Чи є алгоритми комп'ютерного зору, спеціально орієнтовані на зображення глибини?

Я розглядав алгоритми виявлення маркерів для використання з додатком на основі kinect, і більшість робіт, які мені вдалося знайти, явно зосереджені на виявленні функцій у "звичайних" зображеннях.

Однак апаратне забезпечення kinect забезпечує (по суті, після того, як ви відрегулювали) значення 11-бітної глибини на піксель.

На цьому глибинному зображенні також є різні візуальні артефакти від тіней, відлитих по краях предметів (див., Наприклад, сильну чорну облямівку у цьому відео http://www.youtube.com/watch?v=-q8rRk8Iqww&feature=related ).

Хоча деякі традиційні методи машинного зору (наприклад, виявлення ребер) добре справляються з цим, інші - ні, і здається, що в мережі мало інформації, що це обговорює.

Як простий приклад, використання значення глибини робить тривіальним виявлення орієнтації блоку маркера, як тільки ви його знайдете.

Отже, хтось бачив якісь дискусії / документи / тощо, які б охоплювали обробку зображення на глибині для виявлення функцій?

Чи може хтось порекомендувати хороший алгоритм виявлення маркерів "глибини" (ефективні блоки орігамі замість друкованих б / ш маркерів)?

Що я робив до цих пір, це adhoc експериментувати з використанням opencv для обробки зображень, але це не там, де майже стабільно або досить швидко.

Якщо ви посилаєтесь на комерційний продукт машинного зору без якогось випробування, будь ласка, зазначте у своїй відповіді, чому ви вважаєте, що це доречно.

Мій улюблений дескриптор функції 2.5D / 3D для реєстрації та розпізнавання - це спінове зображення (оригінальний папір + більше деталей у кандидатській дисертації та програмне забезпечення, доступне у КМУ).

Серед інших останніх досягнень (у режимі онлайн для пошуку відповідних алгоритмів) є: 3D-просіювання, гістограма функцій швидкої точки, нормально вирівняні радіальні функції (NARF), дескриптори глибинного ядра. Старі методи просто використовували властивості поверхні, такі як кривизна та краї, щоб ідентифікувати патчі області.

Що найкраще? Залежить від того, що ви хочете знайти, інваріантності точки зору, додаткового захаращення тощо.

Ви зрозуміли всі ключові слова правильно, я здивований, що ви справді не знайшли жодної пов’язаної статті, шукаючи матеріал.

На щастя, у мене є доступ до цифрової бібліотеки IEEE Xplore. Раніше мені не потрібен жоден із цих конкретних алгоритмів, але це виглядає дуже цікаво, тому ось кілька результатів швидкого пошуку, які, на мою думку, можуть бути доречними (не судіть їх за назви, подивіться на їх конспекти):

• Кінедзакі, А., Харада, Т., Кунійосі, Я.: Особливості кольору інваріантних кольорів масштабу та обертання для слабко керованого об'єкта Навчання в 3D-просторі
• Bo, L., Ren, X., Fox, D .: Дескриптори глибини ядра для розпізнавання об'єктів
• Джі-Хо Чо, In-Yeop Chang, Seung-man Kim, Lee, KH: Техніка глибокої обробки зображень для представлення людських акторів на 3DTV за допомогою камери з однією глибиною
• Пей-Джун Лі, Ефенді: Адаптивний крайовий орієнтований глибинний підхід для вирівнювання зображення для глибокого відображення на основі зображення
• Pedersen, PC, Quartararo, JD, Szabo, TL: Сегментація 3D-медичних ультразвукових зображень, зменшених спекл.
• Люхан Ченг, Лішенг Ван, Ю. Ма: Нова стратегія виявлення межових поверхонь в 3D-медико-біологічних зображеннях

На жаль, я не думаю, що ви можете отримати доступ до будь-якого з цих робіт безкоштовно, принаймні, не через бібліотеку IEEE Xplore. Якщо у вас немає доступу, ви, ймовірно, можете зайти до науковця Google , і там є кілька безкоштовних баз даних з паперу (я використовував базу даних Mendeley назад, коли ще не мав доступу до IEEE). Крім того, лише частини Googling абстрактних або випадкових частин статті іноді дають певні результати (ви можете натрапити на майже готові попередньо опубліковані версії статті).

Пошуковими запитами, які я використовував для пошуку згаданих робіт, були: 3D-зображення , зображення глибини , кінект . Можливо, ви також захочете переробити обробку під час пошуку перших двох запитів.

Сподіваюсь, це дещо допоможе! Мені шкода, що більше не можу зайнятися темою, звучить дуже цікаво.