A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Coarse-to-Fine Evolutionary Method for Fast Horizon Detection in Maritime Images Método evolutivo grosseiro para fino para detecção rápida de horizonte em imagens marítimas

Uuganbayar GANBOLD, Junya SATO, Takuya AKASHI

  • Exibições de texto completo

    1

  • Cite isto

Resumo:

A detecção de horizonte é útil no processamento de imagens marítimas para diversos fins, como estimativa da orientação da câmera, registro de quadros consecutivos e restrição da região de busca do objeto. Os métodos existentes de detecção de horizonte são baseados na extração de bordas. Para maior precisão, eles usam várias imagens, que são filtradas com diferentes tamanhos de filtro. No entanto, isso aumenta o tempo de processamento. Além disso, esses métodos não são robustos para deixar escapar. Portanto, desenvolvemos um método de detecção de horizonte sem extrair os candidatos das informações de borda, formulando o problema de detecção de horizonte como um problema de otimização global. Uma linha do horizonte em um plano de imagem foi representada por dois parâmetros, que foram otimizados por um algoritmo evolutivo (algoritmo genético). Assim, as características locais e globais de um horizonte foram utilizadas simultaneamente no processo de otimização, que foi acelerado pela aplicação de uma estratégia grosseira para fina. Como resultado, pudemos detectar a linha do horizonte em imagens marítimas de alta resolução em cerca de 50ms. O desempenho do método proposto foi testado em 49 vídeos do conjunto de dados marinhos de Cingapura e do conjunto de dados Buoy, que contêm mais de 16000 quadros em diferentes cenários. Resultados experimentais mostram que o método proposto pode atingir maior precisão do que os métodos do estado da arte.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.12 pp.2226-2236
Data de publicação
2021/12/01
Publicitada
2021/09/08
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7064
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de imagem, visão computacional

autores

Uuganbayar GANBOLD
  Iwate University
Junya SATO
  Gifu University
Takuya AKASHI
  Iwate University

Palavra-chave