特征值萃取与物件识别.pdfVIP

第二章 特徵值萃取與物件識別 在影像中進行物件識別的技術大略可分為運用色彩資訊與邊緣資訊兩大類。大部份的視 訊感光元件經常受限於外在環 境光源影響，色彩資訊相較 於邊緣資訊受光源的影響較 大，而我們所要探討的是在轉換這些影像資料的過程中，使其不易因外在環境變化而大 受影響。由於色彩特徵資訊在取樣上較不穩定，因此也希 望經由邊緣的處理來進行補 強，增加識別的精準度，在本章中，首先介紹在邊緣資訊處理上的相關方法，並比較其 優缺點，不同於其他方法中，方向性資訊常與強度資訊並行處理的機制，本論文中所提 出的DEM則是著眼於將這些資訊分開處理。 處理完方向性特徵值的萃取後，再來的問題就屬於物件識別的範疇，現行電腦視覺 物件識別的領域中最常使的技術為 AdaBoost 、Neural network[10] 、Support vector machine[11] 、 Bayesian network[12] 等，第二節將先大略介紹這些技術基本的概念，再 較詳盡介紹我們所改良的部份，以多獲取一些額外資訊，再用透過這些資訊運用於多分 類的比較值，以達到多類別分類的效果。 2.1相關特徵值萃取 在物件偵測與追蹤的研究中，除了設計良好的分類演算法，還需要穩定的特徵值轉 換，現今常被運用的特徵值轉換如：邊緣偵測、Local Binary Patterns 、Haar-Like Features 等研究，都已有不錯效果。因此本論文上述方法為基礎，提出DEM的方向性特徵值轉 換，討論如何將影像中資訊做有效的特徵轉換，以達到更佳的偵測效率與準確度。 5 2.1.1 邊緣偵測 首先概略說明一般邊緣處理所使用的方法，主要可分為兩種方式，第一種是一階導 數 (First-order derivative) ，可稱為梯度運算(Gradient Operator) ，如Sobel 圖 ( 2-1 b) 、 Prewitt 、Roberts cross-gradient 等，第二種是二階導數(Second-order derivative)的方式， 如 :Laplacian (圖 2-2 b) ，通常是會用遮罩(Mask)方式與影像作旋積運算，得到邊緣值。 Sobel Operator ⎡−1 0 1⎤ ⎡ 1 2 1 ⎤ ⎢ ⎥ ⎢ ⎥ G −2 0 2 G 0 0 0 x ⎢ ⎥ y ⎢ ⎥ ⎢⎣−1 0 1 ⎥ ⎢⎣−1 −2 −1 ⎥ ⎦ ⎦ (a) (b) 圖 2-1(a) 原圖， (b) Sobel運算結果 Prewitt Operator −1 0 1 1 1 1 ⎡ ⎤ ⎡ ⎤ ⎢ ⎥ ⎢