Yerel kontrol çekirdeğine dayalı renkli görüntü hedefi algılama yöntemi
He Kangjian, Zhou Dongming, Nie Rencan, Jin Xin, Wang Quan
(Bilgi Okulu, Yunnan Üniversitesi, Kunming, Yunnan 650504)
Görüntü işleme probleminde, bir görüntüde belirli bir hedef tespit edilirken ve konumlandırılırken, hedef tespitinin hızını ve güvenilirliğini arttırmak için, imaj lokal kontrol çekirdeğine dayalı bir hedef tespit algoritması eklenir. Hedef görüntü, referans görüntü ile aynı boyutta bir dizi alt görüntü elde etmek için referans görüntünün aynı boyutuna sahip pencereler kullanılarak çaprazlanır ve daha sonra, görüntü özelliği bilgisinin veri matrisini elde etmek için referans görüntünün ve hedef alt görüntünün yerel kontrol çekirdekleri hesaplanır. Hesaplama hızını artırmak için, veri matrisi yerel tutma projeksiyon yöntemiyle azaltılır. Daha sonra referans görüntüdeki alt blokların özellik matrisi ile hedef görüntü arasındaki benzerliği analiz etmek için benzerlik karar kriterini kullanın ve referans görüntünün en benzer matrisine karşılık gelen görüntü alanını tespit sonucudur. Deneysel sonuçlar, algoritmanın hedef konumlandırma için yüksek güvenilirlik ve doğruluğa sahip olduğunu göstermektedir.
Görüntü analizi; veri matrisi; benzerlik değerlendirmesi; hedef tespiti
TN911.73; TP181
Belge tanımlama kodu: Bir
10.16157 / j.issn.0258-7998.2016.12.023
Çince alıntı biçimi: He Kangjian, Zhou Dongming, Nie Rencan ve diğerleri.Yerel kontrol çekirdeğine dayalı renkli görüntü hedef algılama yöntemi.Elektronik Teknoloji Uygulaması, 2016, 42 (12): 89-92.
İngilizce alıntı biçimi: He Kangjian, Zhou Dongming, Nie Rencan ve diğerleri.Renkli görüntünün yerel yönlendirme çekirdeğine dayalı hedef tespit yöntemi.Elektronik Tekniğin Uygulanması, 2016, 42 (12): 89-92.
0 Önsöz
Son yıllarda bilgisayar teknolojisi hızla gelişti ve bilgisayar zekası insanların günlük yaşamlarına pek çok kolaylık getirdi. İnsanların artan talebi ile hedef tespiti ve konumlandırma yavaş yavaş insanların gerçek hayatına girmiştir.İnsan hareket tanıma ve insan-bilgisayar etkileşimi teknolojisi üzerine yapılan derinlemesine araştırmalarla, bilgisayar görme sistemleri giderek daha akıllı hale gelmiştir. Bilgisayarların özellik tespiti, hedef takibi, hedef tespiti ve konumlandırma teknolojisi için kullanılması araştırmacılar tarafından yoğun ilgi gördü ve bu teknolojiler insanların günlük yaşamlarına da uygulanmaya başlandı. Bu makale, farklı hedeflerin hızlı tespiti ve konumlandırılmasını gerçekleştirmek için görüntü yerel kontrol çekirdek algoritmasını kullanır. Şu anda, ilgili araştırmacılar, hedef tespiti ve konum için birçok yeni algoritma önermişlerdir, ancak bunların çoğu yorucu eğitim ve ön işleme gerektirmektedir. Örneğin, referans eşleştirme yöntemi, gizli Markov istatistiksel modelini hedef referans eşleşmesine sokar.Bu yöntemin sınırlandırması, gizli Markov modelinin parametrelerinin görüntü içeriğinden açıklanmaması ve belirlenememesi ve en iyisinin yalnızca bir dizi deney yoluyla seçilebilmesidir. Parametreler, bu problem Gizli Markov Modelinin görüntü tanımada daha fazla uygulanmasını sınırlar. Aynı zamanda, esas olarak görüntü piksellerine dayanan tek bir eşik bölümleme yönteminin uygulanmasına dayanan bir çoklu algılama hedefi otomatik konumlandırma ve izleme teknolojisi de vardır Bu tür konumlandırma yöntemi, külfetli ve zaman alıcıdır. Bu makale, hedefi hızlı bir şekilde kaydetmek, tespit etmek ve bulmak için görüntü yerel kontrol çekirdek algoritmasını kullanmayı önermektedir.
1 Algoritma açıklaması
Bu yazıda, görüntü piksellerinin geometrik yapı bilgilerini elde etmek, görüntünün yapısal özelliklerini çıkarmak ve hedef görüntüyü hedef referans görüntü ile aynı boyutta bir dizi alt görüntüye bölmek için yerel kontrol çekirdeği yöntemi kullanılmıştır.Referans görüntü bulunması ve yerleştirilmesi gereken görüntüdür. Hedef, nihayet hedef tespit amacına ulaşmak için görüntü özelliği bilgilerini içeren veri matrisi arasındaki benzerliği analiz edin. Algoritma akış şeması Şekil 1'deki gibi gösterilmiştir.
1.1 Yerel kontrol çekirdek işlevi LSK
Local Steering Kernel (LSK), gradyanı değerlendirerek piksel değerlerinin farkını analiz ederek görüntünün yerel veri yapısını elde etmektir.Elde edilen yapı bilgisi çekirdeğin şeklini ve boyutunu belirlemek için kullanılır ve radyal simetri fonksiyonu kullanılır. Yerel çekirdek işlevini temsil etmek için ifade, formül (1) 'deki gibidir:
Formülde n ve nT, sırasıyla referans görüntü Q ve hedef görüntü T'de LSK'yi hesaplamak için kullanılan alt blokların sayısıdır.
1.2 Ana veri özelliklerinin elde edilmesi (boyutluluk azaltma)
1.3 Matris benzerliğinin yargı tarafı
i elde edildikten sonra, referans görüntü Q ile hedef görüntü Ti arasındaki benzerlik ilişkisi analiz edilebilir. Açı 0 ° ise yönün aynı olduğu ve çizgi segmentlerinin örtüştüğü anlamına gelir; açı 90 ° ise dik açı anlamına gelir ve yön ortogonaldir; açı 180 ° ise yönün tam tersi anlamına gelir. Vektörler arasındaki farkı daha iyi yansıtmak için, iki vektörün benzerliğini ölçmek için 1- oranını kullanın, yani f (i) = / (1-), f (i) . Bu şekilde, benzerlik aralığı, vektörler arasındaki küçük farklılıkları daha iyi vurgulayan ve ikisi arasındaki benzerliği daha iyi yansıtan şekilde genişletilir.
1.4 En büyük benzer alanı koruyun
Görüntüdeki hedefi tespit etme ve konumlandırma sürecinde, genel bir eşik 0 ayarlayın, f (i) ile 0'ı karşılaştırın, eğer f (i) > 0, hedef görüntünün referans görüntüye benzer olduğu ve nihai konumlandırma ve algılama doğruluğu ve benzerliğinin 0 ayarlanarak elde edilebileceği düşünülmektedir. Bu şekilde, benzer bir bölge elde edilebilir ve daha sonra, maksimum olmayan değer bastırma gerçekleştirilir, yani, yalnızca son algılama ve konumlandırma sonucu olan maxf (i) olan nesneler korunur. maxf (i) > 0, hedef görüntüde tespit edilecek bir referans görüntü olduğunu belirtir, maxf (i) < 0, hedef görüntüde ilgilenilen nesne yok.
Tüm benzer bölgelerin alt bloklarının konumu ve en büyük benzer bölgeyi korumanın deneysel sonuçları Şekil 2'de gösterilmektedir.
2 Deneysel sonuçlar ve analiz
Algoritmanın etkinliğini doğrulamak için, bu makale deneysel veri olarak iki grafik seti seçmektedir. Bir görüntü grubu, Şekil 3'te gösterildiği gibi uydu alıcısını konumlandırmak içindir.
Deneysel sonuçlar Şekil 4'te gösterilmektedir. Şekil 4'te, farklı renkler farklı benzerlikleri temsil eder ve maviden (bölgeler 1, 3) kırmızıya (bölgeler 2, 4) benzerlikler sırayla artar Deneyde seçilen referans görüntü, hedef görüntüde en soldaki görüntüdür. Bu nedenle, konumlandırma sonucundaki en soldaki konumlandırma sonucu, referans görüntüye en yakın olan kırmızıdır. Şekil 4 (c) 'de, farklı benzer bölgelerin tespit edildiği ve farklı benzerlik bölgelerinin seçimini belirlemek için genel eşiğin ayarlanabildiği ve son olarak sonucun bulunabileceği görülebilmektedir.
Aşağıda, başka bir yüz algılama ve konum deneyleri seti vermekte ve hassasiyetin doğruluk ve hesaplama karmaşıklığı üzerindeki etkisini analiz etmektedir.Deneysel sonuçlar Şekil 5'te gösterilmektedir.
Formül (3) 'deki parametre duyarlılığı saptamanın doğruluğunu ve hesaplama hızını etkilediğinden, deneyde, = 1.0. Tablo 1 ve Şekil 5'ten görülebileceği gibi, hassasiyet a ne kadar küçükse, hesaplanan belirginlik alanı ne kadar büyükse, yani referans görüntüye benzer alt blok alanı ne kadar büyükse, algılama sonucu o kadar doğru olur, ancak büyük bir hesaplama karmaşıklığı gereklidir; Daha büyük, benzerlik alanı ne kadar küçükse, tespit süresi o kadar kısadır, ancak Şekil 5 (e) 'de gösterildiği gibi tespit hedefinin kaybolmasına neden olabilir.
3 Sonuç
Bu yazıda kullanılan hedef konum algoritması, görüntüdeki referans görüntü hedefini bulur.Algoritma aşırı ön işleme ve eğitim gerektirmez.Sadece konumlandırılacak hedefin yapı bilgi matrisini elde etmek için bir referans görüntü girmesi ve ardından yerel tutmayı kullanması gerekir. Projeksiyon (LPP), kararın temeli olarak kosinüs benzerlik yöntemini kullanarak görüntü matrisinin boyutsallığını azaltır, göze çarpan özellikleri çıkarır ve ardından hedef görüntünün benzer özelliklerini eşleştirir. Deneylere göre, bu algoritma genel bir konumlandırma algoritmasıdır ve referans görüntü ile hedef görüntüdeki konumlandırma görüntülerinin kesinlikle tutarlı olması gerekmez. Deney 1'den, hedef görüntüde, hedefin açısı, yönü, parlaklığı ve boyutunun tutarsız olduğu ve üç hedefin hala doğru bir şekilde yerleştirildiği görülebilir; Deney 2'de, karmaşık görüntü arka planında, Giriş referansı ile tespit hedefi arasında belirli bir fark vardır ve yüz bilgisi hala tespit edilebilir ve konumlandırılabilir, bu da algoritmanın etkililiğini ve çok yönlülüğünü gösterir.
Bu makaledeki algoritmanın sınırlaması, hedef görüntüdeki hedefi tespit ederken, hedef görüntüdeki hedefin boyutunun, referans görüntünün boyutuyla kabaca aynı olması gerektiğidir, böylece özellik noktaları, algılama görüntüsü referans görüntü ile aynı boyutta bir dizi alt karoya bölündüğünde benzer olabilir. Cinsel yargı. Hedef görüntüdeki hedef boyut ile referans görüntünün boyutu arasındaki tutarsızlık göz önüne alındığında, referans görüntü ölçeklendirilerek çözülebilir. Referans görüntü ve hedef görüntü deforme olduğunda, hedefin yerel geometrik şekil özellikleri açıksa ve özellikler çıkarılabiliyorsa, benzerlik eşiği 0 ayarlanarak hedef tespit edilebilir ve konumlandırılabilir, ancak konumlandırma doğruluğu azalacaktır. Algoritmanın parametre ayarı ile ilgili olarak, şu anda uyarlanabilir bir parametre optimizasyonu yöntemi yoktur ve yalnızca optimum parametreleri seçmek için çok sayıda deney yapılabilir.Bu problem çözüldükçe, bu algoritma daha yaygın olarak kullanılacaktır.
Referanslar
Yu Xin, Ming Delie, Tian Jinwen.Önden aşağıya bakan kızılötesi görüntülerde karmaşık zemin arka planında hedef konumlandırma Kızılötesi ve Lazer Mühendisliği, 2007, 6 (6): 988-991.
Yang Wei, Fu Yaowen, Pan Xiaogang ve diğerleri.Zayıf hedef tespitinden önce izleme teknolojisinin araştırma incelemesi.Açta Electronica Sinica, 2014, 42 (9): 1786-1793.
SEO H J, MILANFAR P. Yerel olarak uyarlanabilir regresyon çekirdeklerini kullanarak eğitim gerektirmeyen, jenerik nesne algılama Desen Analizi ve Makine Zekası, IEEE İşlemleri, 2010, 32 (9): 1688-1704.
Ren Xianyi, Zhang Guilin, Zhang Tianxu, vb. Tekil değer ayrışımına dayalı görüntü eşleştirme yöntemi Kızılötesi ve Lazer Mühendisliği, 2001, 30 (4): 200-202.
Liu Xiaojun, Wang Dongfeng, Zhang Lifei, vb. Tekil değer ayrıştırmasına ve gizli Markov modeline dayalı bir yüz tanıma yöntemi, Chinese Journal of Computers, 2003, 26 (3): 340-344.
Chen Guo, Zuo Hongfu. Uyarlanabilir bulanık eşikli görüntü bölütleme Acta Automatica Sinica, 2003, 29 (5): 791-796.
Deng Jihong, Wei Yuxing. Yerel özellik açıklamasına göre hedef konumlandırma Optoelektronik Mühendisliği, 2015, 1 (1): 58-64.
KUMAR Y, GAUTAM J. Yerel yönlendirme çekirdeği kullanan eğitim gerektirmeyen video indeksleme şeması. (2012). Http://www.tjprc.org/files/2-15-1371044563-1.Training%20free%20video.full.pdf .
WONG W K, ZHAO H T. Projeksiyonu koruyan optimum yerelliği denetledi.Pattern Recognition, 2012, 45 (1): 186-197.
YE J. Sezgisel bulanık kümeler ve uygulamaları için kosinüs benzerlik ölçümleri Matematiksel ve Bilgisayar Modelleme, 2011, 53 (53): 91-97.
