Помощь в написании студенческих работ
Антистрессовый сервис

Программное и алгоритмическое обеспечение систем компьютерного видения с несколькими полями зрения

Диссертация: Программное и алгоритмическое обеспечение систем компьютерного видения с несколькими полями зрения
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Специальное программное обеспечение в прикладных задачах с целью извлечения пространственной информации о наблюдаемой сцене с возможностью учета априорной информации предметной области целесообразно создавать на основе повторно используемых программных компонент, решающих типовые задачи обработки. В настоящее время таких средств, охватывающих все перечисленные операции, не имеется. Для… Читать ещё >

Программное и алгоритмическое обеспечение систем компьютерного видения с несколькими полями зрения (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. СИСТЕМЫ КОМПЬЮТЕРНОГО ВИДЕНИЯ С НЕСКОЛЬКИМИ ПОЛЯМИ ЗРЕНИЯ
    • 1. 1. Аэрофотосъемка с использованием много-объективной камеры бокового обзора
    • 1. 2. Программно-технический комплекс для мониторинга местности в реальном времени с использованием БПЛА
    • 1. 3. Оперативное картографирование с использованием стереокамер
    • 1. 4. Автоматизация процесса регистрации трещин с использованием бытовой камеры
    • 1. 5. Анализ доступных программных средств применительно к системам компьютерного видения с несколькими полями зрения
    • 1. 6. Анализ доступных программных средств для реализации программных компонент
    • 1. 7. Выводы
  • Глава 2. ПРОЕКТИРОВАНИЕ ПРОГРАММНЫХ КОМПОНЕНТ СИСТЕМ КОМПЬЮТЕРНОГО ВИДЕНИЯ С НЕСКОЛЬКИМИ ПОЛЯМИ ЗРЕНИЯ
    • 2. 1. Математическая модель камеры
    • 2. 2. Минимизация ошибки перепроецирования
    • 2. 3. Классификация задач определения параметров камеры
    • 2. 4. иМЕ-диаграмма классов компоненты для определения параметров камеры
    • 2. 5. Сопоставление изображений на основе признаковых методов
    • 2. 6. Сопоставление аэрофотоснимков
    • 2. 7. Сопоставление снимков с БПЛА
    • 2. 8. UML-диаграмма классов компоненты для сопоставления изображений
    • 2. 9. Выводы
  • Глава 3. ПАРАЛЛЕЛЬНЫЕ РЕАЛИЗАЦИИ АЛГОРИТМОВ СОПОСТАВЛЕНИЯ ИЗОБРАЖЕНИЙ
    • 3. 1. Программно-аппаратная архитектура параллельных вычислений на основе графических процессоров NVidia
    • 3. 2. Параллельная реализация алгоритма сопоставления аэрофотоснимков
    • 3. 3. Оценка производительности параллельной реализации детектора Харриса на GPU
    • 3. 4. Параллельная реализация алгоритма сопоставления снимков с БПЛА
    • 3. 5. Сравнение и оценки производительности разработанной реализации SIFT-детектора
    • 3. 6. Оценки производительности сопоставления снимков с БПЛА
    • 3. 7. Выводы
  • Глава 4. СИСТЕМЫ КОМПЬЮТЕРНОГО ВИДЕНИЯ С НЕСКОЛЬКИМИ ПОЛЯМИ ЗРЕНИЯ В ПРИКЛАДНЫХ ЗАДАЧАХ
    • 4. 1. Система для автоматического построения фотосхемы местности по данным аэрофотосъемки много-объективной камеры бокового обзора
    • 4. 2. Система для автоматического построения фотосхем местности по снимкам с двух объективной камеры БПЛА

Актуальность работы.

В области автоматизированной обработки видеоданных можно выделить ряд задач, связанных с обработкой информации о наблюдаемой сцене по данным, поступающим из нескольких полей зрения. Примерами подобных задач являются наблюдение/контроль с использованием системы камерформирование фотосхем на основе снимков, получаемых с много-объективных камеропределение пространственных характеристик объектов сцены на основе анализа стереизображений. Развитие вычислительных средств и датчиков изображений приводит к постоянному расширению сферы применения автоматизированных систем компьютерного видения с несколькими полями зрения.

В настоящее время разработан ряд коммерческих программных продуктов для анализа пространственной информации наблюдаемых объектов и сцен. По областям применения среди них выделяются пакеты фотограмметрического назначения (Erdas Imagine, Photomod), пакеты построения фотореалистичных ЗБ-моделей объектов (как с возможностью измерений — Photomodeller, так и преимущественно для целей визуализации — Autodesk 123D), программы построения панорамных изображений (Microsoft ICE) и другие.

Перечисленные программные пакеты не всегда удается применить для решения конкретных прикладных задач, особенно, связанных с обработкой зрительных данных, поступающих в режиме реального времени, а также требующих интеграции систем компьютерного видения в более крупные программно-аппаратные комплексы. В связи с этим актуальной является проблема проектирования и разработки программного обеспечения систем компьютерного видения с несколькими полями зрения, предназначенных для извлечения пространственной информации о наблюдаемых сценах. К пространственной информации относятся трехмерные координаты точек объектов интереса, их геометрические размеры, а также взаимное расположение объектов интереса и их частей.

Анализ существующих систем обработки изображений, представленных в опубликованной литературе, показывает, что для определения пространственной информации по данным изображений выполняются типовые операции:

• определение параметров видеокамер;

• стереоскопические измерения;

• сопоставление изображений (поиск соответствующих точек);

• построение карт глубины и ЗБ-моделей;

• геометрическое трансформирование и цветовая коррекция изображений.

Специальное программное обеспечение в прикладных задачах с целью извлечения пространственной информации о наблюдаемой сцене с возможностью учета априорной информации предметной области целесообразно создавать на основе повторно используемых программных компонент, решающих типовые задачи обработки. В настоящее время таких средств, охватывающих все перечисленные операции, не имеется. Для дорогостоящих фотограмметрических пакетов, как правило, не существует альтернативных открытых решений. Известные средства, предлагаемые в таких популярных библиотеках, как Intel Integrated Performance Primitives и OpenCV, содержат реализации алгоритмов, которые не всегда удается применить в прикладных задачах (например, в силу ограничений на размеры обрабатываемых изображений).

При обработке зрительных данных для обеспечения требуемого масштаба реального времени важным является вопрос выбора аппаратной структуры вычислительных средств системы компьютерного видения. В последние годы для вычислительных задач и обработки изображений расширяется применение универсальных графических процессоров (Graphic.

Processor Unit, GPU). Таким образом, для систем компьютерного видения актуальна разработка параллельных алгоритмов, рассчитанных на архитектуру GPU, с целью сокращения временных затрат на обработку зрительных данных.

В процессе выполнения диссертационной работы был решен ряд прикладных задач по обработке зрительных данных с целью определения пространственных характеристик и анализа объектов интереса наблюдаемой сцены:

• построение фотосхемы местности по данным аэрофотосъемки с много-объективной камеры бокового обзора;

• разработка программно-технического комплекса для мониторинга местности в режиме реального времени по информации, получаемой с беспилотного летательного аппарата (БПЛА);

• оперативное картографирование местности на основе системы видеокамер и бесплатформенной инерциальной навигационной системы (БИНС), установленных на транспортном средстве (ТС);

• автоматизация процесса регистрации трещин в хрупком тензопокры-тии, применяемом для анализа напряженно-деформируемого состояния (НДС) исследуемой конструкции.

На основе опыта решения прикладных задач была спроектирована архитектура компонент двух видов для систем компьютерного видения с несколькими полями зрения: для определения параметров системы камер и для сопоставления изображений. При этом для построения фотосхем были разработаны и реализованы алгоритмы параллельной обработки данных, рассчитанные на архитектуру GPU.

Целью диссертационной работы является исследование программного и алгоритмического обеспечения систем компьютерного видения с несколькими полями зрения, проектирование и разработка унифицированных повторно используемых программных компонентов для решения прикладных задач обработки зрительных данных. Для ускорения низкоуровневой обработки изображений ставилась цель разработки параллельных алгоритмов выделения точечных признаков и сопоставления изображений.

Научная новизна.

Разработаны новые алгоритмы, оптимизированные для архитектуры GPU семейств NVidia GT200/Fermi, позволяющие производить следующие виды обработки зрительных данных:

— сопоставление узкополосных снимков, полученных при аэрофотосъемке с помощью много-объективной камеры бокового обзора;

— построение обзорных изображений по снимкам, получаемым с двух-объективной камеры БПЛА.

Разработано новое приложение для калибровки систем компьютерного видения с несколькими полями зрения, обеспечивающее выбор способа учета модели дисторсии в зависимости от особенностей прикладной задачи.

Впервые предложена методика автоматизации процесса регистрации трещин в хрупком тензопокрытии.

Практическая значимость работы.

Спроектированные и реализованные программные компоненты были использованы для решения четырех прикладных задач:

• построение фотосхемы местности по данным аэрофотосъемки с много-объективной камеры бокового обзора;

• программно-технический комплекс для мониторинга местности в реальном времени с использованием БПЛА;

• оперативное картографирование местности на основе системы видеокамер и БИНС, установленных на ТС;

• автоматизация процесса регистрации трещин в хрупком тензопокры-тии, применяемом для анализа НДС исследуемой конструкции.

На основе приложения для программной калибровки камер были определены параметры ряда цифровых камер (в том числе для БПЛА) и ТВ-камер, а также откалиброваны стереосистемы на ТС для оперативного картографирования и для измерений в лабораторных условиях.

Разработанные параллельные алгоритмы применялись в задачах построения фотосхем местности. В аппаратном обеспечении использовались графические процессоры NVidia Tesla si070 для серверных станций, GPU GeForce GTX 260/280/480 для настольных ПК и GPU GeForce GT 420М/425М для ноутбуков.

Программное обеспечение для построения фотосхем было разработано в рамках опытно-конструкторских работ (ОКР) ОАО «НИИ Точных Приборов» (г. Москва), которое было поставлено на эксплуатацию.

Апробация работы.

Основные результаты работы докладывались и обсуждались на следующих конференциях, симпозиумах и семинарах:

• IV-ая Всероссийская научно-практическая конференция «Перспективные системы и задачи управления», Россия, Домбай, 2009.

• V-ая Международная конференция «Космическая съемка — на пике высоких технологий», Россия, Московская область, 2011.

• Юбилейная научно-техническая конференция ОАО НИИ ТП, посвященная 50-летию полета в космос Ю. А. Гагарина, Россия, Москва, 2011.

• Всероссийская молодёжная конференция «Новые материалы и технологии в ракетно-космической и авиационной технике», Россия, Звездный городок, 2011.

• XVI Международный научно-технический симпозиум «Геоинформационный мониторинг окружающей среды: GPS и GIS технологии», Украина, Алушта, 2011.

• 11 -ая Международная научно-техническая конференция «From Imagery to Map: Digital Photogrammetric Technologies», Испания, Тосса-де-Мар, 2011.

• 21-ая Международная конференция по компьютерной графике и машинному зрению GraphiCon'2011, Россия, Москва, 2011.

• 3-я Российская конференция ИПУ им. В. А. Трапезникова РАН «Технические и программные средства систем управления, контроля и измерения», Россия, Москва, 2012.

• Объединенный семинар им. М.Р.Шуры-Буры по робототехническим системам и программированию ИПМ им. М. В. Келдыша РАН, Россия, Москва, 2012.

Публикации по теме диссертации.

Материалы диссертации опубликованы в 11 печатных работах, из них: 3 статьи в рецензируемых журналах, рекомендованных ВАК [1−3], 1 перевод статьи в зарубежном журнале [10], 7 статей в сборниках трудов конференций [4−9,11].

Объем и структура диссертации.

Диссертация состоит из введения, четырех глав, заключения и списка литературы. Содержание работы изложено на 116 страницах. Список лите.

Основные результаты работы состоят в следующем:

1. Разработана новая архитектура программных компонент для определения параметров камеры и для сопоставления изображений. На основе этой архитектуры реализованы унифицированные повторно используемые программные компоненты, использовавшиеся в программном обеспечении прикладных систем компьютерного видения с несколькими полями зрения.

2. Разработаны новые параллельные реализации алгоритмов сопоставления аэрофотоснимков оптимизированные для архитектуры GPU семейств NVidia GT200/Fermi и обеспечивающие обработку изображений большего размера, по сравнению с существующими аналогами.

3. Разработаны новые алгоритмы для новых специализированных камер, оптимизированные для архитектуры GPU семейств NVidia GT200/Fermi:

• алгоритм для сопоставление узкополосных снимков, полученных при аэрофотосъемке с помощью много-объективной камеры бокового обзора;

• алгоритм для построение обзорных изображений по снимкам, получаемым с двух-объективной камеры БПЛА.

4. Спроектированы и реализованы системы компьютерного видения для решения четырех прикладных задач обработки зрительных данных: построение фотосхемы местности по данным аэрофотосъемки с много-объективной камеры бокового обзорапрограммно-технический комплекс для мониторинга местности в реальном времени с использованием БПЛАоперативное картографирование местности на основе системы камер и БИНС, установленных на ТСавтоматизация процесса регистрации трещин в хрупком тензопо-крытии, применяемом для анализа НДС исследуемой конструкции.

БЛАГОДАРНОСТИ.

Автор выражает благодарность научному руководителю А. А. Богуславскому, проф. С. М. Соколову из ИПМ им. М. В. Келдыша РАН, проф. В. Ф. Чекалину и В. А. Мышляеву из ОАО НИИ ТП, а также коллеге и соавтору ряда публикаций — А. В. Крылову из ОАО НИИ ТП за плодотворные совместные обсуждения идей диссертации.

ЗАКЛЮЧЕНИЕ

.

Показать весь текст

Список литературы

  1. H.A., Васильев И. Е., Богуславский A.A., Васильев А. И. Автоматизация процесса регистрации трещин в хрупких тензочустви-тельных покрытиях. // Заводская лаборатория. Диагностика материалов, № 11, 2010, с. 45−50.
  2. А.И., Крылов A.B., Логутко Д. А., Павленко Г.П. Разработка программно-технического комплекса для проведения аэрофотосъемки и наземной обработки результатов съемки на примере БПЛА
  3. Типчак". // Сборник материалов Юбилейной конференции, посвященной 50-летию полета в космос Ю. А. Гагарина, НИИ ТП, 20−21 апреля, 2011, Москва, с. 86−90.
  4. А.И., Судоргин А. А. Построение обзорных изображений местности по снимкам БПЛА. // Сборник материалов молодежной конференция «Новые материалы и технологии в ракетно-космической технике», 22−24 июня, 2011, Звездный городок, Т.2 с. 226−229.
  5. Vasilyev A.I., Boguslavskiy А.А., Sokolov S.M. Parallel SIFT-detector implementation for images matching. // Proc. of the 21st Conference on Computer Graphics and Vision, GraphiCon'2011, September 26−30, 2011, Moscow, pp. 173−176.
  6. Makhutov. N.A., VasiPev I.E., Boguslavskii A.A., VasiPev A.I. Automation of crack recording in brittle tensosensitive coatings. // Inorganic Materials, № 15, vol. 47, 2011 p. 1707−1712.
  7. Hinz A., Dorstel Ch., Heier H. DMC The Digital Sensor Technology of Z/I Imaging. // Photogrammetric Week, D. Fritsch, R. Spiller Ed. Wichmann-Verlag, Heidelberg, pp. 93−104., 2001
  8. Kropfl M., Gruber M. UltraCam: Calibration Geometry and Radiometry Analysis, http ://www. gtbi. net/export/sites/default/GTB i Web/productos/descargas/V excelUltracamD-Calibracion-en.pdf (2012)
  9. Kheiri M. Digital Aerial Cameras. // International Archives of the Photo-grammetry, Remote Sensing and Spatial Information Science, Volume XXXVI, Part 6, Tokyo Japan 2006, pp. 229−234.
  10. Фотограмметрический пакет Erdas Imagine, http://www.erdas.com (2012)
  11. Фотограмметрический пакет Photomod. http://www.racurs.ru (2012)
  12. Формат хранения растровых данных TIFF, http://www.libtiff.org/ (2012)
  13. Формат хранения растровых данных JPEG, http://www.jpeg.org/ (2012)
  14. БПЛА «Типчак». http://ru.wikipedia.org/wiki/Tmi4aK (БШШ (2012)
  15. Картографическая система координат WGS-84. http://earth-info.nga.mil/GandG/publications/tr8350.2/tr83502.html (2012)
  16. Н.И., Панских В. К. Метод хрупких тензочувствитель-ных покрытий М.: Наука, 1978. — 184 с.
  17. НПО «Регион», http://www.nporegion.ru/ (2012)
  18. А.Н. Фотограмметрия: Учебник для вузов. 2-е изд., перераб. и доп. — М.: «Недра», 1984. 552 с.
  19. А.С. Фотограмметрия: учеб. пособие для студентов вузов. — Мн.: ТетраСистемс, 2006. — 368 е.: ил.
  20. Open Computer Vision Library, http://opencv.org/ (2012)
  21. Bradski G, Kaehler A. Learning OpenCV. // OReilly. ISBN: 978−0-59 651 613−0, 2008
  22. Zhang Z. A flexible new technique for camera calibration. // IEEE Trans, on PAMI, 2000, Vol. 22(11), pp. 1330−1334
  23. Intel Integrated. Performance Primitives, http://software.intel.com/en-us/articles/intel-ipp (2012)
  24. Hartley R., Zisserman A. Multiple View Geometry in computer vision. // Cambridge University Press. ISBN 0−521−54 051−8, 2003
  25. W6hler C. 3D Computer Vision: Efficient Methods and Applications. // X.media.publishing, 2009
  26. Forsyth D.A., Ponce J. Computer Vision, A Modern Approach. // Prentice Hall. ISBN 0−12−379 777−2, 2003
  27. Г., Трайбер X. Техническая оптика. — М.: Техносфера, 2006 г. — 424.с. ISBN 5−94 836−075-Х
  28. М.М. Техническая оптика: учеб. пособие для вузов. -— Л.: Машиностроение. Ленинградское отд., 1979 г. — 488 с.
  29. D. С. Close-Range Camera Calibration. // Photogrammetric Engineering vol. XXXVII, no. 8, 1971, pp. 855−866
  30. Й. Нелинейное оценивание параметров. / Пер. с англ. B.C. Ду-женко и Е.С.Фоминой- Под ред. и. с предисл. В. Г. Горского — М.: Статистика, 1979 — 349с.
  31. В.Т. Введение в оптимизацию. — М.: Наука, 1983. — 384 с.
  32. Ф.П. Методы оптимизации. — М.: Факториал Пресс, 2002. — 824 с.
  33. Triggs В., McLauchlan P. F., Hartley R. I., Fitzgibbon A. W. Bundle adjustment a modern synthesis. // In: ICCV '99: Proceedings of the International Workshop on Vision Algorithms, Springer-Verlag, London, UK, pp. 298−372., 2000
  34. Distortion tester. http://www.zeiss.com/C1257569004B5D2C/EmbedTitelIntern/Distortion Tester/$File/CarlZeissDistortionTester.pdf (2012)
  35. Tsai R. Y. A Versatile Camera Calibration Technique for High-Accuracy 3D Machine Vision Metrology Using Off-the-Shelf TV Cameras and Lenses. // IEEE J. of Robotics and Automation RA 3(4), pp. 323−344, 1987
  36. Clarke T.A., Fryer J.G. The Development of Camera Calibration Methods and Models. // Photogrammetric Record, 16(91): 51−66, April 1998
  37. А.П. и др. Применение цифровых неметрических камер и лазерных сканеров для решения задач фотограмметрии. http://www.racurs.ru/wwwdownload/articles/Camarasdigitalesrus.pdf (2012)
  38. Abidi IM. A., Chandra Т. A New Efficient and Direct Solution for Pose Estimation Using Quadrangular Targets: Algorithm and Evaluation. // IEEE Trans, on Pattern Analysis and Machine Intelligence, Vol 17, No. 5, pp. 534−538, 1995.
  39. Long Q., Zhong-Dan L. Linear N-Point Camera Pose Determination. // IEEE Trans, on Pattern Analysis and Machine Intelligence, Vol.21, No.7, pp. 774−780, 1999.
  40. Longuet-Higgins H.C. A Computer Algorithm for Reconstructing a Scene From Two Projections. //Nature, vol. 293, pp. 133−135, Sept 1981.
  41. Nist’er D. An Efficient Solution to the Five-Point Relative Pose Problem.// CVPR, 195−202, 2003.
  42. Schaffalitzky F., Zisserman A., Hartley R. I., Torr P.H.S. A Six Point Solution for Structure and Motion. // ECCV (1) 2000: 632−648
  43. Szeliski R. Computer Vision: Algorithms and Applications. Springer, New York, 2010.
  44. A.C. Автореферат диссертации. Алгоритмы построения трехмерных компьютерных моделей реальных объектов для систем виртуальной реальности, 2005, http://www.keldvsh.rU/council/l/konushin.pdf (2012)
  45. Jl. Компьютерное зрение : Учебное пособие для вузов: Пер. с англ. / Л. Шапиро, Дж. Стокман — пер.: А. А. Богуславский — ред. пер.: С. М. Соколов. — М.: БИНОМ. Лаборатория знаний, 2006. — 752 с.
  46. Harris С., Stephens М. A combined corner and edge detector. // Fourth Alvey Vision Conference, 1988
  47. Corner Detection Algorithms. http://kiwi.cs.dal.ca/~dparks/CornerDetection/algorithms.htm (2012)
  48. Ни M.K. Visual Pattern Recognition by Moment Invariants. // IRE Trans. Info. Theory, vol. IT-8, pp. 179−187, 1962
  49. Lowe D.G. Distinctive Image Features from Scale-Invariant Keypoints. // International Journal of Computer Vision, 60, 2, pp. 91−110, 2004.
  50. Bay H., Ess A., Tuytelaars Т., Gool L.V. SURF: Speeded Up Robust Features. // Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346—359, 2008
  51. Ke Y., Sukthankar R. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors. // Computer Vision and Pattern Recognition, 2004.
  52. Matas J., Chum O., Urban M., Pajdla T. Robust wide baseline stereo from maximally stable extremal regions. // Proc. of British Machine Vision Conference, pages 384−396, 2002.
  53. Fischler M.A., Bolles R.C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. // Comm. of the ACM 24 (6): 381−395. June 1981.
  54. Choi, Kim, Yu. Performance Evaluation of RANSAC Family. // BMVC, 2009, doi:10.5244/C.23.81
  55. Luong Q.T., Faugeras O.D. The Fundamental Matrix: Theory, Algorithms, and Stability Analysis. // International Journal of Computer Vision 17 (1): 43−75. doi:10.1007/BF00127818, 1996
  56. P. Основы проективной геометрии. — M.: Мир, 1970.
  57. Grun A. Adaptive least squares correlation: a powerful image matching technique. // In: South African Journal of Photogrammetry, RS and Cartography, Vol. 14 (3), pp. 175−187, 1985
  58. Zitova, В., Flusser, J. Image registration methods: a survey. In: Image and Vision Computing, Vol. 21, Issue 11, pp. 977−1000, 2003
  59. P., Вудс P. Цифровая обработка изображений. — M.: Техносфера, 2005
  60. Rosenfeld A., Vanderbrug G.J. Coarse-fine template matching. // IEEE Transactions on Systems, Man and Cybernetics 7 (1977) 104−107.
  61. Rodrigues R., Pellegrino S. An Experimental Evaluation of Algorithms for Aerial Image Matching. // 17th International Conference on Systems, Signals and Image Processing (IWSSIP). 2010. — P.416 — 419.
  62. Lindeberg T. Detecting salient blob-like image structures and their scales with a scale-space primal sketch: a method for focus-of-attention. // International Journal of Computer Vision, 11(3):283−318. 1993
  63. Lindeberg T. Scale-space theory: A basic tool for analysing structures at different scales. // Journal of Applied Statistics, 21(2):224−270. 1994
  64. NVIDIA, CUDA technology, http://www.nvidia.com/obiect/cudahomenew.html (2012)
  65. A.B., Харламов A.A. Основы работы с технологией CUDA. Москва, ДМК Пресс, 2010
  66. Sanders J., Kandrot Е. CUDA by Example: An Introduction to GeneralPurpose GPU Programming. 2010. Addison-Wesley Professional. 312 p. ISBN: 978−131 387 683, 2010
  67. Harris detector source code (matlab), http://www.cs.illinois.edu/~slazebni/springl 1/harris.m (2012)
  68. Sinha S., Frahm J., Pollefeys M., Gene Y. Feature tracking and matching in video using programmable graphics hardware. // Machine Vision and Applications, 2007
  69. Claus C., Huitl R., Rausch J., Stechele W. Optimizing the SUSAN corner detection algorithm for a high speed FPGA implementation. // Field Programmable Logic and Applications, 2009.
  70. Vedaldi A. Sift++ source code and documentation. http ://www. vlfeat. org/ (2012)
  71. Wu C. SIFTGPU: A GPU implemenatation of scale invariant feature transform (SIFT), http://www.cs.unc.edu/-cc wu/siftgpu/#lowesift (2011)
  72. Bjorkman M. A CUDA implementation of SIFT http://www.csc.kth.se/~celle/ (2011)
  73. Kayombya G.-R. Implementation and Optimization of SIFT on an OpenCL GPU, http://beowulf.csail.mit.edu/18.337/proiects/reports/Kayombya report. pdf (2010)
  74. Burt P.J., Adelson A.H. A multiresolution spline with application to image mosaics. // ACM Transactions on Graphics, 1983
  75. V.Vezhnevets, A. Velizhev, N. Chetverikov, A. Yakubenko. GML C++ Camera Calibration Toolbox. http://graphics.cs.msu.ru/ru/science/research/calibration/cpp (2012)
  76. Multi-Camera Self-Calibration, http://cmp.felk.cvut.cz/-svoboda/SelfCal/ (2012)
  77. Open Graphic Library, http://www.opengl.org/ (2012)
Заполнить форму текущей работой

Сессия? Спокойно!