Upload
badu
View
59
Download
0
Embed Size (px)
DESCRIPTION
Govorne in slikovne tehnologije. Področja uporabe Prof. dr. France Mihelič. prosojnice pripravila: as.dr. Vitomir Štruc, prof.dr.France Mihelič. Vsebina. Področja uporabe Šivanje slik SIFT SURF Detekcija objektov Viola-Jones Drugi detektorji. - PowerPoint PPT Presentation
Citation preview
GOVORNE IN SLIKOVNE TEHNOLOGIJEPodročja uporabe
Prof. dr. France Mihelič
prosojnice pripravila: as.dr. Vitomir Štruc, prof.dr.France Mihelič
VSEBINA Področja uporabe
Šivanje slik SIFT SURF
Detekcija objektov Viola-Jones Drugi detektorji
Vir slik: http://www.vrmag.org/issue28/ADVANCED_PANORAMIC_STITCHING_-_A_REASONED_APPROACH.html, http://people.kyb.tuebingen.mpg.de/kienzle/fdlib/fdlib.htm
PODROČJA UPORABE Primeri, ki si jih bomo ogledali:
Šivanje slik (Laboratorijska vaja 2)
Detekcija objektov
Razpoznavanje objektov
Segmentacija
Janez
ŠIVANJE SLIK S postopkom šivanja slik (angl. image
stitching) želimo sestaviti večjo sliko (mozaik) iz množice manjših slik iste scene
Vir slik: http://graphics.cs.cmu.edu/courses/15-463/2005_fall/www/463.html
ŠIVANJE SLIK Omogoča prikaz večjega področja določene scene Primeri:
Komercialne kamere, vidno polje = 50 x 35°
Vir slik: http://graphics.cs.cmu.edu/courses/15-463/2005_fall/www/463.html
ŠIVANJE SLIK Omogoča prikaz večjega področja določene scene Primeri:
Komercialne kamere, vidno polje = 50 x 35° Človeško vidno polje = 200x135°
Vir slik: http://graphics.cs.cmu.edu/courses/15-463/2005_fall/www/463.html
ŠIVANJE SLIK Omogoča prikaz večjega področja določene scene Primeri:
Komercialne kamere, vidno polje = 50 x 35° Človeško vidno polje = 200 x 135° Mozaik = 360 x 180°
Vir slik: http://graphics.cs.cmu.edu/courses/15-463/2005_fall/www/463.html
ŠIVANJE SLIK Osnovni pristop
Zajemi slike določene scene z istega položaja Izračunaj transformacijo med drugo in prvo sliko tako, da
enaki objekti na obeh slikah sovpadajo Preslikaj drugi sliko z izračunano transformacijo
(poravnava) Združi obe sliki v skupni mozaik Ponovi, dokler ne uporabiš vseh slik
Vir slik: http://graphics.cs.cmu.edu/courses/15-463/2005_fall/www/463.html
Ravnina mozaikaRavnina zajema slike
ŠIVANJE SLIK Pri sestavljanju mozaika posamezne slike
preslikamo na skupno ravnino Mozaik tvorimo na tej ravnini Mozaik „predstavlja“ sintetično široko-kotno kamero
Vir slik: http://graphics.cs.cmu.edu/courses/15-463/2005_fall/www/463.html
Projekcijska ravnina
ŠIVANJE SLIK Zahteva samodejne algoritme za:
Iskanje ujemanja objektov na parih slik, npr. Z lokalnimi deskriptorji
SIFT (angl. Scale Invariant Feature Transform) SURF (angl. Speeded Up Robust Feature)
Izračun transformacijske matrike RANSAC
ŠIVANJE SLIK Zahteva samodejne algoritme za:
Iskanje ujemanja objektov na parih slik, npr. Z lokalnimi deskriptorji
SIFT (angl. Scale Invariant Feature Transform) SURF (angl. Speeded Up Robust Feature)
Izračun transformacijske matrike RANSAC
ŠIVANJE SLIK Iskanje ujemanja objektov na parih slik Postopek:
Detektiraj značilne točke slike v vsaki od slik Poišči ujemajoče pare
Problem 1: Kako poiskati enake značilne točke v vsaki od slik?
Potrebujemo učinkovit in ponovljiv postopek detekcije značilnih točk slike
Vir slik: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Ujemanja ni
ŠIVANJE SLIK Problem 2:
Kako poiskati ujemanje med detektiranimi značilnimi točkami slik?
Potrebujemo zanesljiv in diskriminatoren opis detektirane značilne točke (deskriptor, vektor značilk,
…)Vir slik: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
?
ŠIVANJE SLIK Lokalni deskriptorji - osnove
Problem iskanja ujemanja pogosto rešujemo s pomočjo lokalnih deskriptorjev (SIFT, SURF, …)
Postopki za izračun lokalnih deskriptorjev obsegajo postopke za:
Detekcijo značilnih točk v slikah (angl. key point detector) Izračun dejanskega deskriptorja (vektorja značilk) Določitev ujemanja med pari deskriptorjev
Lokalni deskriptorji se uporabljajo za: Poravnavo slik 3D rekonstrukcijo Sledenje objektov v videu Razpoznavanje objektov Navigacijo robotov …
Vir slik: http://adrian-primeproject2011.blogspot.com/2011_07_01_archive.html
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
SIFT1 (angl. Scale Invariant Feature Trasform) deskriptorji spadajo med pogosteje uporabljene lokalne deskriptorje, ki se uporabljajo za določanje ujemanja objektov slik
SIFT deskriptorji so invariantni na različne spremembe v sliki, npr.: Translacijo, Rotacijo, Velikost, Perspektivo (delno), …
SIFT zaščiten s patentom SIFT v praksi: v digitalnih fotoaparatih pri sestavljanju
panoramskih slik V primerjavi z drugimi lokalnimi deskriptorji so SIFTi pogosto
učinovitejši (večja diskriminatornost, boljša ponovljivost, …)
1David Lowe (1999): "Object recognition from local scale-invariant features" Vir slik: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Postopek izračuna: Detekcija značilnih točk slike
Iskanje ekstremov v prostoru ločljivosti Lokalizacija značilnih točk
Določitev orientacije značilne točke Izračun deskriptorja
Vir slik: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Postopek detekcije značilnih točk mora na sliki poiskati enake
značilne točke ne glede na velikost objektov na sliki Poiskati moramo torej značilno ločljivost oz. velikost okolice
značilne točke
Vir slik: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt, www.cs.cmu.edu/~efros/courses/.../0319.SIFT.ppt
Ilustrativno
Realni primer
Značilne točke slike
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Detekcija značilnih točk postopka SIFT zato išče ekstreme v
prostoru ločljivosti (velikosti) – angl. scale-space
Vir slik: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt
PrimerGaussovega prostora ločljivosti (velikosti)
𝐿𝑖 (𝑥 , 𝑦 ,𝜎 𝑖 )=𝐺𝑖 (𝑥 , 𝑦 ,𝜎 𝑖)∗ 𝐼 (𝑥 , 𝑦 )
𝐺𝑖 (𝑥 , 𝑦 ,𝜎 𝑖 )=1
2𝜋 𝜎 𝑖2 𝑒
−(𝑥2+𝑦 2)/2𝜎𝑖2
G1
G5, za s korakom 0.6
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Za detekcijo značilnih točk se uporablja DoG1 prostor
ločljivosti (velikosti)
Vir slik: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt
1DoG – angl. Difference of Gaussians
Gaussov prostor
ločljivosti (velikosti)
DoG prostor ločljivosti (velikosti)
Iščemo ekstreme 3D prostora ločljivosti
Glajenje z
Podvzorčenje
, , , , , , ,
, , , ,
D x y G x y k G x y I x y
L x y k L x y
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Za detekcijo značilnih točk se uporablja DoG1 prostor
ločljivosti (velikosti) Opazovano točko izberemo kot značilno točko slike, če je večja
ali manjša od vseh 26 sosedov (elementov v okolici 3x3x3)
Vir slik: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Primer detektiranih po detekciji ekstremov v DoG prostou ločljivosti:
Predstavljeni postopek na slikah najde veliko število značilnih točk, med katerimi so nekatere „nestabilne (neponovljive)“ zaradi:
nizkega kontrasta (občutljivost na šum), lege na robovih slike (težko določiti kje na robu se nahajamo)
Zgoraj opisane točke je potrebno odstranitiVir slik: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt
Slika z 233x189 piksli
Število detektiranih DoG ekstremov: 832
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Izločanje značilnih točk z nizkim kontrastom; postopek:
Aproksimiraj okolico značilne točke s kvadratno Taylor-jevo vrsto DoG prostora ločljivosti
Določi lokalni maksimum prilegane funkcije in s tem nov, natančnejši položaj značilne točke
Izloči značilno točko (oz. ), če je <0.03 Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt, www.cs.cmu.edu/~efros/courses/.../0319.SIFT.ppt
2
2
1( )2
T TTD DD x D x x x
x x
12
2ˆ D Dx
x x
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Izločanje značilnih točk z nizkim kontrastom; rezultat:
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt, www.cs.cmu.edu/~efros/courses/.../0319.SIFT.ppt
729 od 832 značilnih točk ostane
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Izločanje značilnih točk na robnih slikovnih elementih slike;
postopek: Izračunaj matriko Hessovo matriko parcialnih odvodov
okolice dane značilne točke
Zavrzi vse značilne točke, ki ustrezajo robnim slikovnim elementom in hkrati ne predstavljajo oglišč (ekvivalentno formulaciji Harissovega detektorja oglišč) slike
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
xx xy
xy yy
D DH
D D
2 2max
min
( ) ( 1)( )
Tr H rrDet H r
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Detekcija značilnih točk slike Izločanje značilnih točk na robnih slikovnih elementih slike;
rezultat:
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
536 od 729 značilnih točk ostane
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Določitev orientacije značilnih točk Ker želimo, da so deskriptorji invariantni na rotacije objektov
na sliki, za vsako značilno točko določimo orientacijo lokalnih gradientov in normiramo podatke v skladu z določeno orientacijo
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Določitev orientacije značilnih točk Postopek:
Za glajeno sliko , kjer ustreza ločljivosti dane značilne točke, se izračuna smer in amplituda gradienta
Na podlagi smeri gradientov v okolici značilne točke se določi histogram Značilni točki se pripiše orientacija, ki ustreza maksimumu glajenega histograma
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
0 2
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Določitev deskriptorja Za vsako značilno točko poznamo njen položaj,
ločljivost in orientacijo Določeni podatki zagotavljajo invariantnost na
translacije, velikost in rotacije objektov na slikah V zadnjem koraku želimo določiti deskriptor, ki
zagotavlja še invariantnost na: Svetlobne razmere in 3D perspektivo na objekte slike
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Določitev deskriptorja: Okolico značilne točke velikosti 16x16 slikovnih elementov
razdelimo v 4 pod-področja velikosti 4x4 slikovne elemente Za vsako pod-področje določimo histogram orientacij gradienta z
8 kvantizacijskimi nivoji Deskriptor sestavimo iz 128 relativnih frekvenc vseh 16
histogramov (8 kvantizacijskih nivojev x 4x4 pod-področij)
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Določitev deskriptorja Deskriptor normiramo na dolžino ena, kar izloči vpliv kontrasta na
vrednosti deskriptorja
Pomembno: Orientacija gradienta je manj občutljiva na spremembe v svetlobnih razmerah kot amplituda gradienta
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
ŠIVANJE SLIK Lokalni deskriptorji - SIFT
Iskanje ujemajočih parov Za iskanje ujemajočih parov se pogosto uporablja postopek
najbližjega soseda z Evklidovo razdaljo (Evklidova razdalja služi kot mera različnosti – večja kot je manj sta si deskriptorja podobna)
SIFT deskriptor is slike A se ujema z deskriptorjem iz slike B, če je naslednje razmerje manjše od določenega praga:
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
ŠIVANJE SLIK Zahteva samodejne algoritme za:
Iskanje ujemanja objektov na parih slik, npr. Z lokalnimi deskriptorji
SIFT (angl. Scale Invariant Feature Transform) SURF (angl. Speeded Up Robust Feature)
Izračun transformacijske matrike RANSAC
ŠIVANJE SLIK Izračun transformacijske matrike
S pomočjo SIFT algoritma na paru slik določimo ujemajoče značilne točke
Rezultat predstavlja seznam ujemajočih parov značilnih točk, ki služi kot vhod v RANSAC
Z algoritmom RANSAC nato določimo parametre projektivne transformacije (homografije):
Viri: mis.hevra.haifa.ac.il/~ishimshoni/MVG/SIFT_KA.ppt,
ŠIVANJE SLIK Povzetek
Na vhodnih slikah, ki ju želimo združiti, izvedemo detekcijo in izračun SIFT deskriptorjev ter določitev ujemajočih parov
S pomočjo RANSAC-a določimo transformacijsko matriko in preslikamo drugo sliko v ravnino prve
Sliki združimo in popravimo barve
ŠIVANJE SLIK Opomba
Pri šivanju slik, se namesto deskriptorjev SIFT pogosto uporabljajo lokalni deskriptorji SURF (angl. Speeded Up Robust Feature)
Deskriptorji SURF se odlikujejo s podobnimi lastnostmi kot deskriptorji SIFT, a je njihov izračun bistveno hitrejši
Viri: http://rtcmagazine.com/articles/view/102184, http://scien.stanford.edu/pages/labsite/2008/psych221/projects/08/DavidChen/index.html
DETEKCIJA OBJEKTOV
Vir slik: http://weblogs.baltimoresun.com/news/technology/2010/05/crowdsourcing_new_name.html/, http://www.avto-prodaja.si/, http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
S postopki detekcije objektov želimo poiskati vse objekte določene vrste na sliki
Primeri:
Poišči vse avtomobile
Poišči vse steklenice
Poišči vse obraze
DETEKCIJA OBJEKTOV
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Postopek (splošno): Zgradi/nauči model objekta, ki ga želimo poiskati
Iz slike, na kateri želiš detektirati želene objekte, generiraj množico kandidatov objekta
Vsakega kandidata ovrednoti in razvrsti bodisi v razred iskanih objektov bodisi v razred drugih objektov
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Pregledamo celotno sliko pri začetni velikosti pod-okna
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Pregledamo celotno sliko pri začetni velikosti pod-okna
Dvo-razredni razvrščevalnik
Obraz/drugo
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Pregledamo celotno sliko pri začetni velikosti pod-okna
Obraz/drugo
Dvo-razredni razvrščevalnik
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Pregledamo celotno sliko pri začetni velikosti pod-okna
Obraz/drugo
Dvo-razredni razvrščevalnik
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Pregledamo celotno sliko pri začetni velikosti pod-okna
Obraz/drugo
Dvo-razredni razvrščevalnik
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Ko pregledamo celotno sliko, povečamo pod-okno
Obraz/drugo
Dvo-razredni razvrščevalnik
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Postopek ponavljamo, dokler ne dosežemo maks.
velikosti
Obraz/drugo
Dvo-razredni razvrščevalnik
DETEKCIJA OBJEKTOV Popularno rešitev problema detekcije objektov
predstavljajo postopki, ki temeljijo na razvrščanju pod-oken slike (npr. Viola-Jones)
Osnovna ideja (primer detekcije obrazov): Rezultat: Množica oken v razredu obrazov →
upragovljanje
Če je oken več kot N, potem
gre za obraz
DETEKCIJA OBJEKTOV Zahteve:
Potrebno izbrati predstavitev pod-oken (značilke) Potrebno izbrati in naučiti razvrščevalnik
Potreba po učnih podatkih (primeri in proti-primeri) Različne izbire dajo različne postopke detekcije z
različnimi lastnostmi – primer Viola-Jones (Haarov razvrščevalnik)
Avto/drugo Razvrščevalnik
Izpeljava značilk
Učni podatki
Učenje:1. Zberi učne podatke2. Izberi predstavitev3. Določi razvrščevalnik
Za novo sliko:1. Preglej vsa pod-okna2. Ovrednoti z razvrščevalnikom
Ilustracija učenja in uporabe detektorja avtomobilov
Vir: http://www.cs.brown.edu/courses/cs143/
DETEKCIJA OBJEKTOV Postopek Viola-e in Jones-a:
Sposoben delovanja v realnem času Časovna zahtevnost narašča s številom različnih velikosti
pod-oken, ki jih razvrščamo Temelji na Haarovih značilkah in večkratnem učenju z
uteževanjem učnih primerov (angl. AdaBoost) Primer uporabe: avtofokus ob zaznavi obraza
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Predstavitev pod-oken (značilke) Vsako pod-okno predstavimo z množico Haarovih značilk
(aproksimacijo) Haarove značilke so izbrane zato, ker je vrednost posamezne
značilke za pod-okno poljubne velikosti mogoče izračunati v konstantnem času
Vsako pod-okno predstavimo z množico Haarovih značilk
Vrednost značilke, ki ustreza trenutnemu pravokotnemu filtru
izračunamo kot razliko med vsotami svetilnosti slikovnih elementov pod
črnim in belim področjem filtra
- + -
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Predstavitev pod-oken (značilke) Izračun značilk poteka preko integralne predstavitve slike
Izračun vsote slikovnih elementov (potrebne za izračun vrednosti značilk) znotraj danega področja vhodne slike lahko zato izvedemo s tremi operacijami v integralni sliki neodvisno od velikosti področja
• Vrednost slikovnega elementa na koordinatah (x,y) predstavlja vsoto svetilnosti slikovnih elementov originalne slike nad in levo od (x,y)
Vhodna slika Integralna slika
Integralna slika
A
BD
C
Vsota slikovnih elementov je A-B-C+D
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Predstavitev pod-oken (značilke) Če upoštevamo vse možne parametre filtrov za izračun Haarovih
značilk (položaj, velikost in oblika), dobimo za pod-okno 24x24 180.000 različnih značilk – podmnožico določimo s postopkom večkratnega učenja z uteževanjem učnih primerov (angl. AdaBoost)
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Uporablja AdaBoost razvrščevalnik Osnovna ideja:
Sestavi „močni“ razvrščevalnik s kombinacijo „šibkih“ razvrščevalnikov
Potrebno je definirati množico šibkih razvrščevalnikov
Močni razvrščevalnik
Vektor značilk
Utež Šibki razvrščevalnik
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt =1In pripadajočo utež:
+1 ( )-1 ( )
yt =
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt =1In pripadajočo utež:
+1 ( )-1 ( )
yt =
p(napake)=0.5 (naključno razvrščanje)
Iščemo preproste šibke linearne razvrščevalnike
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt =1In pripadajočo utež:
+1 ( )-1 ( )
yt =
Iščemo „šibki“ razvrščevalnik, ki vzorce razvršča malo boljše od naključja
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt = wtexp{-ytHt}Posodobimo uteži:
+1 ( )-1 ( )
yt =
Ustvarimo nov problem razvrščanja, katerega že izračunan šibki razvrščevalnik zopet razvršča naključno
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt = wtexp{-ytHt}Posodobimo uteži:
+1 ( )-1 ( )
yt =
Ustvarimo nov problem razvrščanja, katerega že izračunan šibki razvrščevalnik zopet razvršča naključno
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt = wtexp{-ytHt}Posodobimo uteži:
+1 ( )-1 ( )
yt =
Ustvarimo nov problem razvrščanja, katerega že izračunan šibki razvrščevalnik zopet razvršča naključno
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt = wtexp{-ytHt}Posodobimo uteži:
+1 ( )-1 ( )
yt =
Ustvarimo nov problem razvrščanja, katerega že izračunan šibki razvrščevalnik zopet razvršča naključno
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Vsaka vektor značilk ima svojo oznako:
wt = wtexp{-ytHt}Posodobimo uteži:
+1 ( )-1 ( )
yt =
Ustvarimo nov problem razvrščanja, katerega že izračunan šibki razvrščevalnik zopet razvršča naključno
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Osnovna ideja:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Močni razvrščevalnik zgradimo koz linearno kombinacijo šibkih razvrščevalnikov
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Razvrščevalnik Je sestavljen iz kaskade AdaBoost razvrščevalnikov Vsak naslednji razvrščevalnik v kaskadi na vhodu uporabi daljši vektor
značilk (tipično se uporablja 10-40 razvrščevalnikov v kaskadi)
Primer prepustnosti:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
1 Feature 5 Features50%
20 Features20% 2%
FACE
NON-FACE NON-FACE NON-FACE
IMAGESUB-WINDOW
Napačno razvrščena pod-okna v razred obrazov (angl. False positive rate
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Povzetek (vizualno)
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
Kaskadni razvrščevalni
k
Obraz/drugo
Obrazi
Proti-primeri
Nauči kaskado razvrščevalniko
v z AdaBoost
Izbrane značilke
Razv
rsti
vsak
o od
po
d-ok
en
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Značilnosti: Potreba po ogromni količini učnega materiala za
„komericalno“ učinkovito delovanje, npr. 5 tisoč primerov, preko 300 milijonov protiprimerov
Učenje je izrazito počasno, detekcija izredno hitra Pri detekciji objektov je predpostavljen izgled objekta (pri
različnih zornih kotih postopek odpove) Ker razvršča pod-okna v razrede na podlagi globalnih
lastnosti je občutljiv na delna prekrivanja objekta
DETEKCIJA OBJEKTOV Viola-Jones detektor:
Primeri:
Vir: http://people.csail.mit.edu/torralba/courses/6.869/6.869.computervision.htm
DETEKCIJA OBJEKTOV Drugi detektorji
Vir slik: http://www.cs.brown.edu/courses/cs143/
106 examples
Najbližji sosed
Shakhnarovich, Viola, Darrell 2003Berg, Berg, Malik 2005...
Nevronske mreže
LeCun, Bottou, Bengio, Haffner 1998Rowley, Baluja, Kanade 1998 …
Podporni vektorji
Guyon, Vapnik, Heisele, Serre, Poggio, 2001,…
Boosting
Viola, Jones 2001, Torralba et al. 2004, Opelt et al. 2006,…
Grafični modeli
McCallum, Freitag, Pereira 2000; Kumar, Hebert 2003…