بهبود روش تشخیص شیء مبتنی بر کانتور و کاربرد مسئله طولانی ترین زیردنباله مشترک در یافتن تناظر ویژگی ها و تصدیق فرضیه

تشخیص شیء در تصاویر یکی از زمینه های تحقیقاتی مهم در حوزه ی بینایی کامپیوتر است. منظور از تشخیص شیء، تشخیص اشیای متعلق به یک رده ی خاص (مانند بطری، انسان یا هواپیما) در تصویر می باشد. هدف طراحی سیستمی است که قادر باشد با دریافت نمونه های آموزشی (ویا مدلی) از یک رده شیء، اشیای متعلق به آن رده را در تصاویر جدید تشخیص دهد. از جمله کاربردهای این زمینه می توان به سیستم های امنیتی، سیستم های دستیار راننده، جستجو و سازمان دهی حجم بسیار زیاد تصاویر و فیلم های ویدئویی موجود، کمک به افراد دارای مشکل بینایی جهت درک محیط و بهبود کارآیی موتورهای جستجوی تصاویر اشاره کرد. تاکنون روش های متعددی برای تشخیص شیء در تصاویر ارائه شده است ولی کارآیی روش های موجود با کارآیی انسان فاصله ی بسیار زیادی دارد. یکی از رویکردهای متداول و موفق در تشخیص شیء، استفاده از تبدیل هاف تعمیم یافته است. روش مذکور شامل دو مرحله ی کلی است: 1) اعمال تبدیل هاف، رأی گیری در فضای سه بُعدی مکان-اندازه و تولید فرضیه های اولیه برای مکان قرارگیری و اندازه ی شیء. 2) تصدیق فرضیه ها و انتخاب فرضیه های معتبر. اعمال تبدیل هاف با توجه به ویژگی-های محلی انجام می شود. در این پایان نامه از ویژگی های k-بخش مجاور (kas) که نوعی ویژگی های مبتنی بر کانتور هستند، جهت توصیف و تشخیص شیء استفاده شده است. ویژگی های مبتنی بر کانتور نسبت به تغییرات رنگ، بافت و روشنایی محیط مقاومند و ابزار مناسبی برای توصیف شکل شیء هستند. در بخش اول این پایان نامه روش تشخیص مبتنی بر کانتوری ارائه می شود که نسبت به دوران در صفحه مقاوم است. برای این کار معیار شباهت ویژگی های 2as، چگونگی اعمال تبدیل هاف و فضای رأی گیری هاف به گونه ای تغییر داده شده اند که زاویه ی دوران شیء به عنوان بُعد چهارم فضای رأی گیری (به همراه سه بُعد مربوط به مکان و اندازه) تخمین زده شود. سپس برای بهبود نتایج حاصل از رأی گیری ، روشی مبتنی بر تبدیل هاف حاشیه-بیشینه پیشنهاد شده است. برای بررسی کارآیی روش پیشنهادی از تصاویر دوران یافته ی مجموعه ی مرجع "گاوهای tud" استفاده شده است. نتایج به دست آمده نشان می دهد که روش پیشنهادی قادر است با دقت قابل قبولی مکان و زاویه ی دوران شیء را تخمین بزند. در بخش دوم این پایان نامه روشی برای یافتن ویژگی های متناظر بین مدل و فرضیه و تصدیق فرضیه های حاصل از تبدیل هاف ارائه شده است. در روش های مبتنی بر تبدیل هاف، ساختار شیء با توجه به محل قرارگیری هر ویژگی نسبت به مرکز شیء مدل می شود. ضعف مدل مذکور آن است که مکان هر ویژگی مستقل از سایر ویژگی ها در نظر گرفته می شود و از محل نسبی هر ویژگی نسبت به سایر ویژگی ها صرف نظر می شود. در این پایان نامه برای حل این مشکل، مسئله ی یافتن تناظر ویژگی های مدل و فرضیه، در قالب مسئله ی یافتن طولانی ترین زیردنباله ی مشترک مدل شده است. تصاویر فرضیه و مدل به صورت رشته هایی از ویژگی های محلی ارائه می شوند و طولانی ترین زیررشته ی بین آن ها محاسبه می شود. بنابراین با مد نظر قرار دادن ترتیب قرارگیری ویژگی های محلی نسبت به یکدیگر، ویژگی های متناظر بین مدل و فرضیه به دست می آیند. در نهایت میزان شباهت ویژگی های متناظر به دست آمده با استفاده از روش انطباق زمینه ی شکل محاسبه می شود. جهت بررسی کارآیی روش تصدیق پیشنهادی، از دو زیرمجموعه از مجموعه داده ی مرجع ethz استفاده شده است. نتایج به دست آمده نشان می دهد که روش تصدیق پیشنهادی، باعث بهبود چشم گیر کارآیی تبدیل هاف می گردد و در مقایسه با سایر روش های مرتبط، نتایج بهتر و یا قابل مقایسه ای ارائه می نماید.