کلاس بندی با SVM

برای شناسایی علایم توسط SVM باید در ابتدا به آن آموزش داد، برای اینکار ویژگیهای تصاویر با استفاده از SIFT[1]  بدست آورد. مشکلات ناشی از مقیاس[2]،چرخش[3]،اعوجاج معین[4]،تغییر دید سه بعدی، نویز وتغییرات روشنایی تاثیر کمی بر SIFT دارند]76[ ؛ پس بخوبی از عهده تطبیق تصاویر[5] بر می آید]77[.

SIFTشامل دو مرحله است:

• تشخیص نقاط کلیدی
• توصیف نقاط کلیدی

هر مرحله شامل دو زیر مرحله دیگر می باشد،پس در کل چهار مرحله زیر را داریم:

مرحله اول- تشخیص مقیاس فضا[6]:در این مرحله جستجو برای مقیاس ها ومکان تصاویر آغاز می گردد و مقدار آنها محاسبه می شود. با استفاده از تابع تفاوت گاوسی[7]، مناطق مورد علاقه و بالقوه را از نظر مقیاس وجهت[8] را شناسایی میکنند.

مرحله دوم- محلی سازی نقاط کلیدی:در هر مکان کاندید، مشخصات محلی ومقیاسی استخراج می شود. نقاط کلیدی انتخاب شده، از نظر ثبات اندازه گیری می شوند.

مرحله سوم- تخصیص جهت[9]:بر اساس جهت وشیب[10] آن مکان از تصویر، یک یا چند جهت به یک نقطه کلیدی اختصاص میابد. تمامی عملیاتهایی که بعدا روی این نقاط انجام میگیرد بر اساس جهت، مقیاس ومحل آن در تصویر می باشد.

مرحله چهارم- توصیف نقاط کلیدی: اندازه گیری مقیاس در یک منطقه که شامل نقطه کلیدی است، توسط شیب آن محل از تصویر انجام میگیرد. با استفاده از این تبدیلات؛ میتوان اعوجاج شکل وتغییرات روشنایی را بازنمایی کرد.

روش بازنمایی بر اساس کیفی از کلمات[11] کار میکند. در شکل(4-4) این روش نشان داده شده است.در این روش اشیا با توجه به ویژگیهایشان(کلمات)طبقه بندی می شوند.

شکل ‏4‑4:روش بازنمایی بر اساس کیفی از کلمات؛ (a) ویژگیهای محلی استخراج شده ؛ (b) بعد از اینکه codebookها ایجاد شدند، هیستوگرام آنها ایجاد می شود]78[

code book های استخراج شده توسط SIFT ، بوسیله SVM کلاس بندی می شوند.کلاس بندی را بدینصورت انجام میدهیم:

• ویژگیهایی که توسط SIFT استخراج شده اند با استفاده از روش K-means خوشه بندی میگردند.برای آموزش دادن از خوشه مرکزی و مقادیر تصادفی برای مقدار دهی ویژگیها استفاده میکنند.
• پس از آن با توجه به تناوب وقوع مرکز خوشه، فاصله اقلیدسی بین هر یک از ویژگیهای SIFTو مرکز خوشه محاسبه می شود.n تایی که بیشترین تناوب وقوع،در مرکز خوشه را دارند،بعنوان codebookشناخته می شوند.

شکل ‏4‑5: روند ساختcodebook ]78[

پس از استخراج   code-words، از انواع علایم ترافیکی واستخراج هیستوگرام تصاویر ؛آنها را با SVM کلاس بندی میکنیم]78[

شکل ‏4‑6: فرایند آموزش]78[

1 Scale invariant feature transform

2 scale

3 rotation

4 Affine distortion

5 Image matching

6 Scale space detection

7 Difference-of-gaussian

8 invariant

9 Orientation assignment

10 gradiant

1Bag-of-words