Оценка точки схода отрезков методом максимального правдоподобия
Автор: Коноваленко Иван Андреевич, Шемякина Юлия Александровна, Фараджев Игорь Александрович
Рубрика: Программирование
Статья в выпуске: 1 т.13, 2020 года.
Бесплатный доступ
В работе представлен метод оценки положения точки схода набора сходящихся зашумленных отрезков. В качестве модели зашумления отрезка используется нормальный шум, накладываемый на его концевые точки. Точка схода определяется как точка, в которой достигает минимума функционал, зависящий от положения рассматриваемых отрезков. Для задания такого функционала в работе используется метод максимального правдоподобия. Полученный функционал позволяет как ставить задачу численной минимизации, так и задавать функцию соответствия отрезка пучку при необходимости отсеивания отрезков-выбросов из исходного набора. Применение предложенного метода иллюстрируется на примере исправления проективных искажений и последующей локализации страниц паспорта Российской Федерации на изображениях его разворотов. В рамках данной задачи предполагается, что выделенные на изображении отрезки соответствуют нескольким пучкам и содержат выбросы. Для обеспечения устойчивости и возможности оценки множества точек схода предложен алгоритм, основанный на схеме RANSAC. Применение метода проективной нормализации позволило сократить количество ошибок локализации страниц с 6,4% до 1,8%.
Точка схода, метод максимального правдоподобия, отрезки, ректификация изображения
Короткий адрес: https://sciup.org/147232977
IDR: 147232977 | УДК: 004.021 | DOI: 10.14529/mmp200108
Calculation of a vanishing point by the maximum likelihood estimation method
The paper presents a method to estimate the position of the vanishing point of a set of converging noisy segments. As a model of segment noise, we use normal noise applied to the end points of the segment. We construct a functional that depends on the position of the considered segments and determine the vanishing point as the point at which the functional reaches its minimum. In order to set such a functional, we use the maximum likelihood estimation method. The obtained functional allows both to pose the problem on numerical minimization and to set the function of correspondence of the segment to the beam, if it is necessary to filter out the emission segments from the initial set. The application of the proposed method is illustrated by the example of correction of projective distortions and the subsequent localization of the pages of the Russian Federation passport on the images of the passport pages. In the framework of this problem, we assume that the segments highlighted in an image correspond to several beams and contain emissions. In order to ensure stability and ability to estimate a set of vanishing points, we propose an algorithm based on the RANSAC scheme. The use of the projective normalization method allows to reduce the number of page localization errors from 6,4% to 1,8%.
Список литературы Оценка точки схода отрезков методом максимального правдоподобия
- Clark, P. Rectifying Perspective Views of Text in 3D Scenes Using Vanishing Points / P. Clark, M. Mirmehdi // Pattern Recognition. - 2003. - V. 36, № 11. - P. 2673-2686.
- Hughes, C. Equidistant Fish-Eye Calibration and Rectification by Vanishing Point Extraction / C. Hughes, P. Denny, M. Glavin, E. Jones // IEEE Transaction on Pattern Analysis and Machine Intelligence. - 2010. - V. 32, № 12. - P. 2289-2296.
- Xu Cheng. Principal Orientation and Generalized Vanish Point Based Road Detection / Xu Cheng, Cai Youqi, Tian Ya Zheng, Li Tao, Liu Bin Yan // Proceedings of 3rd International Conference on Computer Science and Service System, 13-15 June. - Bangkok, 2014. - P. 394-397.
- Hornacek, M. Extracting Vanishing Points Across Multiple Views / M. Hornacek, S. Maierhofer // Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition, 20-25 June. - Colorado, 2011. - P. 953-960.
- Xu-Cheng Yin. Robust Vanishing Point Detection for MobileCam-Based Documents / Xu-Cheng Yin, Hong-Wei Hao, Jun Sun, S. Naoi // Proceeding of 2011 International Conference on Document Analysis and Recognition, 18-21 September. - Beijing, 2011. - P. 136-140.
- Grompone von Gioi, R. LSD: a Line Segment Detector. Image Processing On Line / R. Grompone von Gioi, J. Jakubowicz, J. Morel, G. Randall // Image Processing On Line. - 2012. - V. 2. - P. 35-55.
- Akinlar, C. EDLines: a Real-Time Line Segment Detector with a False Detection Control / C. Akinlar, C. Topal // Pattern Recognition Letters. - 2011. - V. 32, № 13. - P. 1633-1642.
- Qiang He. Lane Detection and Tracking Through Affine Rectification / Qiang He, Chee-Hung Henry Chu // Proceeding of IAPR Conference on Machine Vision Applications, 16-18 May. - Tokyo, 2007. - P. 536-539.
- Nikolaev, D.P. Hough Transform: Underestimated Tool in The Computer Vision Field / D.P. Nikolaev, S.M. Karpenko, I.P. Nikolaev, P.P. Nikolayev // Proceedings of the 22th European Conference on Modelling and Simulation, 3-6 June. - Nicosia, 2008. - V. 238. - P. 238-246.
- Шемякина, Ю.А. Использование точек и прямых для вычисления проективного преобразования по двум изображениям плоского объекта / Ю.А. Шемякина // Информационные технологии и вычислительные системы. - 2017. - Т. 3. - С. 79-91.
- Liebowitz, D. Metric Rectification for Perspective Images of Planes / D. Liebowitz, A. Zisserman // Proceedings 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 23-25 June. - Santa Barbara, 1998. - P. 482-488.
- Schaffalitzky, F. Planar Grouping for Automatic Detection of Vanishing Lines and Points / F. Schaffalitzky, A. Zisserman // Image and Vision Computing. - 2000. - V. 18, № 9. - P. 647-658.
- Tardif, J.P. Non-Iterative Approach for Fast and Accurate Vanishing Point Detection / J.P. Tardif // Proceeding of 12th IEEE International Conference on Computer Vision, 29 September-2 October. - Kyoto, 2009. - P. 1250-1257.
- Yiliang Xu. A Minimum Error Vanishing Point Detection Approach for Uncalibrated Monocular Images of Man-Made Environments / Yiliang Xu, Sangmin Oh, A. Hoogs // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 23-28 June. - Portland, 2013. - P. 1376-1383.
- Ллойд, Э. Справочник по прикладной статистике. Т. 1 / Э. Ллойд, У. Ледерман. - М.: Финансы и статистика, 1989.
- Себер, Дж. Линейный регрессионный анализ / Дж. Себер. - М.: Мир, 1980.
- Pearson, K. On Lines and Planes of Closest Fit to Systems of Points in Space / K. Pearson // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. - 1901. - V. 2, № 11. - P. 559-572.
- Тропин, Д.В. О локализации плоских объектов на изображениях со сложной структурой проективных искажений / Д.В. Тропин, Ю.А. Шемякина, И.А. Коноваленко, И.А. Фараджев // Информационные процессы. - 2019. - Т. 2. - С. 208-229.
- Usilin, S. Visual Appearance Based Document Image Classification / S. Usilin, D. Nikolaev, V. Postnikov, G. Schaefer // Proceedings of International Conference on Image Processing (ICIP), 12-15 September. - Hong Kong, 2010. - P. 2133-2136.
- Гилл, Ф. Практическая оптимизация / Ф. Гилл, У. Мюррей, М. Райт. - М.: Мир, 1985.
