We refine the 2D transformation est

We refine the 2D transformation estimate using RANSAC. RANSAC has the advantage that it is largely insensitive to outliers, but it will fail if the fraction of outliers is too great. This is why we use Hough transform clustering as a first step. See figure 4.
If the scene is 3-dimensional, we first select inliers which are loosely consistent with a 2D transformation using the above methods, using a large error tolerance. This will hopefully find a dominant plane in the image, with the error tolerance allowing for parallax due to displacement from the plane. Then, given a set of points with relatively few outliers, we compute the fundamental matrix. This is used to find a final set of feature matches which is consistent with the epipolar geometry (figure 5).

Results (Thai) 1:

เราคัดสรรประเมินแปลง 2D โดยใช้ RANSAC RANSAC มีข้อดีที่เป็นส่วนใหญ่ซ้อนกับ outliers แต่มันจะล้มเหลวถ้าเศษของ outliers เป็นมากเกินไป นี่คือเหตุผลที่เราใช้แปลง Hough คลัสเตอร์เป็นขั้นตอนแรก ดูรูป 4.
ถ้าฉากเป็น 3 มิติ เราเลือก inliers ที่ซึ่งสอดคล้องกับการแปลง 2D โดยใช้วิธีการข้างต้น ใช้การยอมรับข้อผิดพลาดขนาดใหญ่ หวังว่านี้จะพบเครื่องบินหลักในภาพ มีการยอมรับข้อผิดพลาดที่สามารถพารัลแลกซ์เนื่องจากปริมาณกระบอกสูบจากเครื่องบิน แล้ว ให้ชุดของจุด มีค่อนข้างน้อย outliers คำนวณเมตริกซ์พื้นฐาน ใช้ในการค้นหาชุดสุดท้ายของตรงกับคุณลักษณะที่สอดคล้องกับเรขาคณิต epipolar (5 รูป)

Results (Thai) 2:

เราปรับประมาณการการเปลี่ยนแปลง 2D ใช้ RANSAC RANSAC มีประโยชน์ที่มันเป็นส่วนใหญ่ความรู้สึกที่ผิดปกติ แต่มันจะล้มเหลวถ้าส่วนของค่าผิดปกติมากเกินไป นี่คือเหตุผลที่เราใช้ในการจัดกลุ่ม Hough เปลี่ยนเป็นขั้นตอนแรก ดูรูปที่ 4
หากเกิดเหตุเป็น 3 มิติครั้งแรกที่เราเลือก inliers ซึ่งเป็นอิสระสอดคล้องกับการเปลี่ยนแปลง 2D โดยใช้วิธีการดังกล่าวข้างต้นโดยใช้ความอดทนข้อผิดพลาดขนาดใหญ่ นี้หวังว่าจะได้พบกับเครื่องบินที่โดดเด่นในภาพที่มีความทนทานต่อความผิดพลาดเพื่อให้สามารถ parallax เนื่องจากการเคลื่อนที่จากเครื่องบิน จากนั้นได้รับชุดของจุดที่มีค่อนข้างน้อยผิดปกติเราคำนวณเมทริกซ์พื้นฐาน นี้จะใช้เพื่อหาชุดสุดท้ายของการแข่งขันคุณสมบัติที่สอดคล้องกับรูปทรงเรขาคณิต epipolar (รูปที่ 5)

Results (Thai) 3:

เราปรับประมาณการโดยใช้การแปลง 2D ransac . ransac มีข้อดีที่สำคัญกระแสผิดปกติได้ แต่มันก็ล้มเหลว ถ้าสัดส่วนของค่าผิดปกติมาก นี่คือเหตุผลที่เราใช้ Hough แปลงข้อมูลเป็นขั้นตอนแรก เห็นรูปที่ 4 .
ถ้าฉากเป็น 3 มิติแรกที่เราเลือก inliers ซึ่งสอดคล้องกับการเปลี่ยนแปลงหลวม 2D ใช้วิธีการข้างต้นใช้ความอดทนความผิดพลาดใหญ่ นี้หวังว่าจะหาเครื่องบินเด่นในภาพมีข้อผิดพลาด parallax ความอดทนให้เนื่องจากการกระจัดจากเครื่องบิน แล้วได้รับชุดของจุดที่มีค่อนข้างน้อยผิดปกติ เราหาเมตริกซ์เบื้องต้น นี้จะใช้ในการค้นหาชุดสุดท้ายที่ตรงกับคุณสมบัติที่สอดคล้องกับ epipolar เรขาคณิต ( รูปที่ 5 )