ПОРІВНЯЛЬНИЙ АНАЛІЗ МЕТОДІВ ВИЯВЛЕННЯ КЛЮЧОВИХ ТОЧОК НА ЗОБРАЖЕННЯХ

##plugins.themes.bootstrap3.article.sidebar##

пдф
Опубліковано: груд. 26, 2025
DOI: https://doi.org/10.31651/2076-5886-2024-1-21-33
Ключові слова:
ключові точки, дескриптор зображення, SIFT, SURF, BRISK, ORB, KAZE, AKAZE, комп’ютерний зір, масштабно-інваріантне перетворення.

##plugins.themes.bootstrap3.article.main##

Анна ГАВРЮШЕНКО
Черкаська загальноосвітня школа І-ІІІ ступенів № 32 Черкаської міської ради
https://orcid.org/0009-0000-0188-8505
Катерина БОРОЗДИХ
Черкаська загальноосвітня школи І-ІІІ ступенів № 32 Черкаської міської ради

Анотація

У статті розглянуто математичне підґрунтя методу SIFT як одного з перших та
найбільш теоретично обґрунтованих підходів до розв’язання зазначеної задачі, а також
проведено порівняльний аналіз шести сучасних методів: SIFT, SURF, BRISK, ORB, KAZE та
AKAZE. Дослідження виконане на чотирьох синтетичних зображеннях із різними
геометричними властивостями та на двох реальних зображеннях. За результатами
обчислювальних експериментів здійснено порівняння методів за кількістю виявлених ключових
точок, якістю їх конфігурації та часом пошуку однієї ключової точки. Встановлено, що жоден
із розглянутих методів не є абсолютним переможцем за сукупністю показників, а вибір
оптимального методу суттєво залежить від характеристик зображення та вимог
конкретної задачі.

##plugins.themes.bootstrap3.article.details##

Як цитувати
ГАВРЮШЕНКО, А., & БОРОЗДИХ, К. (2025). ПОРІВНЯЛЬНИЙ АНАЛІЗ МЕТОДІВ ВИЯВЛЕННЯ КЛЮЧОВИХ ТОЧОК НА ЗОБРАЖЕННЯХ. Вісник Черкаського університету: Прикладна математика. Інформатика, (1). https://doi.org/10.31651/2076-5886-2024-1-21-33
Номер
№ 1 (2024): ВІСНИК ЧЕРКАСЬКОГО УНІВЕРСИТЕТУ: ПРИКЛАДНА МАТЕМАТИКА. ІНФОРМАТИКА
Розділ
Прикладна математика
Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Біографії авторів

Анна ГАВРЮШЕНКО, Черкаська загальноосвітня школа І-ІІІ ступенів № 32 Черкаської міської ради

учитель математики та інформатики
Черкаської загальноосвітньої школи І-ІІІ
ступенів № 32 Черкаської міської ради
e-mail: 91gavryushrenko@gmail.com
ORCID 0009-0000-0188-8505

Катерина БОРОЗДИХ, Черкаська загальноосвітня школи І-ІІІ ступенів № 32 Черкаської міської ради

учениця Черкаської загальноосвітньої
школи І-ІІІ ступенів № 32 Черкаської
міської ради

Посилання

Bay H., Ess A., Tuytelaars T., Van Gool L. (2008) Speeded-Up Robust Features (SURF).

Computer Vision and Image Understanding, 110(3), 346–359.

Brown M., Lowe D.G. (2002) Invariant features from interest point groups. Proceedings of the

British Machine Vision Conference, Cardiff, Wales, 656–665.

Crowley J.L., Parker A.C. (1984) A representation for shape based on peaks and ridges in the

difference of low-pass transform. IEEE Transactions on Pattern Analysis and Machine

Intelligence, 6(2), 156–170.

Harris C., Stephens M. (1988) A combined corner and edge detector. Proceedings of the Fourth

Alvey Vision Conference, Manchester, UK, 147–151.

Leutenegger S., Chli M., Siegwart R.Y. (2011) BRISK: Binary Robust Invariant Scalable

Keypoints. Proceedings of the IEEE International Conference on Computer Vision, 2548–2555.

Lindeberg T. (1993) Detecting salient blob-like image structures and their scales with a scalespace primal sketch. International Journal of Computer Vision, 11(3), 283–318.

Lowe D.G. (1999) Object recognition from local scale-invariant features. Proceedings of the

International Conference on Computer Vision, 1150–1157.

Lowe D.G. (2004) Distinctive image features from scale-invariant keypoints. International Journal

of Computer Vision, 60(2), 91–110.

Matas J., Chum O., Urban M., Pajdla T. (2002) Robust wide baseline stereo from maximally

stable extremal regions. Proceedings of the British Machine Vision Conference, Cardiff, Wales,

–393.

Mikolajczyk K., Schmid C. (2002) An affine invariant interest point detector. Proceedings of the

European Conference on Computer Vision, Copenhagen, Denmark, 128–142.

Mikolajczyk K., Zisserman A., Schmid C. (2003) Shape recognition with edge-based features.

Proceedings of the British Machine Vision Conference, Norwich, UK.

Moravec H. (1981) Rover visual obstacle avoidance. Proceedings of the International Joint

Conference on Artificial Intelligence, Vancouver, Canada, 785–790.

Nelson R.C., Selinger A. (1998) Large-scale tests of a keyed, appearance-based 3-D object

recognition system. Vision Research, 38(15), 2469–2488.

Pope A.R., Lowe D.G. (2000) Probabilistic models of appearance for 3-D object recognition.

International Journal of Computer Vision, 40(2), 149–167.

Rublee E., Rabaud V., Konolige K., Bradski G. (2011) ORB: an efficient alternative to SIFT or

SURF. Proceedings of the IEEE International Conference on Computer Vision, 2564–2571.

Schmid C., Mohr R. (1997) Local grayvalue invariants for image retrieval. IEEE Transactions on

Pattern Analysis and Machine Intelligence, 19(5), 530–534.

Shokoufandeh A., Marsic I., Dickinson S.J. (1999) View-based object recognition using saliency

maps. Image and Vision Computing, 17, 445–460.

Torr P. (1995) Motion Segmentation and Outlier Detection. Ph.D. Thesis, University of Oxford,

UK.

Zhang Z., Deriche R., Faugeras O., Luong Q.T. (1995) A robust technique for matching two

uncalibrated images through the recovery of the unknown epipolar geometry. Artificial

Intelligence, 78, 87–119.

OpenCV: Open Source Computer Vision Library. Available at: https://opencv.org/