Description of interest regions with LBP

D e s c r i p t i o n o f I n t e r e s t R e g i o n s w i t h L o c a l B i n a r y P a t t e r n s M Ô T Ả V Ù N G Q U A N T Â M V Ớ I M Ô H Ì N H N H Ị P H Â N C Ụ C B Ộ N h ó m t h ự c h i ệ n : N g u y ễ n H u y L i n h N g u y ễ n T h ị H à G i á o v i ê n h ư ớ n g d ẫ n : P h a n T h ị H ả i H ồ n g 1 NỘI DUNG TÁC GIẢ KHÁI QUÁT CHUNG TỪ KHÓA 1.GIỚI THIỆU 2.PHƯƠNG PHÁP SIFT VÀ LBP 3.ĐỐI XỨNG TÂM LBP 4.MÔ TẢ CS-LBP 5.ĐÁNH GIÁ THỬ NGHIỆM 6.KẾT LUẬN 2 TÁC GIẢ 3 KHÁI QUÁT CHUNG: Bài viết này trình bày một phương pháp mới để mô tả vùng quan tâm. Chúng tôi đã thông qua ý kiến cho rằng sự xuất hiện của một vùng quan tâm có thể được đặc trưng tốt bởi các đặc trưng (trên mỗi) vùng của nó. Mô tả hoàn thiện nhất đã được xây dựng dựa trên ý tưởng này là mô tả SIFT sử dụng gradient như đặc trưng vùng. Trong bài viết này, chúng tôi giới thiệu một kết cấu đặc trưng mới, gọi là CS-LBP, là bản chỉnh sửa của đặc trưng LBP nổi tiếng. Kết hợp có chọn lọc những thế mạnh của SIFT và LBP, chúng tôi sử dụng CS-LBP như đặc trưng cục bộ trong thuật toán SIFT. Kết quả của mô tả được gọi là mô tả CS-LBP. 4 Từ khóa: Mô tả vùng, phát hiện vùng, mô hình nhị phân cục bộ (LBP), SIFT, trùng lặp hình ảnh, công nhận đối tượng 5 1. GIỚI THIỆU  Phát hiện đặc trưng vùng của hình ảnh và mô tả những gì nhận được gây được rất nhiều chú ý trong những năm gần đây.  Ý tưởng cơ bản là trước tiên phát hiện vùng quan tâm có sự biến đổi so với 1 lớp chuyển đổi.  Sau đó, với mỗi vùng phát hiện được, một mô tả bất biến sẽ được xây dựng.  Một khi chúng ta có sự tính toán các mô tả, chúng ta có thể thấy được những vùng trùng lặp giữa các ảnh. 6 1. GIỚI THIỆU  Các vùng quan tâm được sử dụng làm đầu vào của phương pháp mô tả vùng được cung cấp bởi thiết bị dò vùng quan tâm.  Có rất nhiều cách tiếp cận khác nhau để dò tìm khu vực đã được đề xuất; lấy ví dụ, một số máy dò phát hiện góc giống như vùng trong khi những máy khác lại trích xuất các đốm màu.  Bài viết này tập trung vào mô tả vùng quan tâm, chúng tôi mời độc giả theo dõi để [6] có thêm thông tin về việc phát hiện vùng quan tâm. 7 1. GIỚI THIỆU  Với việc phát hiện vùng quan tâm, nhiều cách tiếp cận khác nhau để mô tả vùng quan tâm đã được chúng tôi đề xuất.  Các phương pháp nhấn mạnh những thuộc tính hình ảnh khác nhau như cường độ pixel, màu sắc, kết cấu và các cạnh. Nhiều đề xuất mô tả dựa trên sự phân phối, nghĩa là sử dụng biểu đồ để đại diện cho những đặc điểm khác nhau xuất hiện hay những hình dạng. 8 1. GIỚI THIỆU  Mô tả SIFT [3] là biểu đồ 3D của vị trí gradient và định hướng nơi đóng góp vào vị trí và hướng là weighted bởi cường độ dốc và một cửa sổ Gaussian bao trùm vùng.  Tương tự mô tả SIFT là mô tả GLOH [7], thay thế lưới vị trí Cartesian thường được SIFT với một log-polar, và áp dụng PCA vào giảm kích cỡ của mô tả.  Mô tả SURF xây dựng trên những thế mạnh của máy phát hiện và mô tả sự tồn tại chủ đạo (leading). Nó đó dựa trên ma trận Hessian để phát hiện và phản hồi Haar wavalet để mô tả. 9 1. GIỚI THIỆU  Một vài nghiên cứu gần đây so sánh các mô tả vùng [15, 7, 16]. Hầu như không có ngoại lệ, những kết quả tốt nhất được báo cáo đều dành cho mô tả dựa trên sự phân bổ (distributionbased) cũng như SIFT.  Gần đây, một nghiên cứu về mô tả vùng đã được công bố. Các tác giả phân tách tiến trình khai thác mô tả ra một số modules và đặt chúng vào những sự kết hợp khác nhau. Có rất nhiều sự kết hợp được phát triển để các mô tả được công bố như SIFT nhưng nhiều trong số chúng chưa được kiểm tra. 10 [...]... chúng tôi đề xuất LBP mới dựa trên những đặc trưng kết cấu, gọi là mô hình LBP đối xứng (CS -LBP) , nó phù hợp hơn cho những vấn đề nhất định 12 1 GIỚI THIỆU • Trong bài viết này, chúng tôi đề xuất một mô tả vùng quan tâm mới, ký hiệu là mô tả CS -LBP, kết hợp những đặc tính tốt của SIFT và LBP Điều này đạt được bằng cách áp dụng mô tả SIFT và sử dụng những đặc trưng mới (novel) CS -LBP thay vì đặc trưng... với SIFT Nó cũng có vẻ mạnh mẽ hơn trong việc thay đổi ánh sáng so với mô tả SIFT 13 2 Phương pháp SIFT và LBP • Trước khi trình bày chi tiết toán tử CS -LBP và mô tả CS -LBP, chúng tôi cung cấp một đánh giá ngắn về phương pháp SIFT và LBP làm cơ sở cho công việc của chúng ta 14 2 Phương pháp SIFT và LBP 2.1 Mô tả SIFT (1/2) • Mô tả SIFT là một biểu đồ 3D vùng gradient và định hướng Vị trí được lượng tử... minh là chống lại sự thay đổi ánh sáng mạnh mẽ, chúng rất nhanh cho việc tính toán, và không đòi hỏi quá nhiều thông số thiết lập [21] 18 2 Phương pháp SIFT và LBP 2.2 Hệ thống LBP (3/3) 19 3 ĐỐI XỨNG TÂM LBP 2.2 Đối xứng tâm LBP • • Toán tử LBP, mô tả trong phần 2.2, tạo ra các biểu đồ khá dài và do đó rất khó sử dụng trong nội dung mô tả vùng Để giải quyết vấn đề, chúng ta sửa đổi scheme làm sao để... 8 điểm, LBP tạo ra 256 (28) mô hình nhị phân khác nhau, trong khi đó, CS -LBP là 16 (24) Hơn nữa, sự mạnh mẽ trong vùng ảnh phẳng thu được bởi sự khác biệt các ngưỡng graylevel với một giá trị T nhỏ như đề xuất trong [23]: 20 4 Mô tả CS -LBP 4.1 Khai thác các đặc tính với CS -LBP 4.2 Đặc trưng weighting 4.3 Xây dựng mô tả 4.4 Chuẩn hóa (normalized) mô tả 4.5 Độ phức tạp tính toán 21 4 Mô tả CS -LBP 4.1... để lựa chọn giá trị tham số trong hình 2 Mô tả CS -LBP: (a) Một vùng ảnh elip phát hiện bởi máy dò Hessian-Affline (b) Vùng với lưới vùng Cartesian sau khi chuẩn hóa (normalized) affine (c) Kết quả mô tả CS -LBP tính toán cho vùng chuẩn hóa (normalized) Cũng như các ứng dụng khác nữa 22 4 Mô tả CS -LBP 4.1 Khai thác các đặc tính với CS -LBP 23 4 Mô tả CS -LBP 4.2 • Đặc trưng weighting Một weighting có liên... (renormalized) v ề đ ơn v ị chi ều dài 27 4 Mô tả CS -LBP 4.5 • Độ phức tạp tính toán Trong phần này, chúng tôi thấy rằng sự phức t ập về tính toán c ủa các mô t ả CS -LBP là ít h ơn so v ới SIFT Th ực t ế là 2 mô t ả bao g ồm các b ước t ương t ự cho phép chúng ta so sánh mỗi bước một lần Bảng 1 cho biết thời gian cho mô t ả CS -LBP (CS -LBP2 ,8,0.01 và CS -LBP2 ,6,0.01) và mô t ả SIFT • Theo như kết quả, mô... trưng CS -LBP bị lượng tử hóa bởi bản chất của nó 26 4 Mô tả CS -LBP 4.4 • Chuẩn hóa (normalized) mô tả Mô tả cuối được xây dựng bằng cách ghép các biểu đồ đặc trưng tính toán cho các ô đ ể t ạo thành m ẫu MxMx2N/2 chi ều vecto, trong đó, M và N t ương ứng là kích thước lưới và kích thước CS -LBP liền kề Cho (M = 3, N = 6), (M =3, N = 8), (M = 4, N = 6) và (M = 4, N= 8), đ ộ dài c ủa mô t ả CS -LBP t ương... dụng lưới Cartesian 3x3 (9 ô) hoặc 4x4 (16 ô) Ứng với mỗi ô, một biểu đồ CS -LBP được xây dựng Như vậy, kết quả mô tả là biểu đồ 3D của đặc trưng vùng CS -LBP và những giá trị Như đã giải thích trước đó, số lượng giá trị đặc trưng khác nhau (2 toán tử CS -LBP lựa chọn 25 N/2 ) phụ thuộc vào kích thước điểm lân cận (N) mà 4 Mô tả CS -LBP 4.3 • Xây dựng mô tả Để tránh những tác động gianh giới trong đó mô tả... giữa 8 bins Tương tự, kích thước của mô tả CS -LBP là x, y, và giá trị CS -LBP Sự khác biệt để mô tả SIFT là nội suy là chỉ sự cần thiết cho kích thước x và y Điều này là do giá trị CS -LBP được lượng tử hóa bản chất của nó Do đó, mỗi weight được chia sẻ giữa 4 bins Rõ ràng rằng, bilinear interpolation tính toán hiệu quả hơn so với một trilinear 30 4 Mô tả CS -LBP 4.5 • Độ phức tạp tính toán Chuẩn hóa (normalized)... SIFT và LBP 2.2 Hệ thống LBP (2/3) • Từ mối tương quan giữa các điểm ảnh với khoảng cách, rất nhiều thông tin kết cấu thu được từ các vùng lân cận Do đó, bán kính R thường được giữ nhỏ Trong thực tế, (1) có nghĩa là những dấu hiệu của sự khác biệt trong một vùng lân cận được hiểu là một số nhị phân N bit, kết quả là 2N giá trị riêng biệt cho các mô hình nhị phân Từ đó, dễ dàng tìm ra rằng LBP có một . kết cấu đặc trưng mới, gọi là CS -LBP, là bản chỉnh sửa của đặc trưng LBP nổi tiếng. Kết hợp có chọn lọc những thế mạnh của SIFT và LBP, chúng tôi sử dụng CS -LBP như đặc trưng cục bộ trong thuật. SIFT. 13 2. Phương pháp SIFT và LBP • Trước khi trình bày chi tiết toán tử CS -LBP và mô tả CS -LBP, chúng tôi cung cấp một đánh giá ngắn về phương pháp SIFT và LBP làm cơ sở cho công việc của. hỏi quá nhiều thông số thiết lập [21]. 18 2. Phương pháp SIFT và LBP 2.2 Hệ thống LBP (3/3) 19 2.2 Đối xứng tâm LBP • Toán tử LBP, mô tả trong phần 2.2, tạo ra các biểu đồ khá dài và do đó rất