Оценка основных параметров разработанного метода распознавания изображений

Быстродействие и эффективность алгоритма распознавания «Bag of features» во многом определяется используемыми дескриптором и детектором особых точек.

Исходя из этого, предлагается рассмотреть следующие существующие методы поиска и описания особых точек.

Детектор Моравеца

Самым распространённым типом особых точек в изображениях являются углы. Для определения углов используются локальные детекторы. Детектор Моравеца является самым простым детекторов углов. На вход функции реализующей этот детектор подаётся чёрно-белое изображение. На выходе функции формируются матрицы со значениями элементов, на основе которых определяется правдоподобность нахождения углов в каждом фрагменте изображения. Фрагменты выбираются путём смещения анализируемой области на один пиксель в каждом направлении. После нахождения всех углов, повторяющиеся углы удаляются с помощью процедуры NMS (Non-Maximal Suppression).

Недостатками этого детектора являются отсутствие инвариантности к повороту, а также большое число ложных срабатываний на рёбрах вследствие шума.

Эффективность применения данного детектора в используемом алгоритме распознавания сомнительна, в связи с маленьким количеством углов на фотографиях знаков безопасности.

Детектор MSER (Maximally Stable Extremal Regions)

При использовании этого детектора решается проблема инвариантности особых точек при маштабировании изображения. Можно выделить следующие основные шаги алгоритма детектора MSER.

- Сортировка множества всех пикселей изображения в порядке возрастания, либо убывания интенсивности.

- Построение пирамиды связных компонент. На этом шаге для каждого пикселя отсортированного множества выполняется обновление списка точек, входящих в состав компоненты и обновление областей следующих компонент. В результате чего пиксели предыдущего уровня будут подмножеством пикселей следующего уровня.

- Поиск локальных минимумов для всех компонент. На этом шаге определяются пиксели, которые присутствуют в данной компоненте, но не входят в состав предыдущих. Набор локальных минимумов уровня соответствует экстремальному региону на изображении.

Важно отметить, что сортировка, производящаяся первом на шаге возможна за время, пропорциональное количеству пикселей. В связи с этим, определение особых точек при использовании этого детектора, приведёт к слишком долгому обучению и распознаванию.

Дескрипторы особых точек

- Дескриптор SIFT (Scale Invariant Feature Transform)

В функционал дескриптора SIFT (Scale Invariant Feature Transform) входит поиск и фильтрация особых точек с последующим их описанием. Исходя из алгоритма этого дескриптора, точка считается ключевой, если она является экстремумом разности гауссианов в выбранной области. Этот дескриптор вычисляет значения магнитуды и ориентации градиента в каждом пикселе, принадлежащем окрестностям особой точки. Строится карта градиентов вдоль вертикального и горизонтального направлений. Фильтрация ключевых точек включает в себя уточнение координат точки с субпиксельной точностью, удаление точек с малым контрастом и удаление точек на границе объектов.

Таким образом, SIFT-дескриптор является инвариантным относительно поворота изображения и масштаба, устойчивым к шуму и изменениям освещения. Но для более быстрого определения и описания особых точек предлагается использовать дескриптор SURF, схожий по эффективности, но работающих в разы быстрее.

- Дескриптор SURF (Speeded up Robust Features)

Точки, описанные данным дескриптором, инвариантны к изменению масштаба и вращения.

Определение особых точек выполняется с использованием матрицы Гессе, что обеспечивает инвариантность относительно поворота, но не обеспечивает инвариантность относительно изменения масштаба. Поэтому SURF использует фильтры разного масштаба для вычисления Гессиана. Детерминант матрицы Гессе достигает экстремума в точках максимального изменения градиента яркости, в результате чего выделяются как белые пятна на тёмном фоне, так и тёмные пятна на светлом фоне.

Далее для каждой найденной особой точки вычисляется преобладающее направление перепада яркости. Понятие ориентации близко к понятию направления градиента, но для определения ориентации особой точки применяется фильтр Хаара.

За счёт того, что этот дескриптор одновременно выполняет поиск особых точек и строит их описание, обеспечивается очень высокая скорость работы этого метода.

Выводы

Разработана модель интерактивного описания знаков безопасности. Предложено использовать клиент серверную архитектуру. Описаны основные шаги, необходимые для получения информации о знаках безопасности.

Выполнена разработка алгоритма распознавания изображений знаков безопасности на базе алгоритма «Bag of features», описаны основные его шаги.

 Отмечены основные особенности работы алгоритма. Показано, что качество работы алгоритма во многом определяется дескрипторами. В качестве дескриптора предлагается использовать поверхностный SURF.

 

 

Технологический раздел