@article { author = {Ramezani, Mohammad and Ebrahimnezhad, Hossein}, title = {Pose Estimation and 3D Model Alignment using Error Function Minimization in Silhouette Images}, journal = {Journal of Machine Vision and Image Processing}, volume = {1}, number = {1}, pages = {28-43}, year = {2013}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {Since, most of the descriptors of 3D models are not invariant to various transformations and differentiations, the alignment of 3D models is one of the most important steps to achieve high precision 3D model retrieval system. In this paper, a method is presented to estimate the different pose of triangular mesh model in 3D space using Nelder-Mead optimization algorithm with non-overlapping pixels of each pair of 2D silhouettes for many viewing angles as cost function. So, after applying the translation and scale standardization for 3D models, in each class of considered database, a favorite model is selected as the example and the other models are rotated in such a way to reach the most similar 3D pose of example model. The overall performance of the suggested framework is evaluated using McGill 3D models Database. The numerical results obtained from different experiments prove the ability of proposed algorithm in 3D model alignment. For example, in airplane 3D model with  silhouettes size, the error of alignment is 36437 pixels. This error equals to 6.8% of total area of whole 2D silhouette views of fixed moving 3D models.}, keywords = {3D model,state estimation,rotational alignment,Nelder-Mead algorithm,optimization}, title_fa = {تخمین حالت و همتراز سازی مدل های سه بعدی با کمینه سازی تابع خطا در تصاویر سایه نما}, abstract_fa = {امروزه با توجه به رشد روز افزون مدل‌های سه بعدی در رسانه های دیجیتال و به خصوص اینترنت، نیاز به یک سیستم یک پارچه جستجوی مدل های سه بعدی به شدت احساس می شود.  از آنجائیکه بسیاری از توصیف گرهای مورد استفاده در این زمینه نسبت به تغییرات و تبدیلات تشابه، بدون تغییر نیستند، هم تراز کردن مدل های سه بعدی یکی از مهمترین گام های رسیدن به یک سیستم بازیابی و یا تشخیص مدل های سه بعدی با دقت بالا می باشد. بنابراین، در این مقاله، روشی برای تخمین حالت های مختلف یک مدل سه بعدی مثلثی در فضای سه بعدی با استفاده از الگوریتم بهینه سازی Nelder-Mead، ارائه می شود. روش ارائه شده در این مقاله به این صورت می باشد که پس از انجام استانداردسازی  مدل های مورد بررسی به لحاظ موقعیت و تغییرات مقیاس، به منظور هم ترازسازی  مدل های سه بعدی از نقطه نظر چرخش، در هر کلاس از مدل های موجود در پایگاه داده مورد بررسی، یکی از مدل های سه بعدی به عنوان الگو در نظر گرفته شده و بقیه مدل ها طوری در فضای سه بعدی دوران داده می شوند که به بهترین حالت ممکن برای انطباق با مدل الگو دست یابند. تابع هزینه ای که در الگوریتم مذکور بهینه می شود برابر میزان اختلاف مساحت سایه نماهای حاصله از مدل سه بعدی مورد نظر در زاویه های دید متناظر است. جهت بررسی صحت روش ارائه شده، از مدل های سه بعدی موجود در پایگاه داده McGill، استفاده شده است. نتایج کمی به دست آمده از آزمایشهای مختلف، بیانگر موفقیت الگوریتم پیشنهادی در هم تراز سازی مدل های مورد بررسی می باشد. بطور مثال، برای مدل سه بعدی هواپیما با بکارگیری تصاویر سایه نما با ابعاد 256*256پیکسل، خطای کمینه (مجموع مساحت ناحیه غیر همپوشان سایه نماهای متناظر) در بهترین حالت به مقدار 36437 پیکسل می رسد که این خطا معادل 8/6%  مجموع مساحت سایه نماهای دو مدل سه بعدی مورد بررسی (ثابت و متحرک) می باشد. }, keywords_fa = {مدل سه بعدی,تخمین حالت,هم ترازی چرخشی,الگوریتم Nelder-Mead,بهینه سازی}, url = {https://jmvip.sinaweb.net/article_3779.html}, eprint = {https://jmvip.sinaweb.net/article_3779_b7718384d10c7aef6e5ef8d47067c9b1.pdf} }