DOI QR코드

DOI QR Code

Feature Point Filtering Method Based on CS-RANSAC for Efficient Planar Homography Estimating

효과적인 평면 호모그래피 추정을 위한 CS-RANSAC 기반의 특징점 필터링 방법

  • 김대우 (인하대학교 컴퓨터정보공학과) ;
  • 윤의녕 (인하대학교 컴퓨터정보공학과) ;
  • 조근식 (인하대학교 컴퓨터정보공학과)
  • Received : 2015.12.19
  • Accepted : 2016.05.24
  • Published : 2016.06.30

Abstract

Markerless tracking for augmented reality using Homography can augment virtual objects correctly and naturally on live view of real-world environment by using correct pose and direction of camera. The RANSAC algorithm is widely used for estimating Homography. CS-RANSAC algorithm is one of the novel algorithm which cooperates a constraint satisfaction problem(CSP) into RANSAC algorithm for increasing accuracy and decreasing processing time. However, CS-RANSAC algorithm can be degraded performance of calculating Homography that is caused by selecting feature points which estimate low accuracy Homography in the sampling step. In this paper, we propose feature point filtering method based on CS-RANSAC for efficient planar Homography estimating the proposed algorithm evaluate which feature points estimate high accuracy Homography for removing unnecessary feature point from the next sampling step using Symmetric Transfer Error to increase accuracy and decrease processing time. To evaluate our proposed method we have compared our algorithm with the bagic CS-RANSAC algorithm, and basic RANSAC algorithm in terms of processing time, error rate(Symmetric Transfer Error), and inlier rate. The experiment shows that the proposed method produces 5% decrease in processing time, 14% decrease in Symmetric Transfer Error, and higher accurate homography by comparing the basic CS-RANSAC algorithm.

증강현실 분야에서 호모그래피(Homography)를 이용한 비마커 기반의 객체 추적 기술(Markerless tracking)은 카메라의 방향, 위치를 파악하여 실세계의 영상에 가상의 객체를 정확하고 자연스럽게 증강할 수 있는 기술이다. 이와 같은 호모그래피를 추정하기 위한 방법으로 RANSAC 알고리즘이 많이 사용되고 있으며, 최근 기존의 RANSAC 알고리즘에 제약 조건 문제(Constraint Satisfaction Problem)를 적용하여 정확도를 향상시키고, 처리시간을 줄인 CS-RANSAC 알고리즘에 대한 연구가 진행되고 있다. 하지만 CS-RANSAC 알고리즘은 샘플링 단계에서 정확도가 낮은 호모그래피를 추정하게 하는 특징점이 선택되어 불필요한 연산으로 인해 알고리즘의 효율성이 저하되는 경우가 있다. 따라서 본 논문에서는 효과적인 평면 호모그래피 추정을 위한 CS-RANSAC 기반의 특징점 필터링 방법을 제안한다. 제안하는 방법은 호모그래피 평가 단계에서 Symmetric Transfer Error로 정확도가 높은 호모그래피를 추정하게 하는 특징점인지를 평가하고 불필요한 특징점들을 다음 샘플링 단계에서 제외함으로써 정확도를 향상키고 처리시간을 줄였다. 제안하는 CS-RANSAC 기반의 특징점 필터링 방법의 성능평가를 위하여 제안하는 방법을 적용한 알고리즘과 기존의 RANSAC 알고리즘, CS-RANSAC 알고리즘의 수행시간과 오차율(Symmetric Transfer Error), 참정보 포함비율을 비교하였다. 실험 결과 본 논문에서 제안한 방법이 기존 CS-RANSAC 알고리즘보다 수행시간이 평균적으로 약 5% 단축되었고 오차율은 약 14% 줄어들어 더욱 정확한 호모그래피를 추정 할 수 있게 되었다.

Keywords

References

  1. R. T. Azuma, "A survey of augmented reality," Presence: Teleoperators and Virtual Environments, Vol.6, pp.355-385, 1997. https://doi.org/10.1162/pres.1997.6.4.355
  2. Z. Feng, H. B. -L. Duh, and M. Billinghurst, "Trends in augmented reality tracking, interaction and display: A review of ten years of ISMAR," Proceedings of International Symposium on Mixed and Augmented Reality, pp.193-202, 2008.
  3. P. Sturm, "Algorithms for plane-based pose estimation," International Conference on Computer Vision and Pattern Recognition, pp.706-711, 2000.
  4. S. J. D. Prince, K. Xu, and A. D. Cheok, "Augmented reality camera tracking with homographies," Computer Graphics, Vol.22, No.6, pp.39-45, 2002. https://doi.org/10.1109/MCG.2002.1046627
  5. H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool, "SURF: Speeded Up Robust Features," Computer Vision and Image Understanding, Vol.110, No.3, pp.346-359, 2008. https://doi.org/10.1016/j.cviu.2007.09.014
  6. M. A. Fischler and R. C. Bolles, "Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography," Communications of the ACM, Vol.24, pp.381-395, 1981. https://doi.org/10.1145/358669.358692
  7. RANSAC [Internet], http://en.wikipedia.org/wiki/RANSAC, 2015.
  8. O. Chum, J. Matas, and J. Kittler, "Locally Optimized RANSAC," in Proceedings of Deutsche Arbeitsgemeinschaft fur Mustererkennung, Germany, 2003.
  9. G. S. Jo, K. S. Lee, C. Devy, C. H. Jang, and M. H. Ga, "RANSAC versus CS-RANSAC," American Association for Artificial Intelligence(AAAI), pp.1350-1356, 2015.
  10. C. H. Jang, K. S. Lee, and G. S. Jo, "CSP Driven RANSAC Algorithm for Improving Accuracy of Planar Homography," Journal of Korean Institute of Information Science and Engineers, Vol.39, No.11, pp.876-888, 2012.
  11. R. Hartley and A. Zisserman, "Multiple View Geometry in computer vision," 2nd ed., Cambridge University Press, 2000.
  12. A. Criminisi, I. Reid, and A. Zisserman, "A Plane Measuring Device," Image and Vision Computing, Vol.17, pp.625-634, 1999. https://doi.org/10.1016/S0262-8856(98)00183-8
  13. Q. Wang, J. Mooser, S. You, and U. Neumann, "Augmented exhibitions using natural features," Int. J. Virtual Reality, Vol.7, No.4, pp.1-8, 2008.
  14. S. J. Russell and P. Norving, "Artificial Intelligence: A Modern Approach," 3rd ed., Pearson, 2009.
  15. UKbench dataset(Center for Visualization&Virtual Environments) [Internet], http://vis.uky.edu/-stewe/ukbench/.