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

Тимофеев А.В.


Читать статью полностью 
Язык статьи - русский

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.


Ключевые слова: совпадение изображений, машинное обучение, SVM-классификатор, метод Нелдера–Мида

Список литературы
  1. 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.
  2. 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
  3. 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
  4. 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
  5. Vijaya Kumar B.V.K., Mahalanobis A., Juday R.D. Correlation Pattern Recognition. Cambridge University Press, 2005. 390 p. doi: 10.1017/CBO9780511541087
  6. Тарасенко В.П., Тимофеев А.В. Доверительное оценивание точности совмещения в корреляционно-экстремальных системах // Автометрия. 1990. № 4. P. 106–111.
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. Mason L., Baxter J., Bartlett P., Frean M. Boosting algorithms as gradient descent // Advances in Neural Information Processing Systems. 2000. P. 512–518.
  16. 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
  17. 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
  18. 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


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2021 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика