Detektor regionu oparty na krzywiźnie głównej

Główny detektor regionu oparty na krzywiźnie , zwany także PCBR , jest detektorem cech używanym w dziedzinie widzenia komputerowego i analizy obrazu . W szczególności PCBR jest przeznaczony do zastosowań związanych z rozpoznawaniem obiektów.

Detektory regionu lokalnego można zazwyczaj podzielić na dwie kategorie: detektory oparte na intensywności i detektory oparte na strukturze .

Detektory oparte na intensywności polegają na analizie lokalnej geometrii różniczkowej lub wzorców intensywności w celu znalezienia punktów lub regionów spełniających pewne kryteria wyjątkowości i stabilności. Detektory te obejmują SIFT , Hessian-affine , Harris-Affine i MSER itp.
Detektory oparte na strukturze polegają na cechach obrazu strukturalnego, takich jak linie, krawędzie, krzywe itp., W celu zdefiniowania punktów zainteresowania lub regionów. Detektory te obejmują obszar oparty na krawędzi (EBR) i cechy kształtu niezmiennego w skali (SISF)

Z punktu widzenia niezmienniczości detekcji detektory cech można podzielić na detektory o stałej skali, takie jak normalny detektor narożnika Harrisa , detektory o niezmienniczości skali, takie jak SIFT , oraz detektory o niezmienniczej skali, takie jak hessian-afiniczny .

Detektor PCBR jest opartym na strukturze detektorem niezmiennym afinicznie .

Dlaczego nowy wykrywacz?

W wielu zadaniach związanych z rozpoznawaniem obiektów wewnątrzklasowe zmiany ułożenia, oświetlenia, koloru i tekstury mogą powodować znaczne różnice w lokalnych intensywnościach. W konsekwencji lokalna intensywność nie zapewnia już stabilnej wskazówki wykrywania. W związku z tym operatory procentowe oparte na intensywności (np. SIFT , Harris-Affine ) – i oparte na nich systemy rozpoznawania obiektów – często nie identyfikują cech dyskryminacyjnych. Alternatywą dla lokalnych wskazówek intensywności jest uchwycenie półlokalnych wskazówek strukturalnych, takich jak krawędzie i krzywoliniowe kształty. Te wskazówki strukturalne są zwykle bardziej odporne na zmiany intensywności, koloru i pozy. Jako takie stanowią podstawę dla bardziej stabilnego operatora zainteresowania, co z kolei poprawia dokładność rozpoznawania obiektów. Detektor PCBR został opracowany w celu wykorzystania tych bardziej niezawodnych wskazówek strukturalnych obrazu.

Opis algorytmu

Krok 1: Wykrywanie struktur krzywoliniowych

Jako detektor oparty na strukturze PCBR nie wykorzystuje krawędzi, zamiast tego wykorzystuje struktury krzywoliniowe, zwane również grzbietami . Wykrywanie struktur krzywoliniowych generuje pojedynczą odpowiedź zarówno dla linii, jak i krawędzi, tworząc wyraźniejszy szkic strukturalny obrazu niż zwykle zapewnia obraz wielkości gradientu. Algorytm Stegera został zmodyfikowany w celu uzyskania obrazów krzywoliniowych. Ponieważ wykorzystywany jest tylko pierwszy krok tego algorytmu, czyli obliczenie obrazów krzywizny głównej, krzywizna główna została przyjęta jako nazwa tego detektora. Aby uzyskać główną krzywiznę, macierz Hessego jest wyliczone:

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

gdzie ${\ Displaystyle L_ {aa} (\ mathbf {x})}$ jest drugą pochodną cząstkową obrazu ocenianego w punkcie x $kierunku$ i ${ \ Displaystyle L_ {ab} (\ mathbf {x} )}$ jest mieszaną cząstkową drugą pochodną obrazu ocenianą w punkcie x w za $\ displaystyle a}$ i ${\ displaystyle b}$ kierunki. Maksymalne i minimalne wartości własne tej macierzy tworzą dwa obrazy, które odpowiadają białym liniom na czarnym tle i czarnym liniom na białym tle.

Krok 2: Poszukiwanie cech i solidności w przestrzeni skali

Aby uczynić ten detektor niezmiennym w skali i poprawić niezawodność wykrywania, symulowany jest proces detektora SIFT Davida Lowe'a w celu wykrycia głównej struktury krzywoliniowej w przestrzeni skali. Lokalne maksymalne obrazy głównych wartości krzywizny są używane do definiowania regionów.

Krok 3: Definiowanie regionów za pomocą udoskonalonych algorytmów działów wodnych

Obrazy krzywizny głównej są czyszczone przez zamknięcie morfologiczne i progowanie histerezy sterowane wektorem własnym . Następnie na obrazach stosowany jest tradycyjny algorytm zlewni w celu pozyskania regionów.

Krok 4: Wybór stabilnych regionów

Podobnie jak w przypadku procesu wybierania stabilnych regionów poprzez wyznaczanie wartości progowych w MSER , stabilne regiony są wybierane na podstawie lokalnych zmian w skali. Aby to osiągnąć, błąd nakładania się jest obliczany dla każdej trójki kolejnych skal. Jeśli błąd nakładania się regionów jest większy niż 90%, zachowywany jest tylko jeden region. Jeśli błąd jest większy niż 70% i mniejszy niż 90%, wszystkie regiony są zachowywane. Jeśli nakładanie się jest mniejsze niż 70%, odrzuć te regiony. Liczby te są określane na podstawie analizy wrażliwości deskryptora SIFT .

Czym różni się PCBR?

Jest to detektor oparty na strukturze.
Jest przeznaczony do obsługi wariancji wewnątrz klasy.
Jest używany, gdy lokalna intensywność nie jest stabilna.
Wykrywa pół-lokalny charakterystyczny region.

Pakiety oprogramowania

Kod binarny implementacji PCBR można pobrać ze strony internetowej Toma Diettericha.

Zobacz też