В последнее время в связи с развитием вычислительной техники интерес к сфере компьютерного зрения неуклонно возрастает. Оно постепенно входит в нашу повседневную жизнь, находя применение в таких сферах, как медицина, робототехника, системы беспилотного управления автомобилями и самолётами, развлечения и многих других.
Одним из важных требований к сфере компьютерного зрения является умение анализировать и классифицировать сцены, представленные на разнообразных изображениях. Немалую долю таких изображений составляют те, на которых можно встретить некоторую регулярную структуру: окна высотного дома, узор на какой-либо поверхности, стена здания, составленная из блоков.
Ввиду того, что очень часто в своей жизни для оценки чего-либо мы используем количественную характеристику, автора работы заинтересовала идея: с использованием современных технологий выполнить автоматизированную оценку этой характеристики таких объектов на изображении, которые в свою очередь будут составлять регулярную структуру.
В настоящей работе был рассмотрен один из алгоритмов оценки количества повторений объекта на изображении. На данный момент подавляющее большинство подходов к решению данной задачи, основано на попытке изначально выделить какой-либо шаблон, в соответствии с которым затем осуществлять поиск и подсчёт совпадений.
Предложенный в данной работе алгоритм демонстрирует принципиально другой подход к решению этой задачи. В большинстве своём он опирается на представлении изображения в виде матрицы, обладающей определенными математическими свойствами, которые позволяют выделить регулярную структуру, являющуюся основой изображения.
Основным преимуществом описанного алгоритма, перед указанным выше способом, основанным на поиске заданного шаблона, является отсутствие необходимости в каких-либо дополнительных входных данных, помимо самого изображения. В тоже время такие часто встречающиеся искажения изображения, как поворот, перспектива или заслоняющие объекты, в совокупности составляют один из основных его недостатков, который может отрицательно влиять на результат.
1. Р., Хорн. Матричный анализ / Хорн Р., Джонсон Ч. — Мир, 1989.
2. L., Beilina. Numerical Linear Algebra: Theory and Aplications / Beilina L., Karchevskii E, Karchevskii M. — Springer.
3. Robust principal component analysis / Candes E., Li X., Ma Y., Wright J. — preprint, 2009.
4. RASL: Robust alignment by sparse and low-rank decomposition for linearly correlated images. / Peng Y., Ganesh A., Wright J. et al. — Proc. of CVPR, 2010.
5. D., Bertsekas. Nonlinear Programming / Bertsekas D. — Athena Scientific, 2004.
6. G., Bradski. Learning OpenCV / Bradski G., Kaehler A. — O‘Reelly Media, 2008.