특징 추출 및 분류는 일반적인 컴퓨터 비전 시스템의 두 가지 주요 단계입니다. 정확성, 안정성 및 시각 시스템의 효율을 크게 화상 특징 및 분류 기준의 품질에 의존한다. 특징 추출 방법은 수동 방법과 기능 기반 학습 접근 방식을 기반으로 서로 다른 두 가지 범주로 나눌 수 있습니다. 분류는 두 그룹, 즉 얕은 깊은 모델 모델로 나눌 수 있습니다.
컴퓨팅 작업을 해결하기 위해 특정 응용 프로그램과 관련된 고유 한 특징이나 특성이 있습니다. N 개의 기능의 조합을 특징 벡터라고 N 차원 벡터로 표현 될 수있다. 품질 특징 벡터 이미지 샘플의 다른 종류를 구별 할 수있는 능력에 달려있다. 좋은 기능은 빠른 소음과 일련의 변환의 영향, 그리고 계산에서, 풍부한 정보이어야한다.
분류는 현대 컴퓨터 비전 및 패턴 인식의 핵심입니다. 분류 화상 또는 관심 (ROI)의 영역 분할의 카테고리를 이용하여 특징 벡터들의 작업이다. 어려움의 정도는 변동 같은 클래스 이미지 특징 량 분류 태스크에 따라, 상기 화상에 대한 차분 값의 서로 다른 클래스에서 기능. 그러나, 잡음 (빗금, 폐색, 원근 왜곡 등), 특이점 (예를 들면, 화상 "구성"카테고리 명을 포함 할 수있다), 모호성 때문에 (예를 들면, 동일한 직사각형 테이블이나 건물의 창에 대응할 수있다) 라벨 누락 극히 트레이닝 샘플을 사용할 수 있으며, 포지티브 및 네가티브 트레이닝의 불균형은 데이터 샘플들을 커버. 따라서, 분류 설계 결정은 어려운 일이다.
전통적인 기능 설명 : 전통 (수동 디자인) 특징 추출 방법은 두 가지 범주로 : 글로벌 및 지역. 글로벌 특징 추출 방법은 글로벌 기능 세트가 효과적으로 전체 이미지를 설명 정의하고, 따라서 모양의 세부 사항은 무시됩니다. 글로벌 기능은 폐색 물체 인식 부분에 적용되지 않습니다. 한편, 임계점 주위 국소 영역을 추출하는 로컬 특징 추출 방법은 더 나은 핸들 흡장 할 수있다. 여기에 일부 지역의 특징 추출 방법이 있습니다.
(1) 돼지 디스크립터 - 이미지 에지 방향 히스토그램의 형상 물체의 외형을 설명한다. 구현은 네 단계로 나누어 져 있습니다 :
1. 기울기 계산. 이미지의 수평 및 수직 방향의 일차원 이산 차동 템플릿을 행하는 센터.
2. 방향 히스토그램 부. 화소마다 가중 경사 방향 간격 투표 캐스팅의 기울기 계수에 기초하여 상기 셀 내의 각 화소.
3. 기술자 블록. 셀 공간에 연속 블록을 통한 빛과 반대로 핸들 변경하기 위해 함께 국부적 정규화 강도 구배를 형성한다. 돼지 디스크립터는 모든 영역에서 셀 부품의 벡터 정규화 된 히스토그램이다.
블록의 제 창. L1 또는 L2 표준 규범에 의해 정규화 될 수있다.
(2) SIFT-- 스케일 불변 특징 변환
객체의 SIFT 기능 세트를 제공, 크기 조절 및 회전 기능에 대한 이러한 개체는 강력하다. 다음의 네 단계로 나누어 :
스케일 공간을 검출 1. 극치. 가우스 (개)의 사용 SIFT 차이는 지역 극단 검색 모든 저울과 이미지 위치에 개 이미지를 검색 할 수 있습니다.
2. 요점 정확한 위치. 낮은 가장자리 또는 국소 콘트라스트 약한 포인트를 찾아 그이 단계는 목록에서 잠재적 불안정성 점의 요점을 제거한다.
3. 위치 방향. 각 키의 로컬 이미지 특성에 기초하여 상기 이미지의 회전 불변성을 실현하기 위해서는 일정 방향으로 할당된다. 그 다음 키 포인트 디스크립터의 방향에 대해 표현 될 수있다.
4. 키 설명자
몇 년 동안 복잡한 수학적 아이디어, 연구의 요구를 SIFT.
(3) 강력한 가속 기능 SURF--
SURF는 SIFT의 가속 버전입니다. SIFT 가우스 라플라스에서 구조 규모의 공간에, 개에 의해 근사. SURF이 프로세스를 가속화하기 위해 로그 카트리지 필터를 사용하여 추정 하였다.
전통적인 손으로 엔지니어링 기능의 한계
컴퓨터 비전의 발전은 수동 엔지니어링 기능을 기반으로합니다. 그러나, 특성의 어려움은, 엔지니어링 시간이 많이 소요되고 문제의 분야에서 전문 지식을 필요로한다. 또 다른 단점은, 정보의 측면에서 너무 스파 스 핸드 메이드 작품을 특징으로 이미지를 캡처 할 수 없다는 것입니다. 같은 깊이와 같은 신경 네트워크의 사용은 자동 학습 알고리즘이 모든 문제를 해결할 수 있습니다.