KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Improved CS-RANSAC Algorithm Using K-Means Clustering

K-Means 클러스터링을 적용한 향상된 CS-RANSAC 알고리즘

  • 고승현 (인하대학교 컴퓨터공학과) ;
  • 윤의녕 (인하대학교 컴퓨터공학과) ;
  • ;
  • 조근식 (인하대학교 컴퓨터정보공학과)
  • Received : 2016.12.21
  • Accepted : 2017.01.23
  • Published : 2017.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Estimating the correct pose of augmented objects on the real camera view efficiently is one of the most important questions in image tracking area. In computer vision, Homography is used for camera pose estimation in augmented reality system with markerless. To estimating Homography, several algorithm like SURF features which extracted from images are used. Based on extracted features, Homography is estimated. For this purpose, RANSAC algorithm is well used to estimate homography and DCS-RANSAC algorithm is researched which apply constraints dynamically based on Constraint Satisfaction Problem to improve performance. In DCS-RANSAC, however, the dataset is based on pattern of feature distribution of images manually, so this algorithm cannot classify the input image, pattern of feature distribution is not recognized in DCS-RANSAC algorithm, which lead to reduce it's performance. To improve this problem, we suggest the KCS-RANSAC algorithm using K-means clustering in CS-RANSAC to cluster the images automatically based on pattern of feature distribution and apply constraints to each image groups. The suggested algorithm cluster the images automatically and apply the constraints to each clustered image groups. The experiment result shows that our KCS-RANSAC algorithm outperformed the DCS-RANSAC algorithm in terms of speed, accuracy, and inlier rate.

이미지를 기반으로 하는 증강현실 시스템에서 가상의 객체를 실제 영상에 저작할 때 생기는 이질감을 줄이기 위해서는 실제 영상에 저작된 가상객체의 방향과 위치에 대해 정확하게 추정을 해야 하며, 이때 호모그래피를 사용한다. 호모그래피를 추정하기 위해서는 SURF와 같은 특징점을 추출하고 추출된 특징점들을 통해 호모그래피 행렬을 추정한다. 호모그래피 행렬의 추정을 위해서 RANSAC 알고리즘이 주로 사용되고 있으며, 특히 RANSAC에 제약 조건 만족 문제(Constraint Satisfaction Problem)와 여기에 사용되는 제약조건을 동적으로 적용하여 속도와 정확도를 높인 DCS-RANSAC 알고리즘이 연구되었다. DCS-RANSAC 알고리즘에서 사용된 이미지 그룹 데이터는 수동적인 방법을 통해 직관적으로 분류되어 있지만 특징점 분포 패턴이 다양하지 않고, 이미지들을 정확하게 분류하기가 어려워서 이로 인해 알고리즘의 성능이 저하되는 경우가 있다. 따라서 본 논문에서는 K-means 클러스터링을 적용하여 이미지들을 자동으로 분류하고 각 이미지 그룹마다 각기 다른 제약조건을 적용하는 KCS-RANSAC 알고리즘을 제안한다. 제안하는 알고리즘은 머신러닝 기법인 K-means 클러스터링을 사용하여 전처리 단계에서 이미지를 특징점 분포 패턴에 따라 자동으로 분류하고, 분류된 이미지에 제약조건을 적용하여 알고리즘의 속도와 정확도를 향상시켰다. 실험 결과 본 논문에서 제안하는 KCS-RANSAC이 DCS-RANSAC 알고리즘에 비해 수행시간이 약 15% 단축되었고, 오차율은 약 35% 줄어들었으며, 참정보 비율은 약 14% 증가되었다.

Keywords

References

  1. R. T. Azuma, "A survey of augmented reality," Presence: Teleoperators and Virtual Environments, Vol.6, Issue 4, pp.355-385, 1997. https://doi.org/10.1162/pres.1997.6.4.355
  2. F. Zhou, H. B. Duh, and M. Billinghurst, "Trends Augmented Reality Tracking, Interaction and Display: A Review of Ten Years of ISMAR," IEEE International Symposium on Mixed and Augmented Reality, pp.193-202, 2008.
  3. F. D. Crescenzio, M. Fantini, F. Persiani, L. D. Stefano, P. Azzari, and S. Salti, "Augmented Reality for Aircraft Maintenance Training and Operations Support," IEEE Computer Graphics and Applications, Vol.31, Issue 1, pp.96-101, 2011. https://doi.org/10.1109/MCG.2011.4
  4. K. S. Lee, A. N. Rosli and G. S. Jo, "A Method for Automatically Creating an Interactive Semantic Video based on AR System," IEEE International Conference on Systems, Man, and Cybernetics, in press, 2012.
  5. H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, L. V., "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. O. Faugeras and F. Lustman, "Motion and structure from motion in a piecewise planar environment," International Journal of Pattern Recognition and Artificial Intelligence, Vol.2, No.3, pp.485-508, 1988. https://doi.org/10.1142/S0218001488000285
  7. D. Stricker, "Tracking with Reference Images: A Real-Time and Markerless Tracking Solution for Out-Door Augmented Reality Applications," International Symposium on Virtual Reality, Archeology, and Cultural Heritage, ACM, pp.77-82, 2001.
  8. E. Vincent and R. Laganiere, "Detecting planar homographies in an image pair," IEEE International Symposium on Image and Signal Processing and Analysis, pp.182-187, 2001.
  9. RANSAC [Internet], http://en.wikipedia.org/wiki/RANSAC, 2016.
  10. UKbench dataset (Center for Visualization&Virtual Environ ments) 2016 [Internet], http://vis.uky.edu/-stewe/ukbench/.
  11. B. Subbiah and S. Christopher, "Image Classification through Integrated K-means Algorithm," International Journal of Computer Science Issues, Vol.9, No.2, pp.518-524, 2012.
  12. D. Chandra, "Automatic Determination of Constraint Parameter for Improving Homography Matrix Calculation in RANSAC Algorithm," Korea Information Processing Society, Vol.21, No.1, 2014.
  13. 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.