Your SlideShare is downloading. ×
Zaverecny ukol KPI
Zaverecny ukol KPI
Zaverecny ukol KPI
Zaverecny ukol KPI
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Zaverecny ukol KPI

132

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
132
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Metody detekce obrazu Pavel Cagaš, Brno 2012Výběr tématuVolba tématu práce pro mě, jako pro studenta informatiky, nebyla těžká. Studuji obor, kterýse zabývá počítačovou grafikou a zpracováním obrazu. Metody detekce obrazu jsou velmipodstatnou součástí počítačového vidění, což je schopnost systémů provádět automatizovanoučinnost na základě zpracování obrazu z kamery. To je téma, které mě zajímá a má velkoubudoucnost.AnotacePráce se věnuje metodám pro vyhledávání významných bodů v obraze a jejich využití prodalší zpracování obrazu. Hlavně tedy uvedení do kontextu počítačového vidění a stručnémuvysvětlení základních principů fungování těchto metod. Významné body jsou důležité proprvní analýzu a identifikují místa s vlastnostmi vhodnými pro další práci s obrazem. Jsou zdeuvedeny metody SIFT(Scale Invariant Feature Transform) a SURF(Speeded Up RobustFeature), které jsou vhodné pro vyhledávání struktur použitelných pro zjištění korespondencímezi obrázky. Obě metody jsou měřítkově nezávislé, druhá zmíněná metoda je však rychlejšía tedy vhodnější pro zpracování obrazu v reálném čase.Klíčová slovaPočítačové vidění, strojové vidění, významný bod, klíčový bod, Gaussián, SIFT, SURF
  • 2. Metody detekce obrazuHistorie zpracování obrazu v počítači má počátky v 70. letech, kdy začala být výpočetnítechnika na dostatečně vysoké úrovni pro zpracování objemu dat spojeném s obrazovouinformací. Vznikl nový obor, který se začal nazývat počítačové vidění. Tento název sepoužívá k označení obecných systémů vykonávajících automatizovanou činnost na základězpracování obrazu z kamery. Pro aplikace počítačového vidění v průmyslu se používá názevstrojové vidění. Jedním z cílů strojového vidění je automatizovat procesy, které museli ještědonedávna vykonávat lidé. Správně aplikovaný systém strojového vidění, schopný vykonávatsvou činnost bezchybně a neúnavně tak vede ke zkvalitnění a zefektivnění práce na polinejrůznějších průmyslových oborů.Zrak je pro člověka jedním z nejdůležitějších smyslů. Předává mozku většinu informacíz našeho okolí. Je tedy logické, že se vědci začali zabývat problémem strojového vidění.Přimět počítač správně obraz analyzovat a doopravdy mu „rozumět“ tak skýtá ohromnýpotenciál. Jenže co přesně znamená rozumět obrazu? Pro člověka je to přirozená vlastnostidentifikovat jednotlivé předměty na základě vlastních zkušeností a roztřídit je do různýchskupin. Stroje ale tuto schopnost nemají. Přestože jsme schopni pomocí moderních kamerdigitálně zachytit obraz ve velmi vysoké kvalitě, pro počítač je to pouze posloupnost čísel.Dovede určit barvu, tedy číselnou hodnotu každého obrazového bodu. Nedovede všakrozpoznat jednotlivé předměty, ze kterých se obraz skládá, a udělat si představu o jejichuspořádání. Proto je potřeba navrhnout algoritmy, které analyzují obrazová data a vyhledajív nich struktury a vzory vhodné k dalšímu zpracování. Rysem chytře implementovanýchsystémů je, že nezpracovávají všechny informace bez ohledu na jejich význam. Místo tohojsou schopny rozpoznat části, které jsou vhodné k dalšímu zpracování, a dále se jimpřednostně věnovat, případně nepotřebné části úplně vyloučit. Mezi vhodné části se dajízařadit oblasti s rychlou změnou intenzity, často to bývají hrany a rohy objektů. Mezi prvnípokusy o vyhledání takových míst patří Moravcův algoritmus [2] ze 70. let. Od té doby bylovyvinuto mnoho dalších algoritmů zaměřených na různé problémy při řešení nezávislosti nadeformaci obrazu.SIFT, který je momentálně nejpopulárnějším algoritmem pro detekci obrazu a za jehožvznikem stojí David G. Lowe [3], docela komplikovaný algoritmus. Používá se pro hledáníodpovídajících vzorů nebo rysů v obraze. Má hodně částí výpočtu a může se stát zavádějícím.Pro představu je tedy vhodnější následující rozdělení. Nejdříve se vytvoří měřítkověinvariantní struktura. Výsledná metoda však není jen měřítkově invariantní, jak se to můžez názvu zdát, ale je také invariantní vůči rotaci, nasvícení a úhlu pohledu kamery. Dalšímkrokem je detekce významných bodů užitím aproximace pomocí Laplaceovy funkce použiténa Gaussián. Dále nalezneme klíčové body obrazu. Jsou to body kde je Gaussián, tedy vektormaximální změny, největší. Tak pravděpodobně nalezneme místa, ve kterých je velký rozdílkontrastů, tedy hrany a rohy objektů. Málo kontrastní oblasti se odstraní. Tímto se algoritmusstane robustnějším. Dále se vypočítá orientace každého klíčového bodu. Všechny dalšívýpočty jsou prováděny relativně k orientaci, čímž se hledání objektů v obraze stane rotačněinvariantním. Posledním krokem je vytvoření unikátní stopy pomocí histogramu pro každýklíčový bod. Jestliže je například oko klíčovým místem, jsme schopni ho odlišit od ostatníchklíčových míst jako uši, nos, prsty atd.SIFT a SURF algoritmy používají mírně odlišné způsoby detekce objektů. SIFT stavípyramidu obrazů a každou vrstvu filtruje gaussovským rozostřením a následně je odčítá prodosažení největšího rozdílu. Metoda SURF funguje velice podobně, ale obsahuje navíc dalšíoptimalizace. Doba vyhodnocení těchto dvou metod je závislá na okolnostech. Ovlivňují ji
  • 3. některé faktory jako velikost a kvalita snímku, typ obrázku (scenérie nebo textura), a taképarametry algoritmů. První část pokusu [4] používá snímky stěn pomalovaných grafity.Velikost snímků je pouhých 300 x 240 pixelů. Parametry obou algoritmů mají stejnénastavení. Doba vyhodnocení se počítá pro kompletní zpracování, které obsahuje detekcii přiřazení vzorů. Přestože metoda SIFT je pomalejší, graf ukazuje větší počet nalezenýchkorespondencí. počet nalezených shod stejného obrázku užitím obou metodSURF je rychlá metoda s obstojným výkonem stejně jako SIFT, ale není stabilní vůči rotacia změnám v osvětlení. Volba metody záleží hlavně na potřebě konkrétní aplikace.Počítačové vidění je rychle se vyvíjející oblast informatiky a v současnosti na jeho rozvojipracuje spousta velkých firem včetně firmy Google. Počítačové vidění a zejména detekceobrazu totiž skrývá ohromný potenciál a využití. Už dlouho je možné v obraze strojověrozeznat obličeje, například některé digitální fotoaparáty takové funkce mají. Kdo však prvnínavrhne funkční systém, který detekované obličeje také rozezná a přiřadí je existujícímosobám, ocitne se na čele vývoje a také velmi zbohatne. Je jen otázkou času, kdo to bude.
  • 4. Literatura[1] Wikipedia, the free encyclopedia. http://en.wikipedia.org/wiki/.[2] H. P. Moravec. Towards automatic visual obstacle avoidance. In Proceedings of theInternational Joint Conference on Artificial Intelligence, Department of Computer Science,Carnegie-Mellon University, 1977[3] D. G. Lowe. Distinctive image features from scale-invariant keypoints. InternationalJournal of Computer Vision, 60(2):91-110, 2004[4] http://www.cscjournals.org/csc/manuscript/Journals/IJIP/volume3/Issue4/IJIP-51.pdf

×