El objetivo de este artículo es encontrar un extractor de características visuales que pueda ser utilizado en un proceso de SLAM (Simultaneous Localization and Mapping). Este extractor de características consiste en la combinación de un detector que extrae puntos significativos del entorno, y un descriptor local que caracteriza dichos puntos. Este artículo presenta la comparación de un conjunto de detectores de puntos de interés y de descriptores locales que se utilizan como marcas visuales en un proceso de SLAM. El análisis comparativo se divide en dos fases diferenciadas: detección y descripción. Se evalúa la repetibilidad de los detectores, así como la invariabilidad de los descriptores ante cambios de vista, escala e iluminación. Los experimentos se han realizado a partir de un conjunto de secuencias de imágenes tanto interiores (entorno de oficinas) como exteriores, con diversas variaciones en la imagen (iluminación y posición), representando así de una forma bastante general los entornos típicos de un robot. Se considera que los resultados de este trabajo pueden ser útiles a la hora de seleccionar una marca adecuada en SLAM visual, tanto para entornos interiores como exteriores.
El factor de impacto mide la media del número de citaciones recibidas en un año por trabajos publicados en la publicación durante los dos años anteriores.
© Clarivate Analytics, Journal Citation Reports 2025
SJR es una prestigiosa métrica basada en la idea de que todas las citaciones no son iguales. SJR usa un algoritmo similar al page rank de Google; es una medida cuantitativa y cualitativa al impacto de una publicación.
Ver másSNIP permite comparar el impacto de revistas de diferentes campos temáticos, corrigiendo las diferencias en la probabilidad de ser citado que existe entre revistas de distintas materias.
Ver más
