İç mekan görsel eş zamanlı haritalama ve konumlandırma senaryolarında dinamik anahtar kare optimizasyonu
Dynamic keyframe optimization in indoor visual simultaneous localization and mapping scenarios
- Tez No: 935508
- Danışmanlar: DR. ÖĞR. ÜYESİ ERTUĞRUL BAYRAKTAR
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Anahtar kare seçimi, görsel eş zamanlı konumlandırma ve haritalama (vSLAM) sistemlerinde hayati bir rol oynar ve konumlandırma doğruluğu, hesaplama verimliliği ile 3B yeniden yapılandırma kalitesini önemli ölçüde etkiler. Geleneksel statik yöntemler, sabit eşiklere dayanır ve uygulanması kolay olsa da, gerçek dünya ortamlarının dinamik ve değişken yapılarına bazı senaryolarda uyum sağlamakta yetersiz kalır. Bu adaptasyon eksikliği, gereksiz anahtar karelerin hesaplama yükünü artırması veya yetersiz anahtar karelerin konumlandırma ve yeniden yapılandırma doğruluğunu düşürmesi gibi sorunlara yol açabilir. Ayrıca performans kaynaklarının mühim olduğu gerçek zamanlı uygulamalarda da bu gereksiz anahtar kare ekleme durumu büyük dezavantajlara sebebiyet verir. Bu sınırlamaları gidermek için, bu çalışma Eş Görünürlük Tabanlı Uyarlanabilir Dinamik Eşikleme(Co-Visibility-Based Adaptive Dynamic Thresholding, COVA) adı verilen, eş görünürlük oranlarına dayalı olarak anahtar kare seçimi eşiklerini dinamik olarak ayarlayan yenilikçi bir yaklaşımı tanıtmaktadır. COVA, eş görünürlük metriklerinden yararlanarak, kritik sahne detaylarını yakalarken gereksiz anahtar kareleri azaltarak anahtar kare seçimini optimize eder. Gelenekselstatik yöntemlerden veya diğer dinamik yaklaşımlardan farklı olarak, COVA, hareket, ışıklandırma ve sahne karmaşıklığındaki değişikliklere gerçek zamanlı olarak uyum sağlayarak daha sağlam bir performans sunar. TUM Mono veri seti üzerinde yapılan kapsamlı değerlendirmeler, COVA'nın etkinliğini kanıtlamaktadır. COVA, konumlandırma doğruluğunu %17-20 oranında artırırken, toplam anahtar kare sayısını %20-25 oranında azaltır ve ortalama kare hızını (FPS) %1,2-1,3 oranında yükseltir. Bu sonuçlar, COVA'nın yüksek kaliteli konumlandırma ve yeniden yapılandırmayı hesaplama verimliliğiyle dengeleme yeteneğini göstermektedir. Ayrıca, yöntem, sahne detaylarını koruyarak 3B yeniden yapılandırma kalitesini belirli ölçüde artırır ve bunu yüksek hesaplama yükü getirmeden başarır. COVA yönteminin basitliği ve verimliliği, özellikle performans ve hesaplama kaynaklarının kritik olduğu gerçek zamanlı SLAM uygulamaları için ideal bir çözüm sunmaktadır. Çevresel koşullara dinamik olarak uyum sağlayarak ve anahtar kare seçimini optimize ederek, COVA, modern SLAM sistemleri için doğruluk, verimlilik ve pratiklik arasındaki boşluğu kapatan sağlam ve ölçeklenebilir bir çözüm temsil etmektedir.
Özet (Çeviri)
Keyframe selection plays a vital role in visual simultaneous localization and mapping (vSLAM) systems, significantly influencing localization accuracy, computational efficiency, and the quality of 3D reconstruction. Traditional static methods rely on fixed thresholds and, while easy to implement, often fail to adapt to the dynamic and variable structures of real-world environments in certain scenarios. This lack of adaptability can lead to issues such as increased computational load due to unnecessary keyframes or decreased localization and reconstruction accuracy caused by insufficient keyframes. Additionally, in real- time applications where performance resources are critical, the inclusion of unnecessary keyframes poses significant disadvantages. To address these limitations, this study introduces Co-Visibility-Based Adaptive Dynamic Thresholding (COVA), an innovative approach that dynamically adjusts keyframe selection thresholds based on co-visibility ratios. COVA leverages co- visibility metrics to optimize keyframe selection, capturing critical scene details while reducing redundant keyframes. Unlike traditional static methods or other dynamic approaches, COVA adapts in real-time to changes in motion, lighting, and scene complexity, delivering more robust performance. Comprehensive evaluations conducted on the TUM Mono dataset validate the effectiveness of COVA. The method improves localization accuracy by 17-20%, reduces the total number of keyframes by 20-25%, and increases the average frame per second (FPS) by 1.2-1.3%. These results demonstrate COVA's ability to balance high-quality localization and reconstruction with computational efficiency. Furthermore, the method enhances the quality of 3D reconstruction by preserving essential scene details, achieving superior results without imposing a high computational burden. The simplicity and efficiency of the COVA method make it an ideal solution for real-time SLAM applications, where performance and computational resources are critical. By dynamically adapting to environmental conditions and optimizing keyframe selection, COVA bridges the gap between accuracy, efficiency, and practicality, representing a robust and scalable solution for modern SLAM systems.
Benzer Tezler
- Fusion of RGB and thermal image pairs for object and face liveness detection
Nesne ve yüz canlılığı tespiti için RGB ve termal görüntü çiftlerinin birleştirilmesi
MERVE ERŞAN
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Küresel Konumlandırma Sistemleri'nin olmadığı iç mekanlarda haritalama ve konum kestirimi
Mapping and position estimation in indoor environments without Global Navigation Satellite Systems
OĞULCAN ATMACA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEDAT NAZLIBİLEK
- Real time reflective surface detection for indoor slam
İç mekan slam için gerçek zamanlı yansıtıcı yüzey algılama
İBRAHİM AYDIN
Yüksek Lisans
İngilizce
2025
Mekatronik MühendisliğiYıldız Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERTUĞRUL BAYRAKTAR
- Generating a high-definition map (HD MAP) via yolo (you only look once) deep learning-based object detection model
Yolo (you only look once) derin öğrenme tabanli nesne tespit modeli ile yüksek tanimli hari̇ta (HD MAP) oluşturma
YASİN MEMİ
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Harita mashup uygulamalarıyla zamana ve mekâna bağlı görsel analitik ortamı oluşturulması: Konya Kapalı Havzası örneği
Developing a geo-temporal visual analytics environment with map mashups: A case study on Konya Closed Basin
OSMAN SAMİ KIRTILOĞLU
Doktora
Türkçe
2016
Jeodezi ve FotogrametriSelçuk ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ÖZTUĞ BİLDİRİCİ