Analisi comparata di algoritmi per l'individuazione di keypoints in immagini: Good Features to Track, SURF

La tesi in questione è volta allo studio di algoritmi per il rilevamento dei punti d'interesse anche più comunemente chiamanti "keypoints".

I punti di interesse sono aspetti molto importanti per quello che riguarda il campo della computer vision, cioè quando debbono elaborare immagini e video. Quando si è davanti alla scelta dell’algoritmo da usare per creare un’applicazione di questo tipo si deve tener conto di due parametri importanti che sono: il numero di punti di interesse che l’algoritmo è in grado di estrapolare in un’immagine e il tempo d’elaborazione per riuscire ad ottenere queste informazioni. Naturalmente è bene tener presente anche altre variabili quali la piattaforma di utilizzo e gli scopi per cui l’applicazione sarà sviluppata.

Esistono vari tipi di algoritmi atti a ricercare i punti d’interesse che mostrano vari livelli di difficoltà e specificità. Di questi ne abbiamo selezionati quattro, considerati i migliori dalla letteratura scientifica: Good Features To Track (GFTT), Oriented fast and Rotated Brief (ORB), Scale-Invariant Feature Transform (SIFT), Speeded Up Robust Feature (SURF). Di questi selezionati, ne analizzerò in questo contesto solo due: il Good Feature To Track e il Speeded Up Robust Feature.

Dopo un’analisi teorica dei due algoritmi e dei loro vantaggi e svantaggi, andrò a testare la veridicità delle informazioni teoriche su un programma da noi sviluppato per poi proseguire nell’elaborazione dei dati ottenuti ed arrivare alla conclusione a cui volge il nostro lavoro.

Corso di Laurea: 
Laurea Triennale in Ingegneria Informatica e dell'Automazione
Anno Accademico: 
2012
Tesista
Tesista: 
Davide Balducci
Email: 
Relatore
Relatore: 
Prof. Aldo Franco Dragoni
Email: 
Correlatore
Correlatore: 
Gianluca Dolcini
Email: