Детектор областей на основе основной кривизны

Детектор областей на основе основной кривизны , также называемый PCBR. ^[1] — это детектор признаков, используемый в области компьютерного зрения и анализа изображений . В частности, детектор PCBR предназначен для приложений распознавания объектов.

Детекторы локальных областей обычно можно разделить на две категории: детекторы на основе интенсивности и детекторы на основе структуры .

Детекторы на основе интенсивности зависят от анализа локальной дифференциальной геометрии или диаграмм интенсивности для поиска точек или областей, которые удовлетворяют некоторым критериям уникальности и стабильности. Эти детекторы включают SIFT , гессиан-аффин , Харрис-аффин , MSER и т. д.
Детекторы на основе структуры зависят от структурных особенностей изображения, таких как линии, края, кривые и т. д., для определения точек интереса или областей. Эти детекторы включают в себя области на основе краев (EBR) и масштабно-инвариантные функции формы (SISF).

С точки зрения инвариантности обнаружения детекторы признаков можно разделить на детекторы с фиксированным масштабом, такие как обычный угловой детектор Харриса , масштабно-инвариантные детекторы, такие как SIFT , и аффинно-инвариантные детекторы, такие как гессиан-аффинный .

Детектор PCBR представляет собой детектор на основе структуры аффинно-инвариантный .

Зачем новый детектор?

Во многих задачах распознавания объектов внутриклассовые изменения позы, освещения, цвета и текстуры могут вызвать значительные различия в локальной интенсивности. Следовательно, локальная интенсивность больше не обеспечивает стабильного сигнала обнаружения. Таким образом, операторы интересов на основе интенсивности (например, SIFT , Harris-Affine ) – и основанные на них системы распознавания объектов – часто не могут идентифицировать отличительные признаки. Альтернативой локальным признакам интенсивности является улавливание полулокальных структурных сигналов, таких как края и криволинейные формы. Эти структурные сигналы, как правило, более устойчивы к интенсивности, цвету и вариациям позы. Таким образом, они обеспечивают основу для более стабильного процентного оператора, что, в свою очередь, повышает точность распознавания объектов. Детектор PCBR был разработан для использования этих более надежных структурных признаков изображения.

Описание алгоритма

Шаг 1: Обнаружение криволинейных структур

В качестве детектора на основе структуры PCBR не использует края, 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 величины градиента. Алгоритм Стегера ^[2] модифицируется для получения криволинейных изображений. Поскольку используется только первый шаг этого алгоритма, который заключается в вычислении изображений главной кривизны, главная кривизна принята в качестве названия этого детектора. Чтобы получить главную кривизну, матрица Гессе вычисляется :

$H(\mathbf {x} )={\begin{bmatrix}L_{xx}(\mathbf {x} )&L_{xy}(\mathbf {x} )\\L_{xy}(\mathbf {x} )&L_{yy}(\mathbf {x} )\\\end{bmatrix}}$

где $L_{aa}(\mathbf {x} )$ — вторая частная производная изображения, оцененного в точке x в $a$ направление и $L_{ab}(\mathbf {x} )$ — это смешанная частная вторая производная изображения, оцененного в точке x в $a$ и $b$ 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 надежности в масштабируемом пространстве

Чтобы сделать этот детектор масштабно-инвариантным и повысить надежность обнаружения, был использован процесс Дэвида Лоу. ^[3] Детектор SIFT моделируется для обнаружения основной криволинейной структуры в масштабном пространстве. Локальные максимальные изображения главных значений кривизны используются для определения областей.

Шаг 3. Определение регионов с помощью усовершенствованных алгоритмов водораздела

Изображения главной кривизны очищаются с помощью морфологического замыкания и управляемого собственным вектором определения порога гистерезиса , потока . традиционный алгоритм водораздела Затем к изображениям применяется для получения регионов.

Шаг 4. Выбор стабильной области

Подобно процессу выбора стабильных регионов с помощью порогового значения в MSER , ^[4] стабильные регионы выбираются с учетом изменений локального масштаба. Для этого ошибка перекрытия вычисляется для каждой тройки последовательных шкал. Если ошибка перекрытия регионов превышает 90 %, сохраняется только один регион. Если ошибка больше 70% и меньше 90%, сохраняются все регионы. Если перекрытие составляет менее 70%, отбросьте эти регионы. Эти цифры определяются путем анализа чувствительности дескриптора SIFT .

Чем отличается PCBR?

Это детектор на основе структуры.
Он предназначен для обработки внутриклассовой дисперсии.
Он используется, когда местная интенсивность нестабильна.
Он обнаруживает полулокальную характеристическую область.

Пакеты программного обеспечения

Двоичный код реализации PCBR можно скачать с веб-страницы Тома Диттериха. ^[5]

См. также

Ссылки

^ Дэн, Х.; Чжан, В.; Мортенсен, Э.; Дитерих, Т.; Шапиро, Л. (2007). Детектор областей на основе основной кривизны для распознавания объектов (PDF) . Конференция IEEE по компьютерному зрению и распознаванию образов.
^ Стегер, К. (1998). «Непредвзятый детектор криволинейных структур». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 20 (2): 113–125. CiteSeerX 10.1.1.42.2266 . дои : 10.1109/34.659930 .
^ Лоу, генеральный директор (2004). «Отличительные особенности изображения по масштабно-инвариантным ключевым точкам» (PDF) . Международный журнал компьютерного зрения . 60 (2): 91–110. дои : 10.1023/B:VISI.0000029664.99615.94 . S2CID 221242327 .
^ Мэйтас, Дж.; Чам, О.; Урбан, М.; Пайдла, Т. (2002). «Надежное стерео с широкой базовой линией из максимально стабильных экстремальных регионов» (PDF) . Материалы Британской конференции по машинному зрению, 2002 г. стр. 384–393. дои : 10.5244/C.16.36 . ISBN 1-901725-19-7 .
^ Диттерих, Том. «PCBR» (ZIP-файл) .

[Hongli01-1] Дэн, Х.; Чжан, В.; Мортенсен, Э.; Дитерих, Т.; Шапиро, Л. (2007). Детектор областей на основе основной кривизны для распознавания объектов (PDF) . Конференция IEEE по компьютерному зрению и распознаванию образов.

[Steger01-2] Стегер, К. (1998). «Непредвзятый детектор криволинейных структур». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 20 (2): 113–125. CiteSeerX 10.1.1.42.2266 . дои : 10.1109/34.659930 .

[DavidLowe01-3] Лоу, генеральный директор (2004). «Отличительные особенности изображения по масштабно-инвариантным ключевым точкам» (PDF) . Международный журнал компьютерного зрения . 60 (2): 91–110. дои : 10.1023/B:VISI.0000029664.99615.94 . S2CID 221242327 .

[4] Мэйтас, Дж.; Чам, О.; Урбан, М.; Пайдла, Т. (2002). «Надежное стерео с широкой базовой линией из максимально стабильных экстремальных регионов» (PDF) . Материалы Британской конференции по машинному зрению, 2002 г. стр. 384–393. дои : 10.5244/C.16.36 . ISBN 1-901725-19-7 .

[5] Диттерих, Том. «PCBR» (ZIP-файл) .

[1]

[2]

[3]

[4]

[5]