Главная кривизна на основе детектор области , которая также называется PCBR [1] является детектор функции используется в области компьютерного зрения и анализ изображений . В частности, детектор PCBR разработан для приложений распознавания объектов.
Местные детекторы области обычно можно разделить на две категории: интенсивность на основе детекторы и детекторы на основе структуры .
- Детекторы, основанные на интенсивности, зависят от анализа локальной дифференциальной геометрии или паттернов интенсивности, чтобы найти точки или области, которые удовлетворяют некоторым критериям уникальности и стабильности. Эти детекторы включают просеять , Гесс-аффинный , Harris-аффинный и MSER т.д.
- Детекторы на основе структуры зависят от функций структурного изображения, таких как линии, края, кривые и т. Д., Для определения точек интереса или областей. Эти детекторы включают краевые области (EBR) и масштабно-инвариантные формы (SISF).
С точки зрения инвариантности обнаружения, детекторы признаков можно разделить на детекторы фиксированного масштаба, такие как нормальный угловой детектор Харриса, детекторы с инвариантным масштабом, такие как SIFT, и аффинно-инвариантные детекторы, такие как гессиан-аффинные .
PCBR детектор представляет собой структуру на основе аффинно-инвариантным детектора.
Зачем нужен новый детектор?
Во многих задачах распознавания объектов внутриклассовые изменения позы, освещения, цвета и текстуры могут вызывать значительные различия в локальной интенсивности. Следовательно, локальная интенсивность больше не дает стабильного сигнала обнаружения. Таким образом, операторы интереса, основанные на интенсивности (например, SIFT , Harris-Affine ) - и основанные на них системы распознавания объектов - часто не могут идентифицировать отличительные признаки. Альтернативой локальным меткам интенсивности является захват полулокальных структурных меток, таких как края и криволинейные формы. Эти структурные сигналы, как правило, более устойчивы к вариациям интенсивности, цвета и позы. Таким образом, они обеспечивают основу для более стабильного оператора интереса, что, в свою очередь, повышает точность распознавания объектов. Детектор PCBR был разработан, чтобы использовать эти более надежные структурные признаки изображения.
Описание алгоритма
Шаг 1: Обнаружение криволинейной структуры
В качестве детектора на основе структуры PCBR не использует ребра, вместо этого он использует криволинейные структуры, также называемые гребнями . Обнаружение криволинейных структур генерирует единый отклик как для линий, так и для краев, создавая более четкий структурный эскиз изображения, чем обычно обеспечивается изображением градиента амплитуды. Алгоритм Стегера [2] модифицирован для получения криволинейных изображений. Поскольку используется только первый шаг этого алгоритма, который заключается в вычислении изображений основной кривизны, основная кривизна принимается в качестве имени этого детектора. Чтобы получить главную кривизну, вычисляется матрица Гессе:
где - вторая частная производная изображения, вычисленная в точке x в направление и - смешанная частная вторая производная изображения, вычисленная в точке x в а также направления. Максимальное и минимальное собственные значения этой матрицы образуют два изображения, которые соответствуют белым линиям на черном фоне и черным линиям на белом фоне.
Шаг 2: поиск характеристик и устойчивости в масштабном пространстве
Чтобы сделать этот детектор масштабной инвариантностью и повысить надежность обнаружения, процесс детектора SIFT Дэвида Лоу [3] моделируется для обнаружения основной криволинейной структуры в масштабном пространстве. Изображения локальных максимумов основных значений кривизны используются для определения областей.
Шаг 3. Определение регионов с помощью улучшенных алгоритмов водораздела
Изображения основной кривизны очищаются морфологическим замыканием и пороговым значением гистерезиса, управляемым собственным вектором. Затем к изображениям применяется традиционный алгоритм водораздела для получения областей.
Шаг 4: выбор стабильного региона
Подобно процессу выбора стабильных регионов с помощью пороговой в MSER , [4] устойчивые области выбираются через локальные изменения масштаба. Для этого вычисляется ошибка перекрытия для каждой тройки последовательных шкал. Если ошибка перекрытия областей превышает 90%, сохраняется только одна область. Если ошибка больше 70% и меньше 90%, все регионы сохраняются. Если перекрытие меньше 70%, отбросьте эти области. Эти числа определяются анализом чувствительности дескриптора SIFT .
Чем отличается PCBR?
- Это детектор на основе структуры.
- Он предназначен для обработки отклонений внутри класса.
- Используется, когда местная интенсивность нестабильна.
- Он обнаруживает полулокальный характерный регион.
Программные пакеты
Двоичный код реализации PCBR можно загрузить с веб-страницы Тома Диттериха. [5]
Смотрите также
Рекомендации
- ^ Дэн, H .; Zhang, W .; Mortensen, E .; Dietterich, T .; Шапиро, Л. (2007). Детектор областей на основе основной кривизны для распознавания объектов (PDF) . Конференция IEEE по компьютерному зрению и распознаванию образов.
- ^ Стегер, К. (1998). «Несмещенный детектор криволинейных структур». IEEE Transactions по анализу шаблонов и машинному анализу . 20 (2): 113–125. CiteSeerX 10.1.1.42.2266 . DOI : 10.1109 / 34.659930 .
- ^ Лоу, Д.Г. (2004). «Отличительные особенности изображения от масштабно-инвариантных ключевых точек» (PDF) . Международный журнал компьютерного зрения . 60 (2): 91–110. DOI : 10,1023 / Б: VISI.0000029664.99615.94 . S2CID 221242327 .
- ^ Matas, J .; Chum, O .; Городской, М .; Пайдла, Т. (2002). «Надежное стерео с широкой базой из максимально устойчивых экстремальных областей» (PDF) . Procedings британского машинного зрения Конференции 2002 года . С. 384–393. DOI : 10.5244 / C.16.36 . ISBN 1-901725-19-7.
- ^ Диттерих, Том. "PCBR" (файл ZIP) .