Модели на основе деталей - Part-based models

Модели на основе деталей относится к широкому классу алгоритмов обнаружения, используемых на изображениях, в которых различные части изображения используются отдельно, чтобы определить, существует ли и где существует интересующий объект. Среди этих методов очень популярным является модель созвездия который относится к тем схемам, которые стремятся обнаружить небольшое количество функций и их относительное положение, чтобы затем определить, присутствует ли интересующий объект.

Эти модели основаны на оригинальной идее Фишлера и Эльшлагера.[1] использования относительного положения нескольких шаблонов, совпадающих и усложняющихся в работе Перона и других.[2] Эти модели будут рассмотрены в разделе моделей созвездий. Чтобы лучше понять, что подразумевается под моделью созвездия, пример может быть более наглядным. Скажем, мы пытаемся обнаруживать лица. Модель созвездия будет использовать детекторы меньших частей, например детекторы рта, носа и глаза, и делать суждение о том, есть ли на изображении лицо, на основе относительных положений, в которых срабатывают компоненты.

Модели без созвездий

Многие совпадающие идеи включены в модели на основе заглавной части даже после исключения этих моделей из множества созвездий. Объединяющая нить - это использование мелких деталей для построения алгоритма, который может обнаруживать / распознавать объект (лицо, автомобиль и т. Д.). Ранние попытки, такие как попытки Юилле, Халлинана и Коэна.[3] стремились обнаружить черты лица и подогнать под них деформируемые шаблоны. Эти шаблоны представляли собой математически определенные контуры, которые пытались отразить положение и форму объекта. Алгоритм Юилле, Халлинана и Коэна действительно не может найти глобальный минимум подходят для данной модели, и поэтому шаблоны иногда не совпадают.

Более поздние работы, такие как работы Поджио и Брунелли[4] сконцентрируйтесь на создании конкретных детекторов для каждой функции. Они используют последовательные детекторы для оценки масштаба, положения и т. Д. И сужают поле поиска, которое будет использоваться следующим детектором. Как таковая, это модель, основанная на деталях, однако они больше стремятся распознавать определенные лица, а не обнаруживать присутствие лица. Они делают это, используя каждый детектор для построения вектора из 35 элементов характеристик данного лица. Затем эти характеристики можно сравнить, чтобы распознать определенные лица, однако отсечки также могут использоваться для определения того, присутствует ли лицо вообще.

Кутс, Ланитис и Тейлор[5] опираться на эту работу при построении 100-элементного представления основных черт лица. Однако модель более подробная и надежная, учитывая дополнительную сложность (100 элементов по сравнению с 35), этого можно было ожидать. Модель по сути вычисляет отклонения от среднего лица с точки зрения формы, ориентации и уровня серого. Модель соответствует минимизации функция ошибки. Эти три класса алгоритмов естественным образом попадают в сферу применения сопоставление шаблонов[6]

Из не созвездий, пожалуй, наиболее успешным является созвездие Лейбе и Шиле.[7][8] Их алгоритм находит шаблоны, связанные с положительными примерами, и записывает как шаблон (среднее значение свойства во всех положительных примерах, где он присутствует), так и положение центра элемента (например, лица) относительно шаблона. Затем алгоритм берет тестовое изображение и запускает средство поиска точек интереса (надеемся, что это один из масштабный инвариант разнообразие). Затем эти точки интереса сравниваются с каждым шаблоном и вычисляется вероятность совпадения. Затем все шаблоны голосуют за центр обнаруженного объекта, пропорционально вероятности совпадения и вероятности, которую шаблон предсказывает центр. Все эти голоса суммируются, и, если их достаточно, достаточно хорошо сгруппированных, прогнозируется присутствие рассматриваемого объекта (например, лица или автомобиля).

Алгоритм эффективен, потому что он требует гораздо меньшей жесткости созвездия, чем модель созвездия. Конечно, модель созвездия может быть изменена, чтобы учесть окклюзии и другие крупные аномалии, но эта модель, естественно, подходит для этого. Также нужно сказать, что иногда желательна более жесткая структура созвездия.

Смотрите также

использованная литература

  1. ^ Fischler, M.A .; Эльшлагер, Р.А. (1973). «Изображение и соответствие изобразительных структур». Транзакции IEEE на компьютерах: 67–92. Дои:10.1109 / T-C.1973.223602.
  2. ^ Fergus, R .; Perona, P .; Зиссерман, А. (2003). Распознавание классов объектов с помощью масштабно-инвариантного обучения без учителя. Конференция компьютерного общества IEEE по компьютерному зрению и распознаванию образов. 2. С. II – 264. Дои:10.1109 / CVPR.2003.1211479. ISBN  0-7695-1900-8.
  3. ^ Yuille, Alan L .; Халлинан, Питер В .; Коэн, Дэвид С. (1992). «Извлечение признаков из граней с использованием деформируемых шаблонов». Международный журнал компьютерного зрения. 8 (2): 99. Дои:10.1007 / BF00127169.
  4. ^ Brunelli, R .; Поджио, Т. (1993). «Распознавание лиц: функции против шаблонов». IEEE Transactions по анализу шаблонов и машинному анализу. 15 (10): 1042. Дои:10.1109/34.254061.
  5. ^ Lanitis, A .; Taylor, C.J .; Кутс, Т.Ф. (1995). Единый подход к кодированию и интерпретации изображений лиц. Международная конференция IEEE по компьютерному зрению. п. 368. Дои:10.1109 / ICCV.1995.466919. ISBN  0-8186-7042-8.
  6. ^ Брунелли, Р. (2009). Методы сопоставления шаблонов в компьютерном зрении: теория и практика. Вайли. ISBN  978-0-470-51706-2.
  7. ^ Лейбе, Бастиан; Леонардис, Алеш; Шиле, Бернт (2007). «Надежное обнаружение объектов с чередованием категоризации и сегментации». Международный журнал компьютерного зрения. 77 (1–3): 259–289. CiteSeerX  10.1.1.111.464. Дои:10.1007 / s11263-007-0095-3.
  8. ^ Лейбе, Бастиан; Леонардис, Алесь; Шиле, Бернт (2006). «Неявная модель формы для комбинированной категоризации объектов и сегментации». К распознаванию объектов на уровне категорий. Конспект лекций по информатике. 4170. п. 508. CiteSeerX  10.1.1.5.6272. Дои:10.1007/11957959_26. ISBN  978-3-540-68794-8.