Zastosowania cech lokalnych do rozpoznawania obiektów w oparciu o ShapeIndex

Ludzie sprawiaj¿, ¿e rozpoznawanie obiektów wygl¿da banalnie. Z ¿atwo¿ci¿ identyfikujemy obiekty w naszym otoczeniu, niezale¿nie od okoliczno¿ci, w jakich si¿ znajduj¿, niezale¿nie od tego, czy s¿ odwrócone do góry nogami, ró¿ni¿ si¿ kolorem lub tekstur¿, s¿ cz¿¿ciowo zas¿oni¿te itp. Nawet obiekty, które wyst¿puj¿ w wielu ró¿nych formach, takich jak wazony, lub obiekty, które podlegaj¿ znacznym odchyleniom ksztätu, takie jak drzewa, mog¿ by¿ ¿atwo uogólnione przez nasz mózg do jednego rodzaju obiektu. Identyfikacja obiektów odbywa si¿ poprzez integracj¿ ekstrakcji cech niezmiennych w skali (SIFT), a reprezentacja indeksu ksztätu obrazów zasi¿gu umo¿liwia dopasowanie powierzchni o ró¿nych skalach i orientacjach. Uzyskiwany jest indeks ksztätu, który jest u¿ywany jako lokalny deskryptor lub deskryptor punktu kluczowego. Deskryptory punktów kluczowych s¿ identyfikowane tam, gdzie warto¿ci indeksu ksztätu s¿ ekstremalne. Tak wi¿c proponowany projekt s¿u¿y do identyfikacji obiektów, wykorzystuj¿c 2 ró¿ne w¿äciwo¿ci, takie jak w¿äciwo¿ci powierzchni 3D do identyfikacji indeksu ksztätu i niezmienn¿ w skali transformacj¿ cech 2D do wykrywania punktów kluczowych i ekstrakcji cech. Proponowana metoda mo¿e by¿ stosowana do skalowanych, obróconych i zas¿oni¿tych obrazów zakresu.