Pregled metoda za automatsku detekciju i prepoznavanje ... - FESB

More documents

Recommendations

Info

se povezuju sa promjenama intenziteta, boje i teksture, iako se ne moraju nužno nalaziti na mjestima na slici na kojima je došlo do tih promjena [44]. Primjeri lokalnih značajki dobivenih detekcijom kutova prikazani su na slici 3.6, a ilustracija važnosti lokalnih značajki u ljudskom vidu na slici 3.7. Slika 3.6: Primjeri lokalnih značajki dobivenih detekcijom kutova na slici. Adaptirano iz [44] Slika 3.7: Ilustracija važnosti lokalnih značajki u ljudskom vidu. Ljudi teže prepoznaju objekte kojima nedostaju kutovi (treći stupac na slici), nego objekte kojima nedostaju ravne linije (drugi stupac na slici). Adaptirano iz [44] Razlozi zbog kojih se lokalne značajke koriste u obradi i analizi digitalne slike su mnogobrojni, a u nastavku teksta su nabrojani neki od njih [44]: 16
• lokalne značajke mogu imati odre ¯denu semantičku interpretaciju u ograničenom kontekstu neke aplikacije (npr. na slikama snimljenima iz zraka detektirani rubovi često predstavljaju ceste); • lokalnim značajkama se najčešće nastoje detektirati stabilne točke (engl. anchor points) koje su dobro lokalizirane (tj. čiji se položaj i eventualne promjene položaja mogu odrediti sa visokom sigurnošću) i koje se mogu individualno identificirati, što znači da ih se može koristiti za praćenje objekata na nizovima slika (u [45] se mogu saznati detaljnije informacije o odabiru i praćenju značajki na slikama) ili za kalibraciju kamere (npr. [46]); • skup lokalnih značajki detektiranih na jednoj slici može na robustan način predstavljati tu sliku, te takva prezentacija slika može eliminirati potrebu za segmentacijom slike koja obično prethodi fazi prepoznavanja objekata i scena na njoj. Iz navedenoga se može zaključiti da različite vrste lokalnih značajki neće jednako dobro funkcionirati u svim kontekstima, te da njihov izbor treba biti utemeljen na vrsti aplikacije u kojoj će se koristiti. Na primjer, ako se aplikacijom nastoji riješiti problem kalibracije kamere ili 3D rekonstrukcije nekog objekta, lokalne značajke će obično biti točke na razini piksela ili podpiksela (engl. sub-pixel), koje se obično nazivaju točke interesa (engl. interest points) [44]. S druge strane, ako je cilj aplikacije prepoznavanje ili detekcija objekata na nekoj slici, točke interesa se neće promatrati zasebno već će se promatrati i njihova okolina, tj. kontekst unutar kojega se nalaze. Tada se obično više ne govori o točkama interesa već o regijama [44] interesa. Dobre značajke trebale bi imati slijedeća svojstva [44]: • ponovljivost (engl. repeatability) – visok postotak lokalnih značajki prona ¯denih na nekoj slici trebao bi se pronaći i na slici iste scene prikazane iz različitog kuta gledišta, • posebnost ili informativnost (engl. distinctivness or informativeness) – lokalne značajke trebaju biti dovoljno posebne (tj. sadržavati dovoljno informacija) da bi ih se moglo razlikovati jednu od druge, • lokalitet (engl. locality) – značajke trebaju biti lokalne da se smanji vjerojatnost okluzija (tj. zaklanjanja) objekata, • kvantitet (engl. quantity) – dovoljan broj lokalnih značajki bi se trebao pronaći čak i za malene objekte na slici, • preciznost (engl. accuracy) – lokaciju lokalnih značajki je potrebno biti u mogućnosti precizno odrediti, • učinkovitost (engl. efficiency) – detekcija značajki na novoj slici trebala bi se moći koristiti i u vremenski kritičnim aplikacijama. Tuytelaars i Mikolajczyk su u [44] naveli da se ponovljivost može implementirati pomoću invarijantnosti (ako se očekuju veće deformacije slike) ili robusnosti (ako se očekuju relativno male deformacije slike). Pomoću invarijantnosti se, ako je to moguće, matematički modeliraju deformacije koje se očekuju na slici, te se razviju metode za detekciju značajki koje su invarijantne na te matematičke transformacije. Ako se prilikom detekcije značajki koristi svojstvo robusnosti umjesto invarijantnosti (jer potpuna invarijantnost nije uvijek moguća), najčešće 17
Page 1 and 2: SVEUČILIŠTE U SPLITU FAKULTET ELE
Page 3 and 4: Literatura 34 3
Page 5 and 6: 2 Ljudska vizualna percepcija Vizua
Page 7 and 8: dances) [16], odnosno interakcija k
Page 9 and 10: Slika 2.3: Primjer rastava oblika n
Page 11 and 12: udaljenosti od najbližeg ruba, itd
Page 13 and 14: opis teksture, već i za njezinu si
Page 15: Slika 3.5: Primjer značajki koje s
Page 19 and 20: danas naziva Plessey detektor [44],
Page 21 and 22: gdje je: kutnost (engl. cornerness)
Page 23 and 24: Laplace operator je jako osjetljiv
Page 25 and 26: Slika 3.15: Lokalne značajke detek
Page 27 and 28: Slika 3.17: Princip rada SUSAN dete
Page 29 and 30: Slika 3.19: Ilustracija važnosti g
Page 31 and 32: Slika 3.22: Primjer konstrukcije hi
Page 33 and 34: Popis oznaka i kratica 2D - 2-Dimen
Page 35 and 36: [14] Kritina L. Holden. The effecti
Page 37 and 38: [42] Theodosios Pavlidis. Algorithm
Page 39: [71] Svetlana Lazebnik, Cordelia Sc

Pregled metoda za automatsku detekciju i prepoznavanje ... - FESB

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?