeliski R. Eliminating ghosting and exposure artifacts in image mosaics // Computer vision and pattern recognition. CVPR. 2001.
- Brown M., Lowe D. G. Automatic panoramic image stitching using invariant features // Intern. J. of Computer Vision. 2007.
- Xu W., Mulligan J. Performance evaluation of color correction approaches for automatic multi-view image and video stitching // Conf. on Computer vision and pattern recognition (CVPR). IEEE. 2010.
- Burt P. J., Adelson E. H. A multiresolution spline with application to image mosaics // ACM Transact. on Graphics (TOG). 1983.
- Chum O., Matas J. Matching with PROSAC-progressive sample consensus // IEEE Computer Society Conf. on Computer Vision and Pattern Recognition. 2005. N I. P. 220—226.