Fotokapan Görüntülerinde Yerel Öznitelikler ile Nesne Tespiti
Abstract
Fotokapanlar doğal ortamda yaşayan canlıların
davranışlarını izlemek amacıyla yaygın olarak kullanılan cihazlardır. Fotoğraf
ve video kaydı yapan bu cihazlar ile doğal görüntülerde yapılan nesne (hayvan
veya insan) tespiti işlemi, arka planının karmaşık yapıda olması, ışık şiddeti
yetersizliği, ışık şiddeti değişimi, nesnenin parçalı bulunması gibi
nedenlerden dolayı zor bir problemdir. Ayrıca nesnenin hareketli olması,
görüntü içerisinde bulunduğu konumun tespit edilmesini zorlaştırmaktadır. Son
yıllarda kullanılan yerel öznitelikler konum bilgisi içerdiğinden, hem
konumlandırma problemine çözüm olmakta hem de yerel öznitelik dönüşüm
yöntemlerinin içerdiği ölçek, dönme, afin dönüşümü, aydınlatma değişimi gibi
zorluklara karşı değişmezlikler sayesinde daha başarılı tespit işlemi
yapılabilmektedir. Bu çalışmada foto-kapan görüntülerinde yerel öznitelik
dönüşüm yöntemleri olan Ölçek Değişmez Öznitelik Dönüşümü (Scale Invariant
Feature Transform-SIFT), Hızlandırılmış Sağlam Öznitelikler (Speeded Up Robust
Features-SURF), İkili Sağlam Bağımsız Temel Öznitelikler (Binary Robust
Independent Elementary Features-BRIEF), Yönlendirilmiş Hızlı ve Sağlam Brief
Öznitelikleri (Oriented Fast And Robust Brief-ORB), öznitelik eşleştirme
yöntemlerinde kullanılarak nesne tespiti gerçekleştirilmiştir. Hatalı yerel
öznitelik eşleşmelerinin elenmesi için yüzdelik ve medyan tabanlı aykırılık
tespiti ile k-en yakın komşu öznitelik eleme yöntemleri kullanılmıştır.
Çalışmada öznitelik dönüşüm yöntemleri ile elde edilen nesne tespit başarıları,
eşleşen öznitelik sayıları, sınırlayıcı kutu büyüklükleri, elenen öznitelik
sayıları ve bunların nesne tespit başarısına olan etkileri incelenmiştir.
Keywords
Fotokapan,Nesne Tespiti,ORB,SIFT,SURF,BRIEF,Yerel Öznitelikler
References
- Andavarapu, N., & Vatsavayi, V. K. (2017). Wild-Animal Recognition in Agriculture Farms Using W- COHOG for Agro-Security. International Journal of Computational Intelligence Research, 13(9), 2247-2257.
- Bay, H., Tuytelaars, T., & Van Gool, L. (2006, May). Surf: Speeded up robust features. In European conference on computer vision (pp. 404-417). Springer, Berlin, Heidelberg.
- Calonder, M., Lepetit, V., Strecha, C., & Fua, P. (2010, September). Brief: Binary robust independent elementary features. In European conference on computer vision (pp. 778-792). Springer, Berlin, Heidelberg.
- Chen, Q., Song, Z., Dong, J., Huang, Z., Hua, Y., & Yan, S. (2015). Contextualizing object detection and classification. IEEE transactions on pattern analysis and machine intelligence, 37(1), 13-27.
- Karakuş, P., & Karabörk, H. “Surf Algoritması Kullanılarak Uzaktan Algılama Görüntülerinin Geometrik Kaydı”. 5. Uzaktan Algılama-Cbs Sempozyumu (Uzal-Cbs 2014), 14-17 Ekim 2014, İstanbul.
- Karami, E., Prasad, S., & Shehata, M. (2017). Image matching using SIFT, SURF, BRIEF and ORB: performance comparison for distorted images. arXiv preprint arXiv:1710.02726.
- Karami, E., Shehata, M., & Smith, A. (2017). Image Identification Using SIFT Algorithm: Performance Analysis against Different Image Deformations. arXiv preprint arXiv:1710.02728.
- Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Rowcliffe, M. J., ... & He, Z. (2010). Monitoring wild animal communities with arrays of motion sensitive camera traps. arXiv preprint arXiv:1009.5718.
- Khorrami, P., Wang, J., & Huang, T. (2012, November). Multiple animal species detection using robust principal component analysis and large displacement optical flow. In Proceedings of the 21st International Conference on Pattern Recognition (ICPR), Workshop on Visual Observation and Analysis of Animal and Insect Behavior (pp. 11-15).
- Lisin, D. A., Mattar, M. A., Blaschko, M. B., Learned-Miller, E. G., & Benfield, M. C. (2005, June). Combining local and global image features for object class recognition. In Computer vision and pattern recognition-workshops, 2005. CVPR workshops. IEEE Computer society conference on (pp. 47-47). IEEE.