Renkli görüntülerde kenar yönelimlerini belirlemek için iyileştirilmiş yöntem

Abstract

Co-occurrence Histograms of Oriented Gradients (CoHOG), bilgisayar görmesi ve görüntü işleme uygulamalarında nesneleri algılamak için en çok kullanılan özellik tanımlayıcılarından biridir. Kenar yönelimlerinin belirlenmesinde geleneksel yöntemler çift açı sunumu (ÇAS) yönteminden yararlanmaktadır. Bu yöntem sistem performansını dikkate değer oranda etkilemektedir. Bu yöntemin en önemli dezavantajı renk bilgisini ihmal etmesidir. Bu çalışmada, ÇAS yöntemi yerine renkli gradyan yöntemi kullanımı ile CoHOG yönteminin dezavantajını ortadan kaldıran yeni bir öznitelik çıkarma yöntemi önerilmiştir.

Bu çalışmada önerilen yöntem iki önemli katkı sağlamaktadır. Birincisi, öznitelik vektör boyutunu artırmadan daha yüksek sınıflandırma başarısı elde edilmesidir. İkincisi, öznitelik çıkarma işlemini daha kısa sürede gerçekleştirmesidir. Bu nedenle, önerilen yöntem gerçek zamanlı uygulamalar için uygundur. Elde edilen sonuçlar önerilen yöntemin zaman ve sınıflandırma başarısı açısından üstünlüğünü açıkça ortaya koymaktadır.

Keywords

• Yapay Sinir Ağları,CoHOG,Renkli gradyan,Nesne Sınıflandırma

An enhanced method for determining edge orientations in color images

Abstract

In this work, a novel feature extraction method, which eliminates the disadvantage of CoHOG is proposed. DAR (double angle representation) method is used to determine edge orientations in conventional methods. DAR method is quite important in determining feature quality. However, the DAR method has some drawbacks. By using color gradient method instead of DAR method can eliminate these drawbacks.

The proposed method in this work has two contributions. The one is without increasing feature dimension, provides higher classification accuracy. The second is that, performing the feature extraction process in a shorter time. Therefore, the proposed method is convenient for real-time applications. Obtained results clearly reveal the superiority of the proposed method in terms of time and accuracy. 

Keywords

• Artificial Neural Networks,CoHOG,Color Gradient,Object Classification

References

1. [1] A. Shashua, Y. Gdalyahu, and G. Hayun, “Pedestrian detection for driving assistance systems: single-frame classification and system level performance,” in IEEE Intelligent Vehicles Symposium, 2004, pp. 1–6.
2. [2] N. Dalal and B. Triggs, “Histograms of Oriented Gradients for Human Detection,” 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). Institute of Electrical and Electronics Engineers (IEEE).
3. [3] B. Li and G. Huo, “Face recognition using locality sensitive histograms of oriented gradients,” Opt. - Int. J. Light Electron Opt., vol. 127, no. 6, pp. 3489–3494, Mar. 2016.
4. [4] W.-Y. Lee, K.-E. Ko, and K.-B. Sim, “Robust lip detection based on histogram of oriented gradient features and convolutional neural network under effects of light and background,” Opt. - Int. J. Light Electron Opt., vol. 136, pp. 462–469, May 2017.
5. [5] D. Sangeetha and P. Deepa, “A low-cost and high-performance architecture for robust human detection using histogram of edge oriented gradients,” Microprocess. Microsyst., vol. 53, pp. 106–119, Aug. 2017.
6. [6] N. Alpaslan, M. M. Turhan, and D. Hanbay, “Determining noise performance of co-occurrence GMuLBP on object detection task,” in Proceedings of SPIE - The International Society for Optical Engineering, 2013, vol. 9067.
7. [7] Y. Pang, Y. Yuan, X. Li, and J. Pan, “Efficient HOG human detection,” Signal Processing, vol. 91, no. 4, pp. 773–781, Apr. 2011.
8. [8] O. Déniz, G. Bueno, J. Salido, and F. De la Torre, “Face recognition using Histograms of Oriented Gradients,” Pattern Recognit. Lett., vol. 32, no. 12, pp. 1598–1603, Sep. 2011.

9. [9] L. Cattell, G. Platsch, R. Pfeiffer, J. Declerck, J. A. Schnabel, and C. Hutton, “Classification of amyloid status using machine learning with histograms of oriented 3D gradients,” NeuroImage Clin., vol. 12, pp. 990–1003, Feb. 2016.
10. [10] T. Watanabe, S. Ito, and K. Yokoi, “Co-occurrence Histograms of Oriented Gradients for Human Detection,” Inf. Media Technol., vol. 5, no. 2, pp. 659–667, 2010.
11. [11] K. Hanbay, N. Alpaslan, M. F. Talu, D. Hanbay, A. Karci, and A. F. Kocamaz, “Continuous rotation invariant features for gradient-based texture classification,” Comput. Vis. Image Underst., vol. 132, 2015.
12. [12] K. Hanbay, N. Alpaslan, M. F. Talu, and D. Hanbay, “Principal curvatures based rotation invariant algorithms for efficient texture classification,” Neurocomputing, vol. 199, 2016.
13. [13] N. Alpaslan, Gradyan Tabanlı Öznitelik Çıkarma Yöntemlerine Yeni Yaklaşımlar. 2015.
14. [14] S. Ito and S. Kubota, “Object Classification Using Heterogeneous Co-occurrence Features,” Springer, Berlin, Heidelberg, 2010, pp. 701–714.
15. [15] A. Koschan, “A Comparative Study On Color Edge Detection,” in In Proceedings of the 2nd Asian Conference on Computer Vision, 1995, vol. 3, pp. 574--578.
16. [16] M. A. Ruzon and C. Tomasi, “Color edge detection with the compass operator,” in Proceedings. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999, pp. 160–166.
17. [17] P. Ott and M. Everingham, “Implicit color segmentation features for pedestrian and object detection,” in 2009 IEEE 12th International Conference on Computer Vision, 2009, pp. 723–730.
18. [18] T. Albrecht et al., “Double Angle Representation,” in Encyclopedia of Biometrics, Boston, MA: Springer US, 2009, pp. 230–230.
19. [19] N. Dalal, “Finding People in Images and Videos,” 2006.
20. [20] G. Griffin, A. Holub, and P. Perona, “Caltech-256 Object Category Dataset,” California Institute of Technology, Mar. 2007.