مرجع
آخر الزيارات

التعرف على الأجسام ثلاثية الأبعاد

868 كلمة•0 مشاهدة•🗒️ منذ 3 أيام
باختصار: في مجال رؤية الحاسوب، يتضمن التعرف على الأجسام ثلاثية الأبعاد تحديد معلوماتها ثلاثية الأبعاد، مثل وضعها وحجمها وشكلها، في صورة فوتوغرافية أو مسح ضوئي. في هذه المقالة قسمان: «الأساليب الهندسية القائمة على الميزات» و«أساليب التعرف على الأنماط».
المحتويات
  1. الأساليب الهندسية القائمة على الميزات
  2. أساليب التعرف على الأنماط

بدايةً، في مجال رؤية الحاسوب، يتضمن التعرف على الأجسام ثلاثية الأبعاد تحديد معلوماتها ثلاثية الأبعاد، مثل وضعها وحجمها وشكلها، في صورة فوتوغرافية أو مسح ضوئي. عادةً، يُعرض مثال على الجسم المراد التعرف عليه لنظام الرؤية في بيئة مُحكمة، ثم يقوم النظام، عند إدخال بيانات عشوائية كبث فيديو، بتحديد موقع الجسم المعروض سابقًا. يمكن القيام بذلك إما بشكل غير متصل بالإنترنت أو في الوقت الفعلي. تُصمم خوارزميات حل هذه المشكلة خصيصًا لتحديد موقع جسم واحد مُحدد مسبقًا، ويمكن مقارنتها بالخوارزميات التي تعمل على فئات عامة من الأجسام، مثل أنظمة التعرف على الوجوه أو التعرف على الأجسام ثلاثية الأبعاد العامة. نظرًا لانخفاض تكلفة الصور وسهولة الحصول عليها، فقد خُصص قدر كبير من الأبحاث للتعرف على الأجسام ثلاثية الأبعاد في الصور الفوتوغرافية. ونتناول فيما يلي مزيدًا من التفاصيل.

من جهة ثانية، تعتمد طريقة التعرف على جسم ثلاثي الأبعاد على خصائصه. ولتبسيط الأمر، ركزت الكثير من الخوارزميات الحالية على التعرف على الأجسام الصلبة المكونة من جزء واحد، أي الأجسام التي يكون تحويلها المكاني . وقد تم اتباع منهجين عامين لحل هذه المشكلة: تستعمل مناهج التعرف على الأنماط معلومات مظهر الصورة الأساسية لتحديد موقع الجسم، بينما تقوم المناهج الهندسية القائمة على الميزات ببناء نموذج للجسم المراد التعرف عليه، ثم مطابقة هذا النموذج مع الصورة الفوتوغرافية.

التعرف على جسم واحد ثلاثي الأبعاد في الصور الفوتوغرافية

الأساليب الهندسية القائمة على الميزات

وفي هذا الصدد، لإنتاج نموذج موحد، تعتمد هذه الورقة البحثية على أكبر نموذج جزئي، ثم تُحاذي جميع النماذج الجزئية الأصغر معه تدريجيًا. يُستعمل التصغير الشامل لتقليل الخطأ، ثم تُستعمل لتغيير مواقع ميزات النموذج من إحداثيات ثلاثية الأبعاد فريدة حتى التحويل الأفيني إلى إحداثيات ثلاثية الأبعاد فريدة حتى . في نهاية هذه الخطوة، نحصل على نموذج للكائن المستهدف، يتكون من ميزات مُسقطة في فضاء ثلاثي الأبعاد مشترك.

  • انظر كذلك
  • كشف بلوب
  • التعرف على الأشياء
  • توافق العينات العشوائية
  • تحويل صفة صورة غير مرتبط بمقياس

من جهة ثانية، للتعرف على جسم في صورة إدخال عشوائية، تكشف هذه الورقة البحثية عن السمات، ثم تستعمل خوارزمية رانساك لإيجاد مصفوفة التي تُطابق نموذج الجسم الموحد مع المشهد ثنائي الأبعاد على أفضل وجه. إذا كان خطأ خوارزمية رانساك منخفضًا بما فيه الكفاية، فعند النجاح، تتعرف الخوارزمية على الجسم وتُحدد وضعيته باستخدام الإسقاط الأفيني. في ظل هذه الظروف، تحقق هذه الطريقة عادةً معدلات تعرف تصل إلى نحو 95%.

إضافةً إلى ذلك، تعمل أدوات التعرف على الكائنات القائمة على الميزات بشكل عام عن طريق التقاط عدد من المشاهد الثابتة للكائن المراد التعرف عليه، واستخراج الميزات من هذه المشاهد، ثم في عملية التعرف، مطابقة هذه الميزات مع المشهد وفرض القيود الهندسية.

ومن جهة أخرى، كمثال على نظام نموذجي يتبنى هذا النهج، سنقدم ملخصًا للطريقة المستعملة في [Rothganger et al. 2004]، مع حذف بعض التفاصيل. تبدأ الطريقة بافتراض أن الأجسام تخضع لتحولات صلبة شاملة. ولأن الأسطح الملساء مستوية محليًا، فإن الميزات مناسبة للمطابقة: تكشف الورقة البحثية عن مناطق الاهتمام ذات الشكل الإهليلجي باستخدام ميزات تشبه الحواف وأخرى تشبه البقع، وكما في [Lowe 2004]، تحدد اتجاه التدرج السائد للإهليلج، وتحوله إلى متوازي أضلاع، ثم تأخذ واصف تحويل صفة صورة غير مرتبط بمقياس (SIFT) على متوازي الأضلاع الناتج. كما تُستعمل معلومات اللون لتحسين التمييز مقارنةً بميزات (SIFT) وحدها.

ومن ناحية أخرى، تُعدّ الأساليب القائمة على الميزات فعّالة مع الأجسام ذات السمات المميزة. حتى الآن، تمّ التعرّف بنجاح على الأجسام ذات السمات الحافية أو الكتلية الجيدة؛ مثلًا، انظر خوارزميات الكشف، مثل كاشف منطقة هاريس الأفيني وتحويل صفة صورة غير مرتبط بمقياس (SIFT). ونظرًا لعدم وجود كاشفات ميزات مناسبة، لا يمكن في الوقت الحالي التعامل مع الأجسام ذات الأسطح الملساء غير المزخرفة باستخدام هذا الأسلوب.

كذلك، فيما بعد، وبمعرفة عدد من زوايا الكاميرا للكائن (24 زاوية في الورقة البحثية)، تُنشئ الطريقة نموذجًا ثلاثي الأبعاد للكائن، يتضمن الموقع المكاني ثلاثي الأبعاد واتجاه كل ميزة. نظرًا لكثرة زوايا الكاميرا للكائن، عادةً ما تظهر كل ميزة في عدة زوايا متجاورة. تتطابق النقاط المركزية لهذه الميزات المتطابقة، وتُحاذى الميزات المكتشفة على طول اتجاه التدرج السائد، لذا تتطابق النقاط عند (1، 0) في نظام الإحداثيات المحلي لمتوازي الأضلاع الخاص بالميزة، وكذلك النقاط (0، 1) في نظام الإحداثيات المحلي لمتوازي الأضلاع. وبالتالي، لكل زوج من الميزات المتطابقة في زوايا الكاميرا المتجاورة، تُعرف ثلاث نقاط متطابقة. عند وجود ميزتين متطابقتين على الأقل، يمكن استخدام خوارزمية استخلاص البنية الأفينية متعددة الزوايا من الحركة (انظر [Tomasi and Kanade 1992]) لإنشاء تقدير لمواقع النقاط (حتى تحويل أفيني عشوائي). ورقة روثجانجر وآخرون. لذا، يختار البرنامج صورتين متجاورتين، ويستعمل طريقة مشابهة لخوارزمية رانساك لاختيار زوجين متناظرين من الميزات، ويضيف ميزات جديدة إلى النموذج الجزئي الذي أنشأته رانساك طالما أنها تقع ضمن هامش الخطأ. وبالتالي، لأي زوج من الصور المتجاورة، تُنشئ الخوارزمية نموذجًا جزئيًا لجميع الميزات الظاهرة في كلتا الصورتين.

أساليب التعرف على الأنماط

كذلك، تستعمل هذه الطرق معلومات المظهر المُجمّعة من إسقاطات مُلتقطة أو مُحسوبة مُسبقًا لجسم ما لمطابقته في مشهد قد يكون مزدحمًا. مع ذلك، فهي لا تأخذ القيود الهندسية ثلاثية الأبعاد للجسم في الحسبان أثناء المطابقة، وعادةً لا تُعالج حالات الحجب بنفس كفاءة الطرق القائمة على الميزات.

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.