Huvudsaklig krökningsbaserad regiondetektor

Den huvudsakliga krökningsbaserade regiondetektorn, även kallad PCBR , är en funktionsdetektor som används inom områdena datorseende och bildanalys . Specifikt PCBR- detektorn designad för objektigenkänningstillämpningar.

Lokala regiondetektorer kan vanligtvis klassificeras i två kategorier: intensitetsbaserade detektorer och strukturbaserade detektorer .

Intensitetsbaserade detektorer är beroende av att analysera lokal differentialgeometri eller intensitetsmönster för att hitta punkter eller regioner som uppfyller vissa unika och stabilitetskriterier. Dessa detektorer inkluderar SIFT , Hessian-affine , Harris-Affine och MSER etc.
Strukturbaserade detektorer är beroende av strukturella bildegenskaper som linjer, kanter, kurvor etc. för att definiera intressepunkter eller regioner. Dessa detektorer inkluderar kantbaserad region (EBR) och skalinvariant formegenskaper (SISF)

Ur detektionsinvarianssynpunkt kan funktionsdetektorer delas in i fasta skaldetektorer såsom normal Harris hörndetektor , skalinvariant detektor såsom SIFT och affina invariantdetektorer såsom Hessian-affine .

PCBR - detektorn är en strukturbaserad affin-invariant detektor.

Varför en ny detektor?

I många objektigenkänningsuppgifter kan förändringar inom klassen i pose, ljus, färg och textur orsaka avsevärd variation i lokala intensiteter. Följaktligen ger lokal intensitet inte längre en stabil detekteringssignal. Som sådan misslyckas ofta intensitetsbaserade intresseoperatörer (t.ex. SIFT , Harris-Affine ) – och objektigenkänningssystem baserade på dem – att identifiera diskriminerande egenskaper. Ett alternativ till lokala intensitetssignaler är att fånga semi-lokala strukturella ledtrådar som kanter och kurvlinjära former. Dessa strukturella signaler tenderar att vara mer robusta för intensitet, färg och posevariationer. Som sådana ger de grunden för en mer stabil intresseoperatör, vilket i sin tur förbättrar objektigenkänningsnoggrannheten. PCBR- detektor utvecklades för att utnyttja dessa mer pålitliga bildstrukturella signaler.

Algoritmbeskrivning

Steg 1: Detektering av kurvlinjär struktur

Som en strukturbaserad detektor använder PCBR inte kanter, istället använder den kurvlinjära strukturer, även kallade åsar . Detektering av kurvlinjära strukturer genererar ett enda svar för både linjer och kanter, vilket ger en tydligare strukturell skiss av en bild än vad som vanligtvis tillhandahålls av bilden med gradientstorlek. Stegers algoritm är modifierad för att få de kurvlinjära bilderna. Eftersom endast det första steget i denna algoritm används, vilket är att beräkna de huvudsakliga krökningsbilderna, används den huvudsakliga krökningen som namnet på denna detektor. För att få den huvudsakliga krökningen beräknas den hessiska matrisen :

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

där $L_{aa}(\mathbf {x} )$ är en andra partiell derivata av bilden utvärderad vid punkt x i a { $displaystyle a}$ -riktningen och $L_{ab}(\mathbf {x} )$ är den blandade partiella andraderivatan av bilden utvärderad vid punkt x i riktningarna $a$ och ${\displaystyle b} .$ De maximala och lägsta egenvärdena för denna matris bildar två bilder som motsvarar vita linjer på svart bakgrund och svarta linjer på vit bakgrund.

Steg 2: Söker egenskaper och robusthet i skalutrymme

För att göra den här detektorns skala invariant och förbättra detektionens robusthet, simuleras processen för David Lowes SIFT- detektor för att detektera den huvudsakliga kurvlinjära strukturen i skalutrymmet. Lokala maximala bilder av huvudsakliga krökningsvärden används för att definiera regioner.

Steg 3: Definiera regioner med förbättrade vattendelarealgoritmer

De huvudsakliga krökningsbilderna rensas genom en morfologisk stängning och egenvektor - flödesstyrd hysteres-tröskel. Sedan tillämpas traditionell vattendelare-algoritm på bilder för att förvärva regioner.

Steg 4: Val av stabil region

I likhet med processen att välja stabila regioner via tröskelvärde i MSER , väljs stabila regioner över lokala skalförändringar. För att uppnå detta beräknas överlappningsfel över varje triplett av på varandra följande skalor. Om regionöverlappningsfelet är större än 90 % behålls endast en region. Om felet är större än 70 % och mindre än 90 % behålls alla regioner. Om överlappningen är mindre än 70 %, kassera dessa regioner. Dessa siffror bestäms av analysen av känsligheten hos SIFT -deskriptorn.

Hur skiljer sig PCBR?

Det är en strukturbaserad detektor.
Den är utformad för att hantera variationer inom klass.
Det används när den lokala intensiteten inte är stabil.
Den upptäcker en semi-lokal karakteristisk region.

Programvarupaket

Binär kod för en implementering av PCBR kan laddas ner från Tom Dietterichs webbsida.

Se även