پردازش علائم و داده ها، جلد ۱۹، شماره ۱، صفحات ۰-۰

عنوان فارسی توصیفگر موضعی جدید با استفاده از نگاشت مرکاتور به منظور تشخیص اشیاء سه‌بعدی
چکیده فارسی مقاله پردازش ابر نقاط یکی از زمینه­‌های در حال رشد در بینایی ماشین می­باشد. با پیدایش حسگرهای عمق ارزان­ قیمت علاقه­‌ی زیادی به پردازش ابرنقاط و استفاده از آن در تشخیص اشیاء سه­‌بعدی ایجاد شده ­است. در حالت کلی روش­‌های تشخیص­ اشیاء سه­‌بعدی به دو دسته­ی موضعی و سرتاسری تقسیم می­شوند. در روش­ه‌ای سرتاسری شکل کلی مدل توصیف شده در حالی که در روش­های موضعی، ویژگی هر نقطه با توجه به اطلاعات موضعی آن بیان می‌­شود. روشهای موضعی نسبت به پدیده­‌ی انسداد و درهم‌­ریختگی، که در دنیای واقعی به وفور دیده می‌­شود، مقاومتر هستند. در این روش‌ها از خصوصیات هندسی ناحیه‌ی موضعی اطراف یک نقطه برای به دست‌آوردن ویژگی­ آن نقطه استفاده می‌­شود. آنها اطلاعات هندسی سطح موضعی اطراف نقطه ­کلیدی را  به یک توصیفگر کدگذاری می­‌کنند. در این مقاله توصیفگر موضعی جدیدی بر اساس نگاشت مرکاتور ارائه کرده‌­ایم. نگاشت مرکاتور یکی از معروف­ترین نگاشت‌­های سه­‌بعدی به دو بعدی است که فاصله، زاویه، جهت، طول و عرض جغرافیایی نسبی را حفظ می­کند، بنابراین این نگاشت می­تواند در ابر نقاط نیز تمامی این ویژگی­ها را بین هر دو نقطه همسایگی حفظ کند. به منظور ارزیابی، روش پیشنهادی با تعدادی از روش­های مطرح مقایسه شده‌است. نتایح برتری این روش را نسبت به روش­های دیگر بر اساس معیارهای خطای جذر میانگین مربعات، نمودار بازخوانی در برابر دقت، خطای ثبت­ کردن، خطای چرخش و انتقال نشان می­دهد که اثبات می­کند این روش قدرت توصیفی خوبی دارد و نسبت به تبدیل اقلیدسی، نویز و تغییر وضوح مش مقاوم می­باشد.
کلیدواژه‌های فارسی مقاله ابرنقاط، تشخیص اشیاء سه‌بعدی، توصیفگر موضعی، نگاشت مرکاتور.

عنوان انگلیسی A novel Local feature descriptor using the Mercator projection for 3D object recognition
چکیده انگلیسی مقاله Point cloud processing is a rapidly growing research area of computer vision. Introducing of cheap range sensors has made a great interest in the point cloud processing and 3D object recognition. 3D object recognition methods can be divided into two categories: global and local feature-based methods. Global features describe the entire model shape whereas local features encode the neighborhood characteristics of the feature points. Local feature-based methods are more robust to occlusion and clutter which are often present in a real-world scene. They encode geometric information of the local surface around the keypoint into a feature descriptor. We introduce a new local feature descriptor based on the Mercator projection. The Mercator projection is one of the famous 3D to 2D projections that preserves true distance, direction, and relative longitude and latitude so, in the point cloud, it can preserve these properties between any two points. To validate the proposed method, it is compared with seven state-of-the-art descriptor methods. Experimental results show the superiority of the proposed method compared to existing methods in terms in terms of Root Mean Square Error (RMSE), Recall versus 1-Precision Curve (RPC) and registration correction, rotation and translation error that prove the proposed method has good descriptiveness power and it is robust to noise and varying mesh resolution.
Introduction
 In this paper, we propose a new local descriptor to provide robust and precise geometric features. The geometric features are extracted using the Mercator projection of the neighborhood sphere. Our contributions are as follows: (1) The proposed descriptor directly learns from the point clouds (2) using the proposed method, there is only one representation for each point so the problem of multiple representations of a point is addressed. Also, the Mercator projection has many properties that make it appropriate for data representations in a point cloud. (3) It can accurately describe the geometric properties around a point. (3) The Mercator projection is a conformal projection so it preserves true distances, directions, and relative longitudes and latitudes. (4) It keeps small element geometry, which means Mercator projection preserves the shapes of small regions. 
The proposed method
Given a query point p, a sphere of radius r is centered at p for determining the neighbor points. Then Mercator projection is used for mapping the sphere into a plane with considering the Local reference frame (LRF) as previously suggested by Tombaret al. (2010b). The Mercator projection is a cylindrical projection that was proposed by G. Mercator in 1569. In this projection, the surface of a sphere is mapped into a plane. It preserves true distances, directions, and relative longitudes and latitudes. The Mercator projection for each point is identified using two following equations:
x=λ
y=ln(tan(Φ)+π/4)
For extracting images as the input of the Siamese network, we need ranges for achieved  x and  y. The variable x is in the interval [−π,  π] but range of y is different for the Mercator projection of each keypoint. As a result, the minimum and maximum of the variable y for all neighbor points are considered as the range of y, then a histogram 30 ×30 is measured. The Mercator projections of all neighbors are defined and the number of points  in each bin counted. Then we normalize the histogram by dividing each bin by the total number of neighbor points, it causes more robustness to noise and mesh resolution.
 
Results and discussion
The performance of the proposed method is evaluated on the Bologna (Tombari  et  al.,  2010c) and John Burkardt  in terms of RMSE, RPC and registration correction rate, rotation and translation errors. The proposed outperforms other methods in term of RPC also the results show that the method is robust to noise, rigid transformation and varying mesh resolution.  
کلیدواژه‌های انگلیسی مقاله Point cloud, 3D object recognition, Local descriptor, Mercator projection.

نویسندگان مقاله معصومه رضائی | Masoumeh Rezaei
Sistan and Baluchestan University
دانشگاه سیستان و بلوچستان

مهدی رضائیان | Mehdi Rezaeian
Yazd University
دانشگاه یزد

ولی درهمی | Vali Derhami
Yazd University
دانشگاه یزد


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-528-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات