CC BY
23APRIL 27-28, 2023
KOMPYUTER KO'RISH USULLARI ANALIZI Allamuratova Zamira Jumamuratovna1 Kudratov Sultan Gulamovich2 , Muxammedinov
Kobeysin Kuanishovich3
1Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti, « Axborot kompyuter texnologiya va dasturlash » kafedra mudiri,
2Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti, « Axborot kompyuter texnologiya va dasturlash » kafedrasi dotsenti,
3Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyakri universiteti, « Axborot kompyuter texnologiya va dasturlash » kafedrasi doktoranti https://doi.org/10.5281/zenodo.7859993
Abstract. The main principle of the image detection (classification) approach in computer vision, the time of its appearance, and the main results are analyzed. A large amount of 2D image data is available from digital cameras. When identifying (or classifying) a computer object, the data must be transformed into an immutable internal representation of the object. In this research, computer vision methods were analyzed and data matching in image processing was studied.
Keywords: Computer vision, object, image, segmentation, corner, blob.
Kirish
Kompyuter ko'rish sohasining kichik bo'limi sifatida bir qator tasvirlar bo'ylab tasvirlarni avtomatlashtirilgan tanib olish va keyingi kuzatish texnologiyasi hozirda katta amaliy qiziqish uyg'otmoqda. Oxirgi 10 yil ichida naqshni aniqlash usullaridan amaliy foydalanishda sezilarli natijalarga erishildi. Hozirgi vaqtda turli xil dolzarb muammolarni hal qilishda ushbu usullardan foydalanishni osonlashtirish uchun turli xil kutubxonalar va asboblar to'plami yaratilgan va ishlab chiquvchilar tomonidan faol qo'llab-quvvatlangan. Uskunaning rivojlanishi, xususan, taqiladigan elektronikaning hisoblash quvvatining oshishi va bulutli hisoblash tizimlarining keng tarqalishi nafaqat ilmiy va muhandislik faoliyati sohasida, balki hamma joyda kompyuter ko'rish algoritmlariga asoslangan dasturiy mahsulotlardan foydalanish imkonini beradi.
Ushbu omillar natijasida yuzaga keladigan amaliy muammolarning xilma-xilligi nafaqat keng algoritmik asboblar to'plamini, balki foydalanuvchi darajasida ushbu muammolarni hal qilishni osonlashtiradigan murakkab dasturiy mahsulotlarni ham talab qiladi [1].
Tasvir segmentatsiyasi
Segmentatsiya - bu raqamli tasvirni bir nechta piksellar to'plamiga bo'lish yoki bir xil tegli piksellar umumiy vizual xususiyatlarga ega bo'lishi uchun har bir pikselga teglar belgilash jarayonidir [2]. Segmentatsiyadan maqsad tasvirni tahlil qilish osonroq bo'lishi uchun tasvirni soddalashtirishdir. Segmentatsiya natijasida tasvirlardagi chegaralar va ob'ektlar odatda farqlanadi.
Xuddi shu segmentlarga tegishli piksellar ba'zi hisoblangan xarakteristikalar bo'yicha o'xshash (masalan, rang, yorqinlik), qo'shni elementlar esa sezilarli darajada farqlanadi (1-rasmga muvofiq).
APRIL 27-28, 2023
1-rasm. Tasvirni segmentlash misoli
Shablonni moslashtirish
Shablon bo'yicha tasvirdagi ob'ektlarni qidirish g'oyasi kerakli ob'ektni tasvirlaydigan shablonni qayta ishlangan tasvirning pastki qismlari bilan solishtirishdir (2-rasmga muvofiq).
[3].
Matched Points (including outliers)
2-rasm. Ob'ektlarni qidirish
Xususiyatlarni aniqlash
Xususiyatlarni aniqlash usuli yuqoridagi kamchiliklarni bartaraf etish uchun mo'ljallangan. Belgilar yoki xususiyatlar, bu kontekstda tasvirning xarakterli mahalliy xususiyatlari deb ataladi. Eng oddiylari - burchaklar, qirralar. Bu holda ob'ektni qidirish ishlov berilayotgan ramkaning xarakterli belgilarini va kerakli ob'ektni tasvirlaydigan shablonni taqqoslashga asoslanadi [4].
Mahalliy xususiyatlar takrorlanadigan ( video ketma-ketligi davomida burchak yoki yorug'likning o'zgarishiga chidamli), ixcham (ularning soni tasvir piksellarining umumiy sonidan sezilarli darajada kam bo'lishi kerak), noyob (har bir xususiyat o'z tavsifiga ega bo'lishi kerak) bo'lishi kerak.
Detektorlar xarakterli xususiyatlarni aniqlash uchun ishlatiladi. Eng keng tarqalganlaridan biri bu Xarris detektori bo'lib, u tasvirdagi "burchak" kabi xususiyatlarni taniydi.
Burchak detektorlarining kamchiliklari bor: tasvirni o'lchashga sezgirlik. Bunga yo'l qo'ymaslik uchun tomchilar (inglizcha blob) tushunchasi taklif qilindi - markazda joylashgan yagona nuqta bilan ko'z yoshi shaklidagi maydonchalar. Eng keng tarqalgan blob usullaridan biri
APRIL 27-28, 2023
LoG (Gaussning Laplacian). LoG - tasvirga Gauss operatori va Laplas operatorini ketma-ket qo'llaydigan filtr (3-rasmga muvofiq). Gauss farqiga asoslangan DoG detektori ham keng tarqalgan .
3-rasm. Tasvirga Log filtrini qo'llash natijasi Yagona nuqtalarni topgach, ularni solishtirish kerak. Bu xususiyatlarni ixcham ifodalash usulini talab qiladi. Amaliy masalalarda SIFT (Scale-Invariant xususiyat transformatsiyasi)
deskriptori va uning hosilalari , masalan, SURF, mos yozuvlar sifatida qabul qilinadi.
Kategorik tan olish
Xususiyatlarni aniqlash usullari tasvirlar ma'lumotlar bazasi orqali qidirish muammosini hal qilish uchun juda mos keladi. [5]. Ko'rib chiqilayotgan muammoni xususiyatlarni aniqlash usullari bilan hal qilish mumkin edi, ammo bu holda juda ko'p sonli standartlarni yaratish va ishlab chiqilgan dasturning ishlashi davomida ularning har biri bilan ramkani solishtirish uchun ko'p vaqt sarflash kerak bo'ladi. Buni ob'ektlarni tasniflash yoki toifali tan olish asosidagi qarorlarning boshqa toifasi orqali oldini olish mumkin [6]. U ikkita asosiy elementdan iborat: xususiyatlar yoki deskriptorlar to'plamini aniqlash va klassifikatorni mashinada o'rganish.
Xususiyatlar to'plami sifatida, masalan, yo'nalishli gradientlar gistogrammasi (HOG) yoki Haar xususiyatlaridan foydalanish mumkin.
HOG xususiyatlari tasvirning mahalliy joylarida gradient yo'nalishlari sonini hisoblashga asoslangan. HOG bir xil taqsimlangan hujayralarning zich panjarasida hisoblanadi (4-rasmga qarang).
Klassifikator yaratish uchun mashinani o'rganish qo'llaniladi. Klassifikator ob'ektga qaysi xususiyatlar tegishli ekanligini aniqlash uchun ishlatiladi. Shu bilan birga, bu xususiyatlarning ba'zi bazasi mashg'ulotlar uchun ishlatiladi.
4-rasm. HOG
generatsiyasi -tasvirning xususiyatlari
APRIL 27-28, 2023
Yuqoridagi yondashuvlarning afzalliklari va kamchiliklari 1-jadvalda keltirilgan.
1-jadval
Usui sinf nomi Afzalliklar Kamchiliklar
Segmentatsiya [2] O'rganilayotgan ob'ektlar fonning qolgan qismidan ba'zi parametrlarda sezilarli darajada farq qiladigan holatlarda foydalanish qulayligi (bio-informatika, materiallardagi nuqsonlarni qidirish kabi mavzular). Usullarning kam universalligi, har bir alohida holatda tanib olish algoritmi parametrlarini nozik sozlash zarurati, sahna yoritilishidagi o'zgarishlarga yuqori sezuvchanlik.
Naqsh qidirish [3] Kamera statik bo'lgan va kerakli ob'ektlarning barcha nusxalari bir xil ko'rinishga ega bo'lgan sahnalarni tahlil qilishda yaxshi qo'llanilishi mumkin (masalan, yig'ish liniyasidagi qismlarni tanib olishda). Tasvirlarni masshtablash, o'zgartirish, aylantirish holatlarida, shuningdek, tan olingan ob'ekt to'liq ko'rinmaydigan hollarda beqaror ishlash.
Xususiyatlarni aniqlash [4] Kichik aylanishlarga, ob'ektlarning masshtabiga, sahna yoritilishidagi o'zgarishlarga o'zgarmaslik. Ob'ektni sinfning namunasi sifatida belgilashning mumkin emasligi, dinamik o'zgaruvchan ob'ektlarni tanib olishning qiyinligi.
Kategorik tan olish -[6] Ob'ektni qidirishning yuqori tezligi, ko'rib chiqilayotgan yondashuvlar orasida tanib olishning eng yaxshi sifati (klassifikatorni tayyorlash sifatiga bog'liq). Ob'ekt tasniflagichi uchun uzoq o'qitish vaqti, o'quv namunasini shakllantirish uchun kerakli ob'ektning ko'p sonli tasvirlariga ehtiyoj.
Xulosa
Xususiyatlarni aniqlash usullari tasvirlar bilan ishlashda juda ahamiyatga ega va kompyuter ko'rish bilan ko'plab sohalar kabi tasvirlarni tanish va moslashtirish uchun qo'llanish muhimdir. Ushbu ishda biz bir nechta kompyuter ko'rish usullarini ko'rib chiqdik va analiz qildik.
Kompyuterni ko'rish muammolarini hal qiluvchi dasturiy ta'minotni ishlab chiqish vositasi sifatida MATLAB Computer Vision System Toolbox kutubxonasining qulayligi va yuqori unumdorligi eksperimental sinovdan o'tkazildi.
REFERENCES
1. Волосатова Т.М., Чичварин Н.В., Афиногенов Е.И. Специализированное АРМ для проектирования программного обеспечения комплексов навигации и воздушной разведки // Наука и образование: электронное издание МГТУ им. Н.Э. Баумана. 2013.
943
APRIL 27-28, 2023
№ 8. С. 353 - 370. Режим доступа: http://technomag.bmstu.ru/doc/585918.html (дата обращения: 07.05.2015). D01:7463/0813.0585918
2. Arbelaez P., Maire M., Fowlkes C., Malik J. Contour Detection and Hierarchical Image Segmentation // IEEE TPAMI. 2011. Vol. 33(5). Pp. 898-916. DOI: 10.1109/TPAMI.2010.161
3. Brunelli R. Template Matching Techniques in Computer Vision. Theory and Practice. New York: Wiley. 2009. 348 p.
4. Lowe D.G. Object recognition from local scale-invariant features // International Conference on Computer Vision - ICCV. 1999. Vol. 2. Pp. 1150-1157. DOI: 10.1109/ICCV.1999.790410
5. Dalal N., Triggs B. Histograms of oriented gradients for human detection // IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2005. Vol. 1. Pp. 886893. DOI: 1109/CVPR.2005.177
6. Компьютерное зрение в MATLAB для задач детектирования и слежения / Videos and Webinars. // MathWorks. Режим доступа: http://www.mathworks.com/videos/computer-vision-with-matlab-87719.html (дата обращения: 21.05.2015).
7. Волосатова Т. М., Яблоков В. Е. Слежение за выделенными объектами на протяжении видеоряда // Россия, МГТУ им. Н.Э. Баумана. 2015. 518-531. Эл No. ФС77-51036. ISSN 2307-0595
8. https://www.mathworks.com
