NESNE TESPİTİ İÇİN KULLANILAN ŞABLON EŞLEME YÖNTEMİNİN KOMŞULUK HAVUZU TEKNİĞİ İLE GÜÇLENDİRİLMESİ

Öz

Bu çalışmada görüntü işleme alanında nesne tespiti yapan yöntemlerden biri olarak literatürde kabul gören şablon eşlemeyi güçlendirmek amacıyla Komşuluk Havuzu Algoritması önerilmiştir. Bu yeni teknik ile şablon eşleme işleminin gerçekleştirildiği uygulamalarda en büyük eşleşme derecesinin yanı sıra sahte eşleşmelerin kolaylıkla tespit edilmesi sağlanmıştır. Klasik bir görüntü işleme tekniği olan şablon eşleme, küçük boyutlu olan şablon görüntüyü daha büyük bir kaynak görüntüde piksel bazlı arar ve piksellerin benzerlik derecesini matematiksel olarak hesaplar. Bu hesaplama işlemi neticesinde kaynak görüntüde elde edilen eşleşmeler gerek benzeyen/benzemeyen gerekse de zayıf/orta/güçlü benzerlik dereceleriyle ortaya konabilmektedir. Ancak, bu teknik görüntü tarama yöntemini kullandığından hem oldukça yavaş ve hem de sahte eşleşmelere neden olduğundan doğruluğu düşüktür. Önerilen komşuluk havuzu fikri sahte eşleşmelerin önüne geçmekle birlikte en yüksek benzerlik derecesine sahip eşleşmenin daha kolay elde edilmesini de sağladığından şablon eşleme yönteminin doğruluğunu da artırmıştır. Deneyler üç farklı görüntü üzerinde, görüntü boyutu, benzerlik eşik değeri, komşuluk büyüklüğü ve hesaplama süresi olmak üzere dört farklı parametre temelinde gerçekleştirilmiştir. Tüm deneylerde iki farklı benzerlik eşik değeri kullanılarak eşik değerinin doğruluğa ve hesaplama süresine etkilerinin incelenmesinin yanı sıra farklı boyutlarda görüntüler kullanılarak görüntü boyutunun hesaplama süresine olan etkileri de incelenmiştir. Sonuçta önerilen yöntemin sahte eşleşmelerin önüne geçme geçtiği deneylerle kanıtlanmıştır.

Anahtar Kelimeler

• Komşuluk Havuzu Algoritması
• Şablon Eşleme
• Görüntü İşleme
• Nesne Tespiti

Enhancement of Template Matching Method Used for Object Detection with Neighborhood Pooling Technique

Öz

In this study, Neighborhood Pooling Algorithm is proposed in order to strengthen template matching. With this new technique, in applications where template matching is performed, in addition to the highest match degree, fake matches can be easily detected. Template matching searches the small-sized template image in a larger source image on a pixel-by-pixel basis and mathematically calculates the similarity degree of pixels. As a result of this calculation process, the matches obtained in the source image can be presented with similar/dissimilar or weak/medium/strong similarity degrees. However, since this technique uses the image scanning method, it is both very slow and causes fake matches, so its accuracy is low. The proposed neighborhood pooling idea prevents fake matches and also increases the accuracy of the template matching method since it provides easier obtaining of the match with the highest similarity degree. Experiments were carried out on three different images based on four different parameters: image size, similarity threshold value, neighborhood size and calculation time. In all experiments, two different similarity threshold values were used to examine the effects of the threshold value on accuracy and computation time. As a result, it was proven through experiments that the proposed method prevents false matches.

Anahtar Kelimeler

• Neighborhood Pool Algorithm
• Template Matching
• Image Processing
• Object Detection

Kaynakça

1. Aktaş, H., (2015). Şablon Eşleştirme Yöntemi İle Nesne Takibi Ve Yüksek Hızlı Fpga Gerçeklemesi, Antalya: Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
2. Alemdar, F. ve Avcı, N., (2019). Sarsma masası testlerindeki dinamik parametrelerin görüntü işleme yöntemi ile ölçülmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), pp. 1099-1112.
3. Annaby, M. H., Fouda, Y. M. ve Rushdi, M. A., (2019). Improved normalized cross-correlation for defect detection in printed-circuit boards. EEE Transactions on Semiconductor Manufacturing, 32(2), pp. 199-211.
4. Aqel, M. O., Marhaban, M. H., Saripan, M. I. ve Ismail, N. B., (2016). Adaptive‐search template matching technique based on vehicle acceleration for monocular visual odometry system. IEEJ Transactions on Electrical and Electronic Engineering, 11(6), pp. 739-752.
5. Atallah, M. J., (2001). Faster image template matching in the sum of the absolute value of differences measure. IEEE Transactions on image processing, 10(4), pp. 659-663.
6. Can, E. ve Canay, Ö., (2016). A planar robot design and construction with Maple, TOJSAT, 6(2), 1-5.
7. Canay, O. ve Kocabıçak, Ü., (2024). Predictive modeling and anomaly detection in large-scale web portals through the CAWAL framework, Knowledge-Based Systems, 306, pp. 1-15.
8. Chantara, W., Mun, J. H., Shin, D. W. ve Ho, Y. S., (2015). Object tracking using adaptive template matching. IEIE Transactions on Smart Processing & Computing, 4(1), pp. 1-9.

9. Dereli, S. ve Ünsal, A. R., (2023). A new microarchitecture hardware proposal for the use of the improved template matching method in face similarity detection. Microprocessors and Microsystems, Cilt 101, pp. 1-9.
10. Di Stefano, L., Mattoccia, S. ve Tombari, F., (2005). ZNCC-based template matching using bounded partial correlation. Pattern recognition letters, 26(14), pp. 2129-2134.
11. Efeoğlu, E. ve Gürkan, T., (2021). Radyografi Görüntüleri Ve Sınıflandırma Algoritmaları Kullanılarak Omuz Protezlerinin Üreticilerinin Belirlenmesi.. Kırklareli Üniversitesi Mühendislik ve Fen Bilimleri Dergisi, 7(1), pp. 57-73.
12. Hisham, M. B., Yaakob, S. N., Raof, R. A. A., Nazren, A. A. ve Wafi, N. M. (2015). Template matching using sum of squared difference and normalized cross correlation, IEEE student conference on research and development.
13. Hsu, F. H. ve Shen, C. A., (2018). he design and implementation of an embedded real-time automated IC marking inspection system. IEEE Transactions on Semiconductor Manufacturing, 32(1), pp. 112-120.
14. Huang, Y. W., Chen, C. Y., Tsai, C. H., Shen, C. F. ve Chen, L. G. (2006). Survey on block matching motion estimation algorithms and architectures with new results. Journal of VLSI signal processing systems for signal, image and video technology, Cilt 42, pp. 297-320.
15. Jiao, J., Wang, X., Deng, Z., Cao, J. ve Tang, W. (2018). A fast template matching algorithm based on principal orientation difference. International Journal of Advanced Robotic Systems, 15(3).
16. Kim, H. Y., (2010). Rotation-discriminating template matching based on Fourier coefficients of radial projections with robustness to scaling and partial occlusion. Pattern Recognition, 43(3), pp. 859-872.
17. Lai, J., Lei, L., Deng, K., Yan, R., Ruan, Y. Ve” Jinyun, Z. (2020). Fast and robust template matching with majority neighbour similarity and annulus projection transformation. Pattern Recognition, Cilt 98, pp. 1-11.
18. Le, M. T., Tu, C. T., Guo, S. M. vw Lien, J. J. J., (2020). A PCB alignment system using RST template matching with CUDA on embedded GPU board. Sensors, 20(9), pp. 1-26.
19. Ouyang, W., Tombari, F., Mattoccia, S., Di Stefano, L., Cham, W. K. (2012). Performance evaluation of full search equivalent pattern matching algorithms. IEEE transactions on pattern analysis and machine intelligence, 34(1), pp. 127-143.
20. Yan, B., Xiao, L., Zhang, H., Xu, D., Ruan, L., Wang, Z., Zhang, Y. (2019). An adaptive template matching-based single object tracking algorithm with parallel acceleration. Journal of Visual Communication and Image Representation, Cilt 64, pp. 1-13.
21. Yaşar, F. G. ve Alaybeyoğlu, A., (2018). Otomatik Araç Plaka, Renk ve Marka Tanıma Sistem Tasarımı. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 11(1), pp. 7-16.
22. Kusuma, B. A., Nugroho, H. A. ve Wibirama, S. (2016). Spinal curvature determination from scoliosis X-Ray image using sum of squared difference template matching. In 2016 2nd International Conference on Science and Technology-Computer (ICST) (pp. 29-34). IEEE.
23. Dawoud, N. N., Samir, B. B. ve Janier, J. (2011). Fast template matching method based optimized sum of absolute difference algorithm for face localization. International Journal of Computer Applications, 18(8), 0975-8887.
24. Kaso, A. (2018). Computation of the normalized cross-correlation by fast Fourier transform. PloS One, 13(9), e0203434.