سه شنبه 26 تیر 1397 | Tuesday 17 th of July 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
4 - 2 - 2 - 4 - شناسایی شی

هر ناحیه از مجموعه Rکه در گام جستجوی اولیه تعیین شد‌، به صورت جداگانه بررسی می‌شود ‌. فرض کنید فضای جستجوی Riبررسی شده است ‌. همچنین می‌پذیریم که تصویر مدل Mدارای ابعاد mm´nmاست و این کوچک ترین اندازه ممکن برای شی موجود در تصویر جستجو است ‌. همچنین niو miابعاد ناحیه Riاست‌. بزرگ ترین مقیاسی که مدل Mمی‌تواند در ناحیهRiداشته باشد به صورت زیر محاسبه می‌شود :

با توجه به عوامل مقیاس گذاری[1] که بین 1 تا gHهستند ‌، اشیایی با اندازه‌های دلخواه را جستجو می‌کنیم ‌.

اگرچه تعیین عامل‌های مقیاس گذاری ‌، مهم است اما ان چه با اهمیت تر است ‌، تطبیق اندازه‌های شی مدل و ناحیه جستجو می‌باشد‌، زمانی که یکی کوچک تر و دیگری بزرگ تر است ‌. اگر مقیاس‌های مورد بررسی {g0,g1,g2,…,gn}باشند‌، g0=1و gj+1=agjمی‌باشد که aیک عدد ثابت بزرگ تر از یک (مثلاً 1/1 ) است‌.

 فضای جستجو Riبا توجه به ابعاد پنجره جستجو که برابر gLmm´gLnmاست ‌، جستجو می‌شود ‌. این پنجره هر بار به اندازه Dxو Dyجلو می‌رود که Dxو Dyدارای مقادیر ثابت هستند ( مثلاًبرابر با10 پیکسل هستند)‌. به عبارت دیگر ‌، مجموعه مکان هایی از ناحیه Riکه پنجره جستجو در ان‌ها قرار می‌گیرند ‌، به صورت زیر است :

اکنون به یک متریک برای بررسی میزان تشابه مدل و پنجره جستجو ‌، نیازمندیم ‌. متریک‌های فاصله نرمال شده L1و Intersection Histogramدر برخی از کارهای گذشته برای محاسبه نمودار‌ها مطرح شده‌اند ‌. اما این دو متریک مشکلاتی دارند ‌. فاصله L1‌، از روش bin –by –binبرای مقایسه نمودارها استفاده می‌کند و به این ترتیب علاوه بر شی هدف ناحیه هایی که حاوی زمینه هستند نیز بررسی می‌شوند ‌.

متریک Histogram intersectionنیز سعی در انجام این امر دارد ‌، اما باعث ایجاد خطاهای زیادی می‌شود‌‌. در الگوریتم اصلی CCHنیز از این متریک استفاده شده است‌.

در مقاله منتخب یک مقیاس تشابه برای غلبه بر مشکلات بالا ارائه شده است که تنها بر رنگ‌های لبه‌ای تأکید دارد ‌. این متریک برای محاسبه انطباق مدل Mو ناحیه جستجو از تصویر Ir‌، به این روش عمل می‌کند : فرض کنید CmنمودارCECHمربوط به Mو Crنمودار مربوط به Ir باشد ‌. ابتدا میانگین نمودار Cmاز تک تک

عناصرش کم می‌شود ‌. به همین صورت میانگین عناصر Crنیز از تک تک عناصرش کم می‌شود ‌. سپس ‌، با توجه به رابطه زیر که مبتنی بر رگرسیون خطی عنصر به عنصر[2] بین Cmو Crاست‌، عدد bرا مشخص می‌کنیم:

بهترین مقدار برای bو ضریب همبستگیcc‌، زمانی حاصل می‌شود که ماتریس eبر مبنای قاعده حداقل مربعات[3] با استفاده از فرمول رگرسیون خطی استاندارد ‌، کمینه شود ‌. یک ضریب همبستگی[4] بالا ‌، باعث به وجود امدن تناسب و تشابه بیش تر بین نمودارهای Cmو Crاست‌، بنابراین میانگین عناصر در هر دو نمودار CECHبا هم متناسب است و یک مقدار نزدیک به یک برای bنشان دهنده ان است که اندازه ناحیه مورد جستجو Ir‌، به اندازه شی هدف نزدیک است ‌. با توجه به این دو قاعده‌، یک معیار تشابه مانند زیر تعریف می‌کنیم :

به طوری که k1‌ ، یک ثابت بین صفر و یک است (به عنوان مثال 1/0=k1)‌.

لگاریتم تضمین می‌کند که عمل انطباق‌، برای تعداد n‌های بسیار بزرگ به همان انداه انجام شود که برای n‌های کوچک انجام می‌شود ‌. همچنین باید ازمایش شود که ایا مقدار مشابهی از رنگ‌ها در هر دو ناحیه وجود دارد یا خیر‌. به این منظور ‌، نمودار رنگی Mو Irرا محاسبه کرده و ان‌ها را CHmو CHrمی‌نامیم ‌. بر مبنای این دو نمودار ‌، یک معیار تشابه[5] مبتنی بر رنگ به نام Dcبه صورت زیر تعریف می‌کنیم :

به طوری که k2‌ ، یک ثابت بین صفر و یک ( به عنوان مثال 1/0k2=) است ‌. سر انجام معیار نهایی شباهت بین دو تصویر با استفاده از رابطه زیر تعیین می‌شود :

 به طوری که k3‌، یک مقدارثابت بین صفر و یک (به عنوان مثال 5/0k3=) است ‌.

به منظور شناسایی شی هدف ‌، معیار شباهت Dبین هر پنجره جستجو و تصویر مدل ‌، محاسبه می‌شود ‌. ابعاد پنجره‌ها با توجه به بهترین مقدار محاسبه شده gi‌، انتخاب می‌شوند ‌. اگر معیار شباهت برای پنجره جستجو با تصویر مدل بیش از یک مقدار استانه[6] معین باشد ‌، ان ناحیه را به عنوان شی هدف می‌شناسیم (به عنوان مثال مقدار استانه برابر 6/0 باشد )‌. اگر تصور مدل Mدارای نسبت ابعاد نزدیک به یک باشد ( دایره یا مربع شکل باشد ) به دلیل ویژگی نا متغیر بودن نمودار CECHنسبت به دوران ‌، جستجو نامتغیر با دوران ‌، خود به خود حاصل می‌شود ‌. در سایر موارد ‌، روال جستجو باید به ازای چند جهت مختلف از تصویر مدل تکرار شود ‌، اما با توجه به تجربیات به دست امده ‌، در اغلب موارد تنها جستجو به ازای دو جهت ( افقی و عمودی ) کافیست‌، حتی اگر شی هدف جهت دیگری داشته باشد ‌.


[1]Scale factors

[2]bin-by-bin linear regression

[3]Least-squares criterion

[4]correlation coefficient

[5]similarity measure

[6]threshold 

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26