ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ



Σχετικά έγγραφα
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.

D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006

5-1. Industrial Vision. Machine Vision Systems : Image Acquisition Image processing Analysis/Exploitation

Other Test Constructions: Likelihood Ratio & Bayes Tests

Ραδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων

Ψηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007

Reminders: linear functions

Τηλεπισκόπηση - Φωτοερμηνεία

Νευρωνικά ίκτυα και Εξελικτικός

6-Aνίχνευση. Ακμών - Περιγράμματος

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Homework 3 Solutions

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Προχωρημένες Εργασίες

ΜΕΘΟΔΟΙ ΑΕΡΟΔΥΝΑΜΙΚΗΣ

MPEG7 Multimedia Content Description Interface

Ανάπτυξη ολοκληρωμένου περιβάλλοντος ανάλυσης και ταξινόμησης μαστογραφικών εικόνων

Τεχνικές Συµπίεσης Βίντεο. Δρ. Μαρία Κοζύρη Τµήµα Πληροφορικής Πανεπιστήµιο Θεσσαλίας

Numerical Analysis FMN011

Δίκτυα Επικοινωνιών ΙΙ: OSPF Configuration

Tutorial on Multinomial Logistic Regression

HMY 795: Αναγνώριση Προτύπων

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Topic 4 Image Segmentation

Areas and Lengths in Polar Coordinates

Εργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων. Εξάμηνο 7 ο

w o = R 1 p. (1) R = p =. = 1

Επεξεργασία Πολυµέσων. Δρ. Μαρία Κοζύρη Π.Μ.Σ. «Εφαρµοσµένη Πληροφορική» Τµήµα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Πανεπιστήµιο Θεσσαλίας

The ε-pseudospectrum of a Matrix

CMOS Technology for Computer Architects

Ανίχνευση ανθρώπου και παρακολούθηση της κίνησης του (Human detection and tracking)

DESIGN OF MACHINERY SOLUTION MANUAL h in h 4 0.

encouraged to use the Version of Record that, when published, will replace this version. The most /BCJ BIOCHEMICAL JOURNAL

Πεξηβάιινλ θαη Αλάπηπμε ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΓΙΔΠΙΣΗΜΟΝΙΚΟ - ΓΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΙΑΚΧΝ ΠΟΤΓΧΝ (Γ.Π.Μ..) "ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ"

Homework 8 Model Solution Section

ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ

Areas and Lengths in Polar Coordinates

[1] P Q. Fig. 3.1

Ψηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46

Instruction Execution Times

PP #1 Μηχανικές αρχές και η εφαρµογή τους στην Ενόργανη Γυµναστική


Lifting Entry 2. Basic planar dynamics of motion, again Yet another equilibrium glide Hypersonic phugoid motion MARYLAND U N I V E R S I T Y O F

Lifting Entry (continued)

Ε.Α.Υ. Υπολογιστική Όραση. Κατάτμηση Εικόνας

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification

Advances in Digital Imaging and Computer Vision

10/3/ revolution = 360 = 2 π radians = = x. 2π = x = 360 = : Measures of Angles and Rotations

Matrices and Determinants

Προσωπική Aνάπτυξη. Ενότητα 4: Συνεργασία. Juan Carlos Martínez Director of Projects Development Department

ΠΣΤΥΗΑΚΖ ΔΡΓΑΗΑ. Αλαθαηαζθεπή εηθφλσλ ζε απνρξψζεηο ηνπ γθξη κε ηελ ρξήζε ησλ PHTs κεηαζρεκαηηζκψλ ΠΑΝΣΔΡΜΟ ΔΜΜΑΝΟΤΖΛ Α.Μ.:2131

Lecture 2: Dirac notation and a review of linear algebra Read Sakurai chapter 1, Baym chatper 3

Spherical Coordinates

Chapter 7 Transformations of Stress and Strain

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011

Queensland University of Technology Transport Data Analysis and Modeling Methodologies

ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ/ΒΙΝΤΕΟ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΖΩΩΝ ΣΕ ΦΥΣΙΚΑ ΤΟΠΙΑ

Detection and Recognition of Traffic Signal Using Machine Learning

Section 8.2 Graphs of Polar Equations

Partial Differential Equations in Biology The boundary element method. March 26, 2013

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Τ.Ε.Ι. ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΔΗΜΟΣΙΩΝ ΣΧΕΣΕΩΝ & ΕΠΙΚΟΙΝΩΝΙΑΣ

Physical DB Design. B-Trees Index files can become quite large for large main files Indices on index files are possible.

5.4 The Poisson Distribution.

. Βάθος χρώματος: Πραγματικό χρώμα. . Βάθος χρώματος: Αποχρώσεις του γκρίζου 8bit. . Βάθος χρώματος: Αποχρώσεις του γκρίζου 1bit.

ΕΘΝΙΚΗ ΣΧΟΛΗ ΤΟΠΙΚΗΣ ΑΥΤΟ ΙΟΙΚΗΣΗΣ Β ΕΚΠΑΙ ΕΥΤΙΚΗ ΣΕΙΡΑ ΤΜΗΜΑ: ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΙΟΙΚΗΣΗΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ. Θέµα:

Current Status of PF SAXS beamlines. 07/23/2014 Nobutaka Shimizu

HMY 795: Αναγνώριση Προτύπων

Projects Στα Ειδικά Θέµατα Επεξεργασίας Σήµατος και Εικόνας

Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής

TMA4115 Matematikk 3

ΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ. ( ) 1, αν Ι(i,j)=k hk ( ), διαφορετικά

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών

Μέθοδοι Αναπαράστασης Περιοχών

CTEC-153: ΥΠΟΛΟΓΙΣΤΙΚΑ ΦΥΛΛΑ

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012

ΑΚΑ ΗΜΙΑ ΕΜΠΟΡΙΚΟΥ ΝΑΥΤΙΚΟΥ ΜΑΚΕ ΟΝΙΑΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ

HOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:

Ε Ρ Γ Α Σ Τ Η Ρ Ι Α9 Κ Η Α Σ Κ Η Σ Η

Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων νευρωνικων δικτυ ων»

1η εργασία για το μάθημα «Αναγνώριση προτύπων»

Elements of Information Theory

On a four-dimensional hyperbolic manifold with finite volume

1. (a) (5 points) Find the unit tangent and unit normal vectors T and N to the curve. r(t) = 3cost, 4t, 3sint

Κεφάλαιο 11 Ταξινομήσεις

2. Δημιουργία και Διαχείριση Πολυφασματικών εικόνων

Περιοχή διαγωνισμού Rethink Athens

HMY 795: Αναγνώριση Προτύπων

Ψηφιακή Επεξεργασία Εικόνας

Block Ciphers Modes. Ramki Thurimella

Study on Re-adhesion control by monitoring excessive angular momentum in electric railway traction

Parametrized Surfaces

Προσωπική Aνάπτυξη. Ενότητα 2: Διαπραγμάτευση. Juan Carlos Martínez Director of Projects Development Department

Μορφοποίηση υπό όρους : Μορφή > Μορφοποίηση υπό όρους/γραμμές δεδομένων/μορφοποίηση μόο των κελιών που περιέχουν/

Review: Molecules = + + = + + Start with the full Hamiltonian. Use the Born-Oppenheimer approximation

Transcript:

H O G feature descriptor global feature the most common algorithm associated with person detection Με τα Ιστογράμματα της Βάθμωσης (Gradient) μετράμε τον προσανατολισμό και την ένταση της βάθμωσης σε μία περιοχή της εικόνας ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ

Ένα ερώτημα H O G Πως θα γίνει Ανίχνευση/ταξινόμηση αυτοκινήτου με κινούμενο παράθυρο Car/non-car Classifier The HOG person detector uses a detection window that is 64 pixels wide by 28 pixels tall. ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 2

H O G Βασικό paper Gradient-based feature descriptor developed for people detection Authors: Dalal&Triggs (INRIA Grenoble, F) ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 3

H O G Τα βήματα συνοπτικά: Προεπεξεργασία Υπολογισμός Βάθμωσης - gradient Ομαδοποίηση των κελιών blocks Κανονικοποίηση f = 2 2 3 3 4 4 ( h,..., h, h,..., h, h,..., h, h h ) 9 9 9,..., 9 ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 4

Υπολογισμός Βάθμωσης -gradient Kernel συνέλιξης Magnitude = (g x 2 + g y2 ) Angle = arctan(g y /g x ) ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 5

Τύπος μάσκας D centered D uncentered D cubic-corrected 2x2 diagonal 3x3 Sobel τελεστής [-,, ] [-, ] [, -8,, 8, -] 2 2 2 2 Υπολογισμός Βάθμωσης (gradient) ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 6

κελί ιστόγραμμα βάθμωσης Σε κάθε κελί (cell) Έχουμε ιστόγραμμα 9 bins Σε κάθε bin «συσσωρεύουμε» το μέτρο της βάθμωσης Δηλ. «Gradient histogram» Μετρά την διεύθυνση και την ένταση της βαθμωσης σε ένα τμήμα της εικόνας ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 7

ιστόγραμμα βάθμωσης- υπολογισμός f = 2 2 3 3 4 4 ( h,..., h, h,..., h, h,..., h, h h ) 9 9 9,..., 9 Angle Magnitude 5 25 25 5 2 2 5 25 3 5 5 45 95 2 3 3 4 47 97 2 5 7 7 8 6 4 Magnitude voting 2 8 6 4 2-9 2-39 4-59 6-79 8-99 -9 2-39 4-59 6-79 ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 8

Ιστόγραμμα βάθμωσης - παραδειγμα 8 8 cell ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 9

Ομαδοποίηση των κελιών(cells) blocks Cells blocks Block Block2 4 cells σε κάθε block Τα Blocks επικαλύπτονται Parameters Gradient scale Orientation bins Block overlap area ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ

Κανονικοποίηση Σε κάθε block L norm = L sqrt = L2 norm = v v v + ε v + ε v v 2 2 + ε ν είναι το διάνυσμα -4 ιστογράμματασε κάθε Block 4 shells x9 bins =36 Επιτυγχάνεται ανεξαρτησία σε μεταβολές έντασης ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ

Τελικό διάνυσμα HOG Concatenation of Blocks The 64 x 28 pixel detection window will be divided into 7 blocks across and 5 blocks vertically, for a total of 5 blocks. Each block contains 4 cells with a 9-bin histogram for each cell, for a total of 36 values per block. This brings the final vector size to 7 blocks across x 5 blocks vertically x 4 cells per block x 9-bins per histogram = 3,78 values. ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 2

H O G ανακεφαλαίωση. Υπολογίζουμε βάθμωση 2. Υπολογίζουμε το ιστόγραμμα της βάθμωσης σε ένα κελί πχ. 8x8 pixels 3. Κανονικοποιούμε το ιστόγραμμα σε επικαλυπτόμενα blocks (πχ 2x2 cells) 4. Συνενώνουμε (concatenate) τα ιστογράμματα στο παράθυρο ελεγχου ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 3

παραδειγμα: ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 4

Παραδείγματα-συνέχεια Τρείς εικόνες και τα αντίστοιχα R-HOG διανύσματα ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 5

Τελικό στάδιο - ταξινόμηση Support Vector Machines (SVMs) Discriminative classifier based on optimal separating line (for 2D case) Maximize the margin between the positive and negative training examples ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 6

Support vector machines Want line that maximizes the margin. x x i i positive ( y negative( y i i = ) : = ) : x x i i w + b w + b For support, vectors, x i w + b = ± Support vectors Margin ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 7

Person detection, ca. 25. Represent each example with a single, fixed HoG template 2. Learn a single [linear] SVM as a detector ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 8

Positive and negative examples + thousands more + millions more ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 9

HoG templates for person detection ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Σπύρος Φωτόπουλος ΔΠΜΣ-ΗΕΠ ΗΕ- ΣΕΣΕ 2