آشکارسازی بر اساس یادگیری ماشین

در این رویکرد، مشکلاتی از قبیل رنگ و شکل علامت ترافیکی با استفاده از کدگذاری دستی حل شده است. این دانش با استفاده از یادگیری ماشین ، عمل اکتشاف را انجام میدهد.پژوهشی که توسط ویولا وجونز انجام گرفت، نقصه عطفی در بینایی ماشین است. آنها الگوریتمی ارایه دادند که قادر به آشکارسازی اشیا بصورت بلادرنگ بود، این آشکارسازی با دقت وهمینطور قابلیت اعتماد بالایی انجام می گرفت. آشکار ساز با استفاده از مثالهای مثبت ومنفی ، تمرین داده می شد. از سوی دیگر، سایر محققین ؛ این الگوریتم را برای شناسایی اشیا در کلاس های مختلف دیگر به کار بردند و به موفقیتهایی دست یافتند. در این بین کلاس مربوط به علایم ترافیکی هم با موفقیت تشخیص داده شد]67[.
آشکار ساز ویولا و جونز، توجه خاصی به تقویت، کلاس بندی از طریقHaar-likeدارد.این آشکار ساز باترکیب دو مفهوم , AdaBoost Haar-like این کار را انجام میدهد. طبقه بندی کننده Haar-likeها با استفاده از مستطیل های ساده ای که، نشان دهنده تفاوت مقادیر پیکسلها در یک تصویر است، ساخته می شوند .هر ویژگی با دو خصوصیت، آستانه وتصمیمی که طبقه بندی کننده میگیرد؛ساخته می شود. این تصمیم با مقایسه مقدار ویژگی های تعیین شده و آستانه گرفته می شود.در تصویر(3-13) چند نوع از مورد استفاده در مقاله اصلی نشان داده شده است.

شکل ‏3 13: نمونه های از Haar-like هایی که در آموزش آشکارسازی بکار برده می شوند]11[

AdaBoost یک روش برای ترکیب تعدادی از طبقه بندی کننده های ضعیف است، این ترکیب طوری انجام میگیرد که یک طبقه بندی کننده قوی را ایجاد کند. گروه ویولا وجونز ، چند طبقه بندی کننده قوی ساخته اند که با توجه به خصوصیت آبشاری، سرعت بالایی هم دارند. طبقه بندی قوی در مرحله اول آبشار انجام می گیرد، بطوری که تعدادی از نمونه های مثبت غیر واقعی را دور می اندازد ونمونه های مثبت واقعی را از مجموعه آموزش نگه می دارد. روند آشکارسازی بدین صورت است که یک پنجره آشکارسازی در سرتاسر تصویر لغزش پیدا میکند، در داخل این پنجره واکنش وپاسخ آن نسبت به آبشار محاسبه می شود. اندازه پنجره تا وقتیکه به اندازه های از پیش از تعیین شده برسد،افزایش پیدا میکند]11[.
رشد این پنجره را با فاکتورمقیاسی نسبت به تصویر مشخص میکنند. بنابراین تغییر مقیاس، بر کیفیت آشکارسازی وسرعت آشکارسازی تاثیر میگذارد، یعنی با کاهش اندازه آن احتمال آشکارسازی علامت بیشتر میشود ولی اینکار منجر به افزایش زمان برای اتمام کار الگوریتم خواهد شد]16[.

 

 

بر روی هر تصویر کلیک کنید تا توضیحات کامل هر قسمت را مشاهده فرمایید

 

 

 

 

 

 

 

 

 

 

 

 

 

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.