ДОСЛІДЖЕННЯ МОДИФІКАЦІЙ МЕТОДУ ВСТАНОВЛЕННЯ РЕЛЕВАНТНОСТІ ЗОБРАЖЕНЬ ОБ’ЄКТІВ ЗА ОПИСАМИ У ВИГЛЯДІ МНОЖИНИ ДЕСКРИПТОРІВ КЛЮЧОВИХ ТОЧОК
Ключові слова:
структурні методи розпізнавання зображень, детектор BRISK, кластеризація у просторі дескрипторів, узагальнений дескриптор, хешування, релевантність описів, голосування, метрика Хемінга, швидкодія визначення релевантності
Анотація
Предметом досліджень статті є моделі для встановлення ступеня релевантності зображень у просторі дескрипторів ключових точок зображень для реалізації структурних методів розпізнавання зорових образів у системах комп’ютерного зору. Метою є проведення експериментального дослідження ефективних за параметром швидкодії модифікацій способів встановлення подібності описів у просторі дескрипторів ключових точок на підставі апарату аналізу бітових даних. Завдання: розроблення математичних та програмних моделей оброблення даних при обчисленні подібності структурних описів, вивчення властивостей та особливостей застосування цих моделей, оцінювання ефективності за результатами оброблення конкретних зображень. Застосовуваними методами є: детектор BRISK для формування дескрипторів ключових точок, інтелектуальний аналіз даних, метод кластеризації к-середніх, методи побітового оброблення та підрахунку частоти входження даних, теорія хешування бітових даних, програмне моделювання. Отримані такі результати. Методи класифікації зображень з використанням подібності описів у просторі дескрипторів ключових точок отримують подальший розвиток та застосування на підставі впровадження апарату аналізу бітових даних. Кластерне подання описів не тільки скорочує час оброблення, але й показує чутливість модифікації методу до незначних особливостей зображення і його можливість широкого застосування у системах комп’ютерного зору. Хешування опису без втрати даних суттєво прискорює (у експерименті у сотні разів) процес обчислення ступеня релевантності описів. Вибрана хеш-функція може впливати на результат і сприяти покращенню рівня розрізнення зображень. Побудова узагальненого опису у вигляді спільного дескриптора значно скорочує час обчислень, при цьому виникає потреба у попередньому обробленні опису з метою формування скороченого опису із списку значущих дескрипторів. Висновки. Наукова новизна дослідження полягає в удосконаленні методу структурного розпізнавання зображень на основі опису як множини дескрипторів ключових точок шляхом застосування апарату кластеризації, виявлення узагальнених властивостей та хешування даних для визначення модифікованих мір релевантності аналізованих та еталонних описів. Практична значущість роботи – досягнення суттєвого рівня підвищення швидкодії обчислення релевантності зображень, підтвердження результативності запропонованих модифікацій на прикладах зображень, отримання прикладних програмних моделей для дослідження та впровадження методів класифікації у системах комп’ютерного зору.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Гороховатський В.О. Аналіз властивостей, характеристик та результатів застосування новітніх детекторів для визначення особливих точок зображення / В.О. Гороховатський, Д.В. Пупченко, К.Г. Солодченко // Системи управління, навігації та зв’язку. –2018. – №1 (47). – C. 93–98.
2. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski. – London: Springer, 2010. – 979 p.
3. Gorokhovatskyi V.A. Image Classification Methods in the Space of Descriptions in the Form of a Set of the Key Point Descriptors / V.A. Gorokhovatskyi // Telecommunications and Radio Engineering. – 2018, 77 (9), pp. 787-797.
4. Гороховатський В.О. Застосування апарату аналізу та оброблення бітових даних у методах класифікації зображень за множиною ключових точок / В.О. Гороховатський, К. Г. Солодченко // Системи управління, навігації та зв’язку. – 2018. – №2 (48). – C. 63–67.
5. Stefan Leutenegger, Margarita Chli, Roland Y. Siegwart. BRISK: Binary Robust Invariant Scalable Keypoints. – Computer Vision (ICCV), pp. 2548 – 2555, 2011.
6. Gorokhovatskiy V.A. Hashing of Structural Descriptions at Building of the Class Image Descriptor, Computing of Relevance and Classification of the Visual Objects / V.A. Gorokhovatskiy, А.V. Gorokhovatskiy, & Ye.О. Peredrii // Telecommunications and Radio Engineering. – 2018, Vol. 77 (13), pp. 1159–1168.
7. Gorokhovatskyi V. Quantization of the Space of Structural Image Features as a Way to Increase Recognition Performance / Gorokhovatskyi Volodymyr, Putyatin Yevgenyi, Gorokhovatskyi Oleksii, Peredrii Olena // The Second IEEE International Conference on DataStream Mining & Processing 21-25 August 2018, Lviv, Ukraine. – pp. 464 – 467.
8. Алгоритмы: построение и анализ. Издание 2-е / Т. Кормен, Ч. Лейзерсон, Р. Ривест, К. Штайн. – М.: ИД Вильямс, 2005. – 1296 с.
9. Ruban I. Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolution-ary method / I. Ruban, H. Khudov, V. Khudov, I. Khizhnyak, O. Makoveichuk // Eastern-European Journal of Enterprise Technologies, 2017. –№ 5/9 (89). –P. 49–57.
10. OpenCV Open Source Computer Vision. [Электронный ресурс]. – Режим доступа: https://docs.opencv.org/master/index.html.
2. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski. – London: Springer, 2010. – 979 p.
3. Gorokhovatskyi V.A. Image Classification Methods in the Space of Descriptions in the Form of a Set of the Key Point Descriptors / V.A. Gorokhovatskyi // Telecommunications and Radio Engineering. – 2018, 77 (9), pp. 787-797.
4. Гороховатський В.О. Застосування апарату аналізу та оброблення бітових даних у методах класифікації зображень за множиною ключових точок / В.О. Гороховатський, К. Г. Солодченко // Системи управління, навігації та зв’язку. – 2018. – №2 (48). – C. 63–67.
5. Stefan Leutenegger, Margarita Chli, Roland Y. Siegwart. BRISK: Binary Robust Invariant Scalable Keypoints. – Computer Vision (ICCV), pp. 2548 – 2555, 2011.
6. Gorokhovatskiy V.A. Hashing of Structural Descriptions at Building of the Class Image Descriptor, Computing of Relevance and Classification of the Visual Objects / V.A. Gorokhovatskiy, А.V. Gorokhovatskiy, & Ye.О. Peredrii // Telecommunications and Radio Engineering. – 2018, Vol. 77 (13), pp. 1159–1168.
7. Gorokhovatskyi V. Quantization of the Space of Structural Image Features as a Way to Increase Recognition Performance / Gorokhovatskyi Volodymyr, Putyatin Yevgenyi, Gorokhovatskyi Oleksii, Peredrii Olena // The Second IEEE International Conference on DataStream Mining & Processing 21-25 August 2018, Lviv, Ukraine. – pp. 464 – 467.
8. Алгоритмы: построение и анализ. Издание 2-е / Т. Кормен, Ч. Лейзерсон, Р. Ривест, К. Штайн. – М.: ИД Вильямс, 2005. – 1296 с.
9. Ruban I. Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolution-ary method / I. Ruban, H. Khudov, V. Khudov, I. Khizhnyak, O. Makoveichuk // Eastern-European Journal of Enterprise Technologies, 2017. –№ 5/9 (89). –P. 49–57.
10. OpenCV Open Source Computer Vision. [Электронный ресурс]. – Режим доступа: https://docs.opencv.org/master/index.html.
Опубліковано
2018-10-30
Як цитувати
Gorokhovatskyi V. Дослідження модифікацій методу встановлення релевантності зображень об’єктів за описами у вигляді множини дескрипторів ключових точок / V. Gorokhovatskyi, A. Vasylchenko, K. Manko, R. Ponomarenko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 5 (51). – С. 74-78. – doi:https://doi.org/10.26906/SUNZ.2018.5.074.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
