Ιχνηλάτηση αντικειμένων με δεδομένα από νευρομορφικούς αισθητήτες

Η ιχνηλάτηση χαρακτηριστικών (feature tracking) υπήρξε πάντα πρόκληση για την επιστήμη της υπολογιστικής όρασης. Ο πιο συνηθισμένος τρόπος προσέγγισης της λύσης είναι να θεωρηθεί η ιχνηλάτηση ως ένα πρόβλημα στοίχισης εικόνων μεταξύ διαδοχικών καρέ μίας κάμερας. Το αποτέλεσμα που θα εξαχθεί, περιλαμ...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Ζαφείρη, Μαρία
Άλλοι συγγραφείς: Zafeiri, Maria
Γλώσσα:Greek
Έκδοση: 2023
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/25481
Περιγραφή
Περίληψη:Η ιχνηλάτηση χαρακτηριστικών (feature tracking) υπήρξε πάντα πρόκληση για την επιστήμη της υπολογιστικής όρασης. Ο πιο συνηθισμένος τρόπος προσέγγισης της λύσης είναι να θεωρηθεί η ιχνηλάτηση ως ένα πρόβλημα στοίχισης εικόνων μεταξύ διαδοχικών καρέ μίας κάμερας. Το αποτέλεσμα που θα εξαχθεί, περιλαμβάνει έναν γεωμετρικό μετασχηματισμό, δηλαδή τη μετατόπιση και την περιστροφή, που μπορεί να χρησιμοποιηθεί για τον ορισμό της κίνησης του τρέχοντος αντικειμένου. Ωστόσο, ιδιαίτερα σημαντικοί περιορισμοί επιβάλλονται όταν τα δεδομένα προέρχονται από την χρήση παραδοσιακών καμερών σε απαιτητικά σενάρια που περιλαμβάνουν υψηλή ταχύτητα και υψηλή δυναμική περιοχή. Οι κλασικές κάμερες αποθανατίζουν τα καρέ με σταθερό ρυθμό και επομένως, όποια πληροφορία για την κίνηση προκύπτει στον χρόνο μεταξύ δύο διαδοχικών καρέ χάνεται. Επιπροσθέτως, κάθε καρέ αποτελείται από τιμές της φωτεινότητας όλων των εικονοστοιχείων της σκηνής συνεχώς ακόμα και όταν δεν προκύπτουν αλλαγές, και συνεπώς, οι παραδοσιακές κάμερες πάσχουν λόγω υποδειγματοληψίας των πιο δυναμικών περιοχών της εικόνας. Με στόχο να αντιμετωπιστούν οι παραπάνω περιορισμοί, έχουν δημιουργηθεί οι νευρομορφικοί αισθητήρες. Σε αντίθεση με το παραδοσιακό δομικό πλαίσιο, οι κάμερες συμβάντων μεταφέρουν πληροφορία για τις αλλαγές της φωτεινότητας (συμβάντα) του κάθε εικονοστοιχείου. ́Ετσι, όλη η αποκτηθείσα πληροφορία αποθηκεύεται σε μία ασύγχρονη ροή συμβάντων αγνοώντας οποιαδήποτε γνώση σχετικά με τις απόλυτες τιμές τις φωτεινότητας. Παρ’ όλα αυτά, επειδή οι αισθητήρες συμβάντων λειτουργούν δομικά εντελώς διαφορετικά από τις παραδοσιακές κάμερες, χρειάζεται να επανεξεταστούν οι καθιερωμένοι αλγόριθμοι στον τομέα της υπολογιστικής όρασης με σκοπό να παραχθούν αλγόριθμοι «οδηγούμενοι από συμβάντα» που θα ξεκλειδώνουν πλήρως την δυναμική των νευρομορφικών αισθητήρων. Στην παρούσα διπλωματική εργασία, εμπνευσμένοι από την ιχνηλάτηση πολλαπλών υποθέσεων (HasteCorrelation), επανεξετάζουμε τον αλγόριθμο στοίχισης εικόνων Enhanced Correlation Coefficient (ECC) και δημιουργούμε έναν βελτιωμένο αλγόριθμο ιχνηλάτησης χαρακτηριστικών με μεγαλύτερη ακρίβεια, ως προς το σφάλμα επαναπροβολής (reprojection error), επεξεργάζοντας ακατέργαστα δεδομένα συμβάντων.