การศึกษาวิธีการเปรียบเทียบวัตถุสามมิติบนภาพถ่ายด้วยแผนที่ UV ด้วยการใช้คุณลักษณะและเครือข่ายนิวรัล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้เป็นการออกแบบวิธีการเปรียบเทียบวัตถุสามมิติบนภาพถ่ายด้วยแผนที่ UV โดยการนำแผนที่ UV ในเฟรมที่ต้องการเปรียบเทียบมาเทียบกับแผนที่ UV ที่เป็นตัวอ้างอิงหรือแผนที่ UV ที่ได้จากเฟรมซึ่งมีการตรวจสอบว่าถูกต้องแล้วด้วยมนุษย์ ซึ่งในการเปรียบเทียบวิธีการดั้งเดิมได้ใช้การเปรียบเทียบแบบพิกเซลต่อพิกเซลและการเปรียบเทียบโดยใช้วิธีการจับคู่ลักษณะเด่น แล้วนำผลลัพธ์ที่ได้จากการเปรียบเทียบไปคำนวณหาความคลาดเคลื่อนของตำแหน่งวัตถุสามมิติ เป้าหมายคือการนำอัลกอริทึมสำหรับการเปรียบเทียบแผนที่ UV ไปต่อยอดกับการติดตามวัตถุสามมิติบนภาพถ่ายเพื่อลดเวลาที่ใช้และเพิ่มความแม่นยำในขั้นตอนการจับการเคลื่อนไหวของตำแหน่งภาพของการทำเทคนิคพิเศษทางภาพ ในงานวิจัยนี้ศึกษาวิธีการเปรียบเทียบแผนที่ UV ซึ่งแบ่งเป็น 2 ประเภทใหญ่ได้แก่การใช้คุณลักษณะทางภาพและการใช้เครือข่ายนิวรัล ได้ออกแบบการทดลองทั้งหมดเป็นจำนวน 5 แบบได้แก่ 1) การเปรียบเทียบแบบพิกเซลต่อพิกเซลด้วยการลบแบบปกติ (Subtract) 2) การเปรียบเทียบแบบพิกเซลต่อพิกเซลด้วยค่าสัมบูรณ์ของผลต่าง (Absdiff) 3) การเปรียบเทียบโดยใช้วิธีการจับคู่ลักษณะ เด่นด้วย SIFT 4) การเปรียบเทียบโดยใช้วิธีการจับคู่ลักษณะเด่นด้วย SIFT กับ Ratio test และ 5) การเปรียบเทียบโดยใช้วิธีการจับคู่ลักษณะเด่นด้วย SuperPoint กับ SuperGlue ซึ่งแต่ละวิธีให้ความแม่นยำในการเปรียบเทียบสำหรับการเปรียบเทียบทั้งแผนที่ UV เท่ากับ 50%, 100%, 33.33%, 16.67% และ 91.67% ตามลำดับ และการเปรียบเทียบเฉพาะด้านที่มีเหมือนกันเท่ากับ 67.5%, 100%, 25%, 8.33% และ 100% ตามลำดับ
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
B. Lévy, S. Petitjean, N. Ray, and J. Maillot, “Least squares conformal maps for automatic texture atlas generation,” ACM Transactions on Graphics, vol. 21, no. 3, pp. 362–371, 2002.
D. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” International Journal of Computer Vision, vol. 60, pp. 91–110, 2004.
D. DeTone, T. Malisiewicz and A. Rabinovich. (2018). SuperPoint: Self-supervised interest point detection and description. arXiv. [Online]. Available: https://arxiv.org/pdf/1712.07629.pdf
K. M. Yi, E. Trulls, V. Lepetit, and P. Fua. (2018). LIFT: Learned invariant feature transform. arXiv. [Online]. Available: https://arxiv.org/ pdf/1911.11763.pdf
E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, “ORB: An efficient alternative to SIFT or SURF,” in Proceedings of the 2011 International Conference on Computer Vision, 2011, pp. 2564–2571.
P. Sarlin, D. DeTone, T. Malisiewicz, and A. Rabinovich. (2020). SuperGlue: Learning feature matching with graph neural network. arXiv. [Online]. Available: https://arxiv.org/ pdf/1911.11763.pdf