Расчет оптического потока лукаса – канаде с применением конечномерных теорем отсчетов

Обложка

Цитировать

Полный текст

Аннотация

Рассмотрен расчет оптического потока Лукаса – Канаде с применением конечномерных теорем отсчетов на основе преобразования Фурье. Данный расчет учитывает все пиксели изображения на этапе вычисления производных изображения и потенциально может обеспечить высокую точность вычисления оптического потока. Предложен гибридный метод расчета производной, сочетающий результаты метода конечномерных теорем отсчетов с результатами оператора Щаара для повышения точности расчета оптического потока. Приведены результаты экспериментов по расчету оптического потока с использованием метода конечномерных теорем отсчетов и гибридного метода на реальных видеопотоках. Установлено, что применение метода конечномерных теорем отсчетов позволяет повысить точность расчета оптического потока на видео со слабым освещением и затененными областями. Полученные результаты могут быть применены в различных задачах компьютерного зрения, например, для отслеживания движущихся объектов.

Об авторах

Маис Паша Оглы Фархадов

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: mais@ipu.ru
Москва

Рустам Геннадьевич Теплухин

ФГБОУВО Московский государственный технический университет имени Н. Э. Баумана (национальный исследовательский университет)

Email: teplukhinrg@student.bmstu.ru
Москва

Александр Николаевич Абраменков

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: aabramenkov@asmon.ru
Москва

Александр Викторович Абдулов

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: aabdulov@asmon.ru
Москва

Игорь Игоревич Лычков

ФГБОУВО Московский государственный технический университет имени Н. Э. Баумана (национальный исследовательский университет)

Email: lychkovi@bmstu.ru
Москва

Список литературы

  1. ЛЫЧКОВ И.И., ТЕПЛУХИН Р.Г. Применение конечно-мерных теорем отсчетов для отслеживания транс-портных средств // Материалы III Международной научно-практической конференции «Интеллектуальные транспортные системы» – М., 2024. – С. 654–666.
  2. ТЕРЕНТЬЕВ Е.Н., МАХНЮК М.В., БАЛАБАН Е.Д. и др. Градиентная морфология в оценивании параметров объектов в изображениях // Материалы 21-й Междуна-родной конференции «Современные проблемы дистан-ционного зондирования Земли из космоса». – М., 2023. – Т. 13. – С. 56.
  3. ABOUTABIT N. A new construction of an image edge de-tection mask based on Caputo – Fabrizio fractional deriva-tive // The Visual Computer. – 2021. – Vol. 37, No. 6. – P. 1545–1557.
  4. AL-QUDAH S., YANG M. Large Displacement Detection Using Improved Lucas – Kanade Optical Flow // Sensors. – 2023. – Vol. 23, No. 6. – P. 3152.
  5. ARORA S., MATHUR T., AGARWAL S. et al. Applications of fractional calculus in computer vision: a survey // Neuro-computing. – 2022. – Vol. 489. – P. 407–428.
  6. BOUGUET J.-Y. Pyramidal implementation of the affine lucas kanade feature tracker description of the algorithm // Intel Corporation. – 2001. – Vol. 5, No. 1–10. – P. 4.
  7. BOUMA H., VILANOVA A., BESCOS J.O. et al. Fast and accurate Gaussian derivatives based on B-splines // Int. Conf. on Scale Space and Variational Methods in Computer Vision. – Berlin, Heidelberg: Springer Berlin Heidelberg. – 2007. – P. 406–417.
  8. BRADSKI G., KAEHLER A. Learning OpenCV: Computer vision with the OpenCV library. – "O'Reilly Media, Inc.", 2008. – 557 p.
  9. CAPUTO M., FABRIZIO M. A new definition of fractional derivative without singular kernel //P rogress in Fractional Differentiation & Applications. – 2015. – Vol. 1, No. 2. – P. 73–85.
  10. CHEN D., SHENG H., CHEN Y. et al. Fractional-order var-iational optical flow model for motion estimation // Philo-sophical Trans. of the Royal Society A: Mathematical, Phys-ical and Engineering Sciences. – 2013. – Vol. 371, No. 1990. – P. 20120148.
  11. EGIDI N., GIACOMINI J., MAPONI P. et al. An FFT meth-od for the numerical differentiation // Applied Mathematics and Computation. – 2023. – Vol. 445. – P. 127856.
  12. FERRERA M., EUDES A., MORAS J. et al. OV2SLAM: A fully online and versatile visual SLAM for real-time applica-tions // IEEE Robotics and Automation Letters. – 2021. – Vol. 6, No. 2. – P. 1399–1406.
  13. GONZALEZ-ACUNA R.G., DAVILA A., GUTIERREZ-VEGA J.C. Optical flow of non-integer order in particle im-age velocimetry techniques // Signal Processing. – 2019. – Vol. 155. – P. 317–322.
  14. KONG L., SHEN C., YANG J. A lightweight network for fast optical flow estimation // IEEE Int. Conf. on Robotics and Automation (ICRA). – IEEE, 2021. – P. 10310–10316.
  15. KUMAR S.N., FRED A.L., KUMAR A.H. et al. Medical im-age edge detection using Gauss Gradient operator // Journal of Pharmaceutical Sciences and Research. – 2017. – Vol. 9, No. 5. – P. 695.
  16. LAVIN-DELGADO J.E., SOLIS-PEREZ J.E., GOMEZ-AGUILAR J.F. et al. Robust optical flow estimation involv-ing exponential fractional-order derivatives // Optik. – 2020. – Vol. 202. – P. 163642.
  17. LIN J., ZHANG F. R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estima-tion and mapping package // Int. Conf. on Robotics and Au-tomation (ICRA). – IEEE, 2022. – P. 10672–10678.
  18. MENZE M., GEIGER A. Object scene flow for autonomous vehicles // Proc. of the IEEE Conference on Computer Vi-sion and Pattern Recognition. – 2015. – P. 3061–3070.
  19. NANDAL S., KUMAR S. Fractional-order anisotropic dif-fusion for defogging of RGB images // Int. Journal of Image and Graphics. – 2020. – Vol. 20. – No. 01. – P. 2050001.
  20. SCHARR H. Optimal filters for extended optical flow // Int. Workshop on Complex Motion – Berlin, Heidelberg: Springer Berlin Heidelberg, 2004. – P. 14–29.
  21. SHAH S.T.H., XUEZHI X. Traditional and modern strate-gies for optical flow: an investigation // SN Applied Scienc-es. – 2021. – Vol. 3, No. 3. – P. 289.
  22. SHAKYA S., KUMAR S., GOSWAMI M. Deep learning algorithm for satellite imaging based cyclone detection // IEEE Journal of Selected Topics in Applied Earth Observa-tions and Remote Sensing. – 2020. – Vol. 13. – P. 827–839.
  23. SHARMIN N., BRAD R. Optimal filter estimation for Lucas-Kanade optical flow // Sensors. – 2012. – Vol. 12, No. 9. – P. 12694–12709.
  24. SUN D., YANG X., LIU M.-Y. et al. Pwc-net: Cnns for opti-cal flow using pyramid, warping, and cost volume // Proc. of the IEEE Conf. on Computer Vision and Pattern Recogni-tion. – 2018. – P. 8934–8943.
  25. WINKLER J.R. Error Analysis and Condition Estimation of the Pyramidal Form of the Lucas-Kanade Method in Optical Flow // Electronics. – 2024. – Vol. 13, No. 5. – P. 812.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).