مقایسه الگوریتم های تناظریابی برای تهیه تور مجازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه صنعتی خواجه نصیر الدین طوسی

2 دانشگاه صنعتی خواجه نصیرالدین طوسی

10.22034/jtd.2018.143726.1484

چکیده

گردشگری الکترونیکی یکی از جدیدترین انواع گردشگری است. تور مجازی بخشی از گردشگری الکترونیکی است که هدف از ارائه آن از بین بردن محدودیت‌های زمانی و مکانی می‌باشد. عکس‌های پانوراما یکی از اجزای اصلی برای ساخت تورمجازی هستند. امروزه با توجه به اینکه تکنولوژی پیشرفت زیادی کرده است اما تعداد کمی عکس‌های پانوراما از مناطق مختلف وجود دارد و معمولاً افراد خاص برای کاربری خاص عکس‌های پانوراما را تولید می‌کنند. از طرفی دیگر با توجه به کیفیت بالا عکس-ها معمولی توسط تکنولوژی پیشرفته، این عکس‌ها پتانسیلی را برای تولید عکس‌های پانوراما ایجاد کرده‌اند. با الحاق کردن چند عکس در کنار هم توسط الگوریتم‌های تناظریابی می‌توان عکس‌های پانوراما را تولید کرد. هرکدام از این الگوریتم‌ها دقت متفاوتی در شرایط مختلف دارد و بیشتر این روش‌ها برای عکس‌های پانوراما ارزیابی نشده‌اند. هدف از این مقاله، بررسی روش‌ها و الگوریتم‌های مختلف تناظریابی عوارض و طبقه‌بندی این روش‌ها و یافتن روش مناسب برای تهیه پانوراما در تورمجازی گردشگری است. در این راستا نحوه عملکرد این الگوریتم‌ها در شرایط مختلف بین تصاویر مانند انتقال، دوران، مقیاس برای به دست آوردن عکس‌های پانورامای هم منطقه و انتخاب بهترین روش سنجش موردبررسی قرارگرفته است. برای این منظور، ابتدا روش‌های مختلف تناظریابی را موردبررسی قرار داده و سپس چهار الگوریتم SURF، FAST، MSER، BRISK بر روی عکس‌های پانوراما در شرایط مختلف مانند اعوجاج چشم ماهی، نویز نمک و فلفل، مقیاس مختلف و ... ارزیابی شد. نتایج نشان می‌دهد که الگوریتم SURF در بیشتر شرایط نتیجه بهتری را در زمان کمتری نسبت به دیگر الگوریتم‌ها به دست اورد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of matching algorithms for virtual tour

نویسندگان [English]

  • adel zanganeh 1
  • abolghasem Sadeghi niaraki 2
  • masoud varshosaz 2
1 K.N. Toosi University of Technology
2 k.n. toosi university of technology
چکیده [English]

Electronic tourism is one of the newest types of tourism. The virtual tour is part of the e-tourism, which aims to eliminate temporal and spatial constraints. Panoramic photos are one of the main components for making virtual tours. Nowadays, given the fact that technology has made a lot of progress, there are few panoramic photos from different regions, and usually special people create panoramic photos for the particular usage. On the other hand, given the high quality of photos by advanced technology, these photos have created the potential for producing panoramic photos. Panoramic photos can create by combining multiple images together by matching algorithms. Each of these algorithms has a different accuracy in different situations, and most of these methods are not evaluated for panoramic photos. The purpose of this paper is to investigate various methods and algorithms for categorization of these methods and to find the appropriate method for the preparation of panoramas in tourism. In this regard, how these algorithms function in different situations between images such as transition, rotation and scaling is investigated in order to get the panoramic photos of the same region and choose the best method of evaluation. For this purpose, different matching methods were first investigated. Then, four algorithms were evaluated on panoramic photographs in imposed by different conditions such as fish eye distortion, salt and pepper noise and various scaling. The results show that the SURF algorithm in most situations obtained better results in less time compare to the other three algorithms.

کلیدواژه‌ها [English]

  • Tourism
  • virtual tour
  • Panorama
  • matching algorithms
  • Descriptor Algorithms

مراجع

صفدری، محسن، معلم، پیمان و ستاری، مهران (1395). «روشی جدید برای تطابق سریع و مقاوم تصاویر هوایی و ماهواره‌ای بر مبنای زاویۀ انتخابی و مقیاس.‎ مهندسی برق و مهندسی کامپیوتر ایران ـ ب مهندسی کامپیوتر، دورۀ 14، شمارۀ 4، ص 342-348.
Babaud, J., Witkin, A. P., Baudin, M. and Duda, R. O. (1986). “Uniqueness of the Gaussian kernel for scale-space filtering”. IEEE Transactions on Pattern Analysis & Machine Intelligence, (1), 26-33.
Baroffio, L., Canclini, A., Cesana, M., Redondi, A. and Tagliasacchi, M. (2014). “Briskola: Brisk optimized for low-power arm architectures”. Paper presented at the International Conference on Image Processing (ICIP). IEEE
Bay, H., Tuytelaars, T. and Van Gool, L. (2006). “Surf: Speeded up robust features”. Paper presented at the European conference on computer vision.
Bellavia, F., Tegolo, D. and Trucco, E. (2010). “Improving SIFT-based descriptors stability to rotations”. Paper presented at the 20th International Conference on Pattern Recognition (ICPR).
Bohlman, P. V. (2006). Prayer on the panorama: music and individualism in American religious experience. Music in American religious experience, 233-53.
Bourke, P. (2014). The Panorama: Applications to Science and Heritage Visualization. Lawrence Wilson Art Gallery. Available online: http://paulbourke. net/papers/lawrencewilson/(accessed on 28 October 2018).
Calonder, M., Lepetit, V., Strecha, C. and Fua, P. (2010). “Brief: Binary robust independent elementary features”. Paper presented at the European conference on computer vision.
Cho, Y. and Fesenmaier, D. R. (2001). A new paradigm for tourism and electronic commerce: Experience marketing using the virtual tour in ed. by Dimitrios Buhalis, Eric Laws, Tourism Distribution Channels: Practices, Issues and Transformation, 351-370.
Getz, D. (2008). “Event tourism: Definition, evolution, and research”. Tourism Management, 29(3), 403-428.
Han, Y. K., Byun, Y. G., Choi, J. W., Han, D. Y. and Kim, Y. I. (2012). “Automatic registration of high-resolution images using local properties of features”. Photogrammetric Engineering & Remote Sensing, 78(3), 211-221.
Hyde, R. (1988). Panoramania!: The Art and Entertainment of the "all-embracing" View. Not Avail.
Juan, L. and Gwun, O. (2009). “A Comparison of SIFT, PCA-SIFT and SURF”. International Journal of Image Processing (IJIP), 3, 143-152.
Kwiatek, K., and Woolner, M. (2009). “Embedding interactive storytelling within still and video panoramas for cultural heritage sites”. Paper presented at the 15th International Conference on Virtual Systems and Multimedia, VSMM'09.
Leutenegger, S., Chli, M. and Siegwart, R. Y. (2011). “BRISK: Binary robust invariant scalable keypoints”. Paper presented at the International Conference on Computer Vision (ICCV). IEEE.
Liu, C., Yuen, J. and Torralba, A. (2010). “Sift flow: Dense correspondence across scenes and its applications”. IEEE Transactions on Pattern Analysis and Machine Intelligence, 33(5), 978-994.
Lowe, D. G. (1999). “Object recognition from local scale-invariant features”. Paper presented at the Computer vision, The proceedings of the seventh IEEE international conference on Computer Vision.
Lowe, D. G. (2004). “Distinctive image features from scale-invariant keypoints”. International Journal of Computer Vision, 60(2), 91-110.
Mair, E., Hager, G. D., Burschka, D., Suppa, M. and Hirzinger, G. (2010). “Adaptive and generic corner detection based on the accelerated segment test”. Paper presented at the European conference on Computer vision.
Matas, J., Chum, O., Urban, M., & Pajdla, T. (2004). Robust wide-baseline stereo from maximally stable extremal regions. Image and Vision Computing, 22(10), 761-767.
Mikolajczyk, K. and Schmid, C. (2005). A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10), 1615-1630.
Moreels, P. and Perona, P. (2007). “Evaluation of features detectors and descriptors based on 3d objects”. International Journal of Computer Vision, 73(3), 263-284.
Murphy, P. E. and Price, G. G. (2005). “Tourism and sustainable development”. Global Tourism, 3, 167-193.
Parian, J. A. (2007). Sensor modeling, calibration and point positioning with terrestrial panoramic cameras. Inst. für Geodäsie und Photogrammetrie.
Quinlan, J. R. (1986). “Induction of decision trees”. in Machine Learning. pp. 81-106.
Remondino, F., El-Hakim, S. F., Gruen, A. and Zhang, L. (2008). “Turning images into 3-D models”. IEEE Signal Processing Magazine, 25(4), 55-65.
Rosin, P. L. (1999). “Measuring corner properties”. Computer Vision and Image Understanding, 73(2), 291-307.
Rosten, E. and Drummond, T. (2005). “Fusing points and lines for high performance tracking”. Paper presented at the Tenth IEEE International Conference on the Computer Vision, ICCV.
Rublee, E., Rabaud, V., Konolige, K. and Bradski, G. (2011). “ORB: An efficient alternative to SIFT or SURF. Paper presented at the Computer Vision (ICCV)”. IEEE international conference on Computer Vision.
Schmid, C., Mohr, R. and Bauckhage, C. (2000). “Evaluation of interest point detectors”. International Journal of Computer Vision, 37(2), 151-172.
Smith, S. M. and Brady, J. M. (1997). “SUSAN—a new approach to low level image processing”. International Journal of Computer Vision, 23(1), 45-78.
Tola, E., Lepetit, V. and Fua, P. (2009). “Daisy: An efficient dense descriptor applied to wide-baseline stereo”. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(5), 815-830.
Tuytelaars, T. and Mikolajczyk, K. (2008). “Local invariant feature detectors: a survey. Foundations and trends®”, Computer Graphics and Vision, 3(3), 177-280.
Zhu, C., Bichot, C.-E. and Chen, L. (2011). “Visual object recognition using DAISY descriptor”. Paper presented at the 2011 IEEE International Conference on Multimedia and Expo (ICME).
Zhu, Q., Wu, B. and Tian, Y. (2007). “Propagation strategies for stereo image matching based on the dynamic triangle constraint”. ISPRS Journal of Photogrammetry and Remote Sensing, 62(4), 295-308.
Zitova, B. and Flusser, J. (2003). “Image registration methods: a survey”. Image and Vision Computing, 21(11), 977-1000.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار