《数字图像处理》大作业—2017年春.PDFVIP

《数字图像处理》大作业—2017 年春 1. 作业内容 标志识别。给定测试集的图片，识别图片中标志的类别，并定位标志的位置。 2. 作业数据集 标志识别数据集，由FlickrLogos-32 数据集全集和LISA Traffic Sign 数据集子集组成。 数据集内容包括： 1）训练集： 包含标定的正样本（包含标志的图片）3824 张，负样本（不包含标志的图片）7000 张。 其中正样本带有标志位置标注。 2 ）测试集 包含正样本2640 张和负样本7000 张。其中正样本带有标志位置标注。 数据集详情介绍请参考数据集目录下的Readme.txt 文档。 数据集和评测程序下载：链接/s/1c2qvpwW ，密码：qhc6 3. 标志识别常见方法 这里介绍两类常见方法： 1) 首先根据各种标志的共性检测出标志可能出现的区域，然后通过指定标志的特征匹配完 成标志识别； (a) 给定待识别图像，检测出标志可能出现的区域。例如可以通过均值滤波估算背景区 域，然后用原图像与背景图像相减得到图像中各个像素点相对于背景的显著性。（为 了使得标志更容易被观察到，标志通常具有较高空间显著性，表现为较高的对比度 和丰富的纹理信息，可以通过这个特征实现标志识别。） (b) 根据标志区域内的特征匹配可以进一步判断该区域是否包含给定标志。 (c) 多种特征可以应用于标志识别中，如形状特征（边缘直方图和 Hu 不变矩）、颜色 特征（颜色直方图）、局部特征等。 (d) 根据不同的特征可以选择不同的距离计算方法，如欧式距离、Cosine 距离、直方 图相交等。 2) 通过标志的关键点匹配，同时完成标志的识别。 (a) 标志或包含标志图片中的 SIFT 关键点检测。 (b) 训练样本与图片中关键点之间的匹配。 (c) 匹配的空间一致性过滤，基本思想是通过挑选一组匹配关键点估算标志模板和图像 中标志区域的空间变换关系（如仿射变换），以此过滤掉不满足该空间变换关系的 错误匹配点。例如可以采用 RANSAC 的方法多次随机挑选匹配点估算空间变换 关系，然后选择其中与所有匹配点最吻合的空间变换关系。 (d) 标志匹配的相似度计算。 【建议】以上两种方法仅供参考，可选用其中一种或者两者结合，也可采用其他方法。 4. 评测指标 1) 准确率 采用 MAP （Mean Average Precision ）作为评测指标： (a) 对于每一类标志输出一个 logoname.txt 文件，每一行格式为：image path left top right bottom score ， 其中 score 为预测得分，坐标系左上角是原点； (b) 识别结果正确与否的判别标准，对于输出的定位结果A ’（输出的bounding box ） 和对应的标注答案A ，如果满足以下条件那么认为是正确匹配： | ∩′| ≥ 50% | ∪′| (c) 计算 AP （Average Precision ）； (d) 对于全部查询的 AP 求平均，即计算 MAP ，参考： /wiki/Information_retrieval#Mean_Average_precision 2) 速度 提供标志识别的平均速度，以秒为单位，请说明使用机器的硬件配置。 5. 程序界面要求 图形界面：实现一个图形化的界面用来展示标志识别结果。 (a) 从该界面中可以按类别浏览整个标志图片数据集； (b) 按标志类别浏览测试集的识别结果，结果图像中需要用矩形框标定出标志位置； (c) 实时识别：单张图片识别，批量按类别进行识别； (d) 展示每一