Tesi Robotica Algoritmi ed architetture per la risoluzione di... | Page 52

2.3. AGAST: ADAPTIVE AND GENERIC ACCELERATED SEGMENT TEST

2.3.2

52

Costruzione albero di decisione ottimale

Allo scopo di trovare un albero di decisione ottimale, abbiamo implementato
un algoritmo che è simile ad un metodo induttivo. Noi esploriamo lo spazio
delle regole di configurazione partendo dalla radice dell’albero di decisione, dove
nessun pixel è conosciuto. Esploriamo lo spazio di configurazione prima che la
foglia è trovata, dove una foglia è definita come il primo nodo del percorso che
adempie o non può adempiere alle regole di rilevamento del corner di interesse.
Il costo dato dalla foglia è zero, mentre il costo dato da ogni nodo interno, Cp ,
è determinato prendendo il costo minimo di computazione per ogni figlio C+ e
C≠ , che rappresentano il risultato positivo e negativo del test attraverso
Cp =

min cc+ + pc+ cT + cc≠ + pc≠ ct = cc+ + cc≠ + pp ct

(C+ ,C≠ )

Utilizzando questa tecnica di programmazione dinamica riusciamo a trovare
l’albero decisionale per una AST ottimale (OAST) in modo e ciente. L’albero
di decisione risultante può quindi essere ottimizzato per diversi valori, ma anche
per le probabilità arbitrari per ogni configurazione pixels che è necessario per il
nostro approccio descritto nella sezione seguente.
Lo spazio di configurazione binario consente di ottenere alberi di decisione che
riducono l’entropia più rapidamente di un albero ternario. Si noti che il costo
aggiuntivo ,rivalutando stesso pixel in un punto successivo nel tempo, viene
preso in considerazione quando si calcola l’albero ottimale.

2.3.3

Albero adattivo di switching

Ogni immagine ha , aree di ingombro indipendenti della scena , omogenei e (non
) che rappresentano superfici uniformi o regioni strutturati con texture. Quindi
, invece di imparare la distribuzione delle configurazioni dei pixel da immagini
di addestramento , come FAST, una prima generalizzazione sarebbe imparare la
probabilità di regioni strutturate ed omogenee e ottimizzare l’albero decisionale
secondo questa distribuzione . L’albero risultante è completo e ottimizzato per la
scena di addestramento , pur essendo invariante alle rotazioni della telecamera .
La probabilità di un’immagine omogenea può essere modellato per la probabilità
di uno stato pixel essere simile al nucleo (ps ) . I " brillanti " e stati " scuri "
sono stati a specchio , il che significa che , ad esempio , un pixel luminoso sul