НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
doi: 10.17586/2226-1494-2021-21-2-206-224
УДК 004.852
Инвариантный к линейным конформным преобразованиям алгоритм обнаружения размытого изображения целевого объекта малого размера
Читать статью полностью
Ссылка для цитирования:
Тимофеев А.В. Инвариантный к линейным конформным преобразованиям алгоритм обнаружения размытого изображения целевого объекта малого размера // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 2. С. 206–224. doi: 10.17586/2226-1494-2021-21-2-206-224
Аннотация
Предмет исследования. Предложен новый, практически эффективный метод обнаружения и оценивания координат центра изображения целевого объекта малого размера на зашумленной сцене. Метод является инвариантным к линейным конформным преобразованиям (поворот, сдвиг и масштаб). Метод. Рассмотрен бинарный классификатор, который принимает решение: содержит ли конкретный участок сцены искомое изображение или только фон? В основе предложенного подхода лежит интерактивная процедура поиска экстремума функции, которая аппроксимирует функцию правдоподобия бинарного классификатора. Для реализации поиска экстремума использована двухэтапная процедура на основании метода Нелдера–Мида. С целью обеспечения устойчивости к помехам и линейным конформным преобразованиям, при обучении классификатора применены как специальные методы обучения, так и подход, основанный на использовании ансамбля классификаторов, каждый из которых соответствует определенному масштабу. Основные результаты. Создан метод обнаружения размытого изображения объекта малого размера на сцене, зашумленной коррелированной помехой, с одновременным оцениванием координат центра искомого изображения. Метод устойчив к линейным конформным преобразованиям и успешно протестирован как на модельных, так и на реальных изображениях. Робастность метода к коррелированной помехе аддитивного типа, а также устойчивость к линейным конформным преобразованиям подтверждена результатами численного исследования. В рамках предложенного подхода, формально решена задача построения доверительного множества для координат центра искомого изображения, а также численно исследована эффективность полученного решения. Свойства доверительного множества оформлены в виде теоремы. Выполнено сравнение с классическим, корреляционно-экстремальным методом. При необходимости, предложенный метод легко обобщается на случай мультиклассовой постановки задачи. Практическая значимость. Метод может быть использован в системах машинного зрения, в том числе для оперативного анализа данных аэрофотосъемки, а также в системах видеоконтроля механического состояния сложного технического оборудования в условиях сильных метеорологических помех.
Список литературы
- Lowe D.G. Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image. Patent US 6711293B1. 2004.
- Bay H., Ess A., Tuytelaars T., Van Gool L. Speeded-Up Robust Features (SURF) // Computer Vision and Image Understanding. 2008. V. 110. N 3. P. 346–359. doi: 10.1016/j.cviu.2007.09.014
- Rublee E., Rabaud V., Konolige K., Bradski G. ORB: An efficient alternative to SIFT or SURF // Proc. 2011 International Conference on Computer Vision (ICCV). 2011. P. 2564–2571. doi: 10.1109/ICCV.2011.6126544
- Rosten E., Drummond T. Fusing points and lines for high performance tracking // Proc. 10th IEEE International Conference on Computer Vision (ICCV). 2005. V. 2. P. 1508–1515. doi: 10.1109/ICCV.2005.104
- Vijaya Kumar B.V.K., Mahalanobis A., Juday R.D. Correlation Pattern Recognition. Cambridge University Press, 2005. 390 p. doi: 10.1017/CBO9780511541087
- Тарасенко В.П., Тимофеев А.В. Доверительное оценивание точности совмещения в корреляционно-экстремальных системах // Автометрия. 1990. № 4. P. 106–111.
- Kober V., Campos J. Accuracy of location measurement of a noisy target in a nonoverlapping background // Journal of the Optical Society of America A. 1996. V. 13. N 8. P. 1653–1666. doi: 10.1364/JOSAA.13.001653
- Kim H.Y., De Araújo S.A. Grayscale template-matching invariant to rotation, scale, translation, brightness and contrast // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2007. V. 4872. P. 100–113. doi: 10.1007/978-3-540-77129-6_13
- Korman S., Reichman D., Tsur G., Avidan S. FAsT-Match: Fast Affine Template Matching // Proc. 26th IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2013. P. 2331–2338. doi: 10.1109/CVPR.2013.302
- Rüping S. Robust Probabilistic Calibration // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2006. V. 4212. P. 743–750. doi: 10.1007/11871842_75
- Timofeev A.V. Non-asymptotic sequential confidence regions with fixed sizes for the multivariate nonlinear parameters of regression // Statistical Methodology. 2009. V. 6. N 5. P. 513–526. doi: 10.1016/j.stamet.2009.05.002
- Timofeev A.V. The guaranteed estimation of the Lipschitz classifier accuracy: confidence set approach // Journal of the Korean Statistical Society. 2012. V. 41. N 1. P. 105–114. doi: 10.1016/j.jkss.2011.07.005
- Timofeev A.V. Nonasymptotic confidence sets of prescribed dimensions for parameters of nonlinear regressions // Automation and Remote Control. 2009. V. 70. N 2. P. 233–243. doi: 10.1134/S0005117909020052
- Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, 2000. XIII, 197 p. doi: 10.1017/CBO9780511801389
- Mason L., Baxter J., Bartlett P., Frean M. Boosting algorithms as gradient descent // Advances in Neural Information Processing Systems. 2000. P. 512–518.
- Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. 2001. V. 29. N 5. P. 1189–1232. doi: 10.1214/aos/1013203451
- Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, USA. 2016. P. 785–794. doi: 10.1145/2939672.2939785
- Nelder J.A. Mead R. A simplex method for function minimization // The Computer Journal. 1965. V. 7. N 4. P. 308–313. doi: 10.1093/comjnl/7.4.308