🎟️ ⏺️ 👩🏻‍🚒 वियोला जोन्स को अपग्रेड करें 🍲 💃🏿 ☝🏽

अपने पिछले विषय में, मैंने यह दिखाने की कोशिश की कि वियोला जोन्स विधि कैसे काम करती है, जिसमें प्रौद्योगिकियों और आंतरिक एल्गोरिदम का उपयोग किया जाता है। इस पोस्ट में, ताकि श्रृंखला को बाधित न करने के लिए, बहुत अधिक सिद्धांत भी होगा, यह दिखाया जाएगा कि पहले से ही अद्भुत विधि को कैसे सुधारें। यदि हम यहां भी सॉफ़्टवेयर कार्यान्वयन का वर्णन करते हैं, तो एक विशाल कैनवास होगा जो पढ़ने में बहुत असुविधाजनक होगा, और यह बिल्कुल भी नहीं दिखेगा - जानकारी की मात्रा को दो अलग-अलग पदों में तोड़ने का निर्णय लिया गया था। नीचे एक सिद्धांत, कुछ चित्र, लेकिन बहुत सारी उपयोगी चीजें हैं।

भावना मान्यता के चरणों में उभरती समस्याएं

एक व्यक्ति यह भी ध्यान नहीं देता है कि वह कैसे अपनी दृष्टि की मदद से चेहरे और भावनाओं का पता लगाने के कार्यों से सामना करता है। जब आंख लोगों, वस्तुओं, प्रकृति के आसपास के चेहरों को देखती है, तो अवचेतन रूप से यह महसूस नहीं किया जाता है कि दृश्य जानकारी के पूरे प्रवाह को संसाधित करने के लिए मस्तिष्क कितना काम करता है। किसी व्यक्ति के लिए एक तस्वीर में एक परिचित व्यक्ति को ढूंढना मुश्किल नहीं होगा, या एक मुस्कुराहट से एक दुर्भावनापूर्ण व्याकरण को भेद करना मुश्किल होगा।
एक आदमी चेहरे और भावनाओं का पता लगाने के लिए एक कंप्यूटर सिस्टम को फिर से बनाने और बनाने की कोशिश कर रहा है - वह आंशिक रूप से सफल होता है, लेकिन हर बार उसे मान्यता में बड़ी समस्याओं का सामना करना पड़ता है। आजकल कंप्यूटर स्वतंत्र रूप से बड़ी मात्रा में जानकारी, चित्र, वीडियो और ऑडियो फ़ाइलों को संग्रहीत कर सकते हैं। लेकिन समान आसानी से कंप्यूटिंग सिस्टम को खोजने के लिए, उदाहरण के लिए, अपनी निजी फोटो गैलरी से सही व्यक्ति की एक निश्चित भावना के साथ सही फोटो एक मुश्किल काम है। कुछ कारक इस कार्य में बाधा डालते हैं:

वांछित वस्तुओं के विभिन्न आकार, साथ ही छवियों के पैमाने;
पता चला वस्तु छवि में कहीं भी हो सकती है;
एक पूरी तरह से अलग वस्तु आपको जिस चीज की तलाश है, वह दिख सकती है;
ऑब्जेक्ट, जिसे हम कुछ अलग समझते हैं, छवि में हाइलाइट नहीं किया गया है, और अन्य वस्तुओं की पृष्ठभूमि पर है, उनके साथ विलय करता है;
पुरानी और असंसाधित तस्वीरें - वे हमेशा "विचलित" होती हैं सिस्टम खरोंच, शोर, विकृतियां, और विभिन्न प्रकार के मौआ पैटर्न अक्सर स्कैन की गई तस्वीरों पर दिखाई देते हैं;
यह मत भूलो कि कई मान्यता एल्गोरिदम (वायोला-जोन्स में भी), सीधे 2 डी स्थान के साथ काम किया जाता है। इसलिए, वांछित वस्तु के रोटेशन और प्रक्षेपण के दिए गए समन्वय अक्षों के सापेक्ष देखने के कोण में परिवर्तन 2 डी में इसके प्रक्षेपण को प्रभावित करता है। एक और एक ही वस्तु पूरी तरह से अलग तस्वीर दे सकती है, जो कि रोटेशन या उससे दूरी पर निर्भर करती है। वांछित चेहरे को छवि विमान में घुमाया जा सकता है। यहां तक कि कैमरे के सापेक्ष चेहरे के अभिविन्यास में अपेक्षाकृत छोटा परिवर्तन चेहरे की छवि में एक गंभीर बदलाव को दर्शाता है और किसी दिए गए चेहरे के चेहरे के भाव को पहचानने का कोई सवाल ही नहीं है;
छवि या फ़्रेम गुणवत्ता: हाइलाइट्स और गलत सफेद संतुलन , रंग सुधार और अन्य पैरामीटर निश्चित रूप से ऑब्जेक्ट की मान्यता को प्रभावित करते हैं;
लोगों की नस्लीय संबद्धता: त्वचा का रंग, स्थान और व्यक्तिगत पहचान योग्य लक्षणों का आकार;
चेहरे की अभिव्यक्ति में मजबूत बदलाव। उदाहरण के लिए, बहुत अधिक अप्रिय कार्रवाई एक निश्चित भावना की सही मान्यता को प्रभावित कर सकती है;
किसी व्यक्ति के चेहरे की व्यक्तिगत विशेषताएं, जैसे कि मूंछें, दाढ़ी, चश्मा, झुर्रियाँ, काफी हद तक स्वचालित पहचान को जटिल करती हैं;
चेहरे का हिस्सा अदृश्य या फसली हो सकता है;
फोटोग्राफ में कोई भी चेहरा नहीं हो सकता है, लेकिन मशीन, जैसा कि उसे लगता है, अपने चेहरे और चेहरे की विशेषताओं द्वारा अन्य वस्तुओं को सही ढंग से निर्धारित करता है और उनका पता लगाता है।

सूची लंबे समय तक चलती है। लेकिन ध्यान सबसे महत्वपूर्ण बिंदुओं पर केंद्रित है, इसलिए सभी हस्तक्षेप करने वाले मापदंडों को सूचीबद्ध करने का कोई मतलब नहीं है।

भावनाओं की मान्यता की समस्या में एक विधि चुनने का मानदंड

विभिन्न तरीकों की मान्यता गुणवत्ता की तुलना कई कारणों से जटिल है। उनमें से एक, और सबसे महत्वपूर्ण एक, यह है कि ज्यादातर मामलों में केवल लेखकों द्वारा प्रदान किए गए परीक्षण डेटा पर भरोसा करना संभव है, क्योंकि अधिकांश ज्ञात विधियों के कार्यान्वयन पर एक बड़े पैमाने पर अध्ययन करना संभव नहीं है और छवियों के एक सेट पर आपस में उनकी तुलना करना संभव है:

परीक्षण डेटा के एक सार्वभौमिक संग्रह की आवश्यकता है;
समान डेटा सेट मौजूद होना चाहिए;
कंप्यूटिंग शक्ति की आवश्यकता है - एक प्रयोगशाला के स्तर पर संसाधन इसके लिए छोटे हैं;
इन एल्गोरिदम पर शोध करने की उच्च जटिलता;
विधियों के लेखकों द्वारा प्रदान की गई जानकारी के आधार पर, एक सही तुलना करना भी मुश्किल है, क्योंकि सफल और असफल पहचान की शर्तों के लिए अलग-अलग शब्दों के साथ, तरीकों का सत्यापन अक्सर छवियों के विभिन्न सेटों पर किया जाता है। इसके अलावा, पहली श्रेणी के कई तरीकों के लिए सत्यापन छवियों के काफी छोटे सेट पर किया गया था।

मुख्य बिंदु जो समस्या को हल करने के लिए एक विधि की पसंद को प्रभावित करते हैं, और मानदंड की शर्तों को निम्नानुसार पहचाना जाता है (विकास प्रक्रिया में, जिन्हें इटैलिक में दिखाया गया है वे सबसे अधिक इष्टतम हैं):

• व्यक्तियों पर प्रतिबंध:
- लोगों का एक सीमित, पूर्वनिर्धारित सेट;
- लोगों की एक संभावित दौड़ पर या चेहरे पर विशिष्ट अंतर पर प्रतिबंध (उदाहरण के लिए, चेहरे के बाल, चश्मा);
- प्रतिबंधों की कमी ।

• छवि में चेहरे की स्थिति:
- ललाट;
- एक ज्ञात कोण पर झुकाव;
- कोई झुकाव ।

• छवि प्रकार:
- रंग;
- काले और सफेद;
- कोई भी ।

• चेहरा पैमाने:
- पूरी तरह से "मुख्य फ्रेम" में;
- कुछ आकारों के साथ एक विशिष्ट स्थान पर स्थानीयकृत;
- यह कोई बात नहीं है ।

• संकल्प और छवि गुणवत्ता:
- बुरा / बुरा;
- बुरा / अच्छा;
- केवल अच्छा;
- कोई भी ।

• शोर, हस्तक्षेप, मौआ:
- कमजोर;
- मजबूत;
- यह कोई बात नहीं है ।

• छवि में चेहरे की संख्या:
- यह ज्ञात है;
- लगभग ज्ञात;
- अज्ञात है ।

• प्रकाश व्यवस्था:
- यह ज्ञात है;
- लगभग ज्ञात;
- कोई भी ।

• पृष्ठभूमि:
- निश्चित;
- विषम मैदान;
- कम विपरीत शोर;
- अज्ञात;
- कोई फर्क नहीं ।

• अनुसंधान का महत्व:
- सभी चेहरे और विशेषताओं की पहचान करना अधिक महत्वपूर्ण है ;
- इमेज में डिटेक्शन को कम करके गलत डिटेक्शन एरर को कम करें।

प्रस्तावित सुधार

वायोला-जोन्स विधि कभी-कभी आश्चर्यजनक त्रुटियों का उत्पादन करती है, जैसा कि कुछ हैबरसर्स ने उल्लेख किया है। इसलिए, इस स्थिति में सबसे तार्किक समाधान वियोला-जोन्स एल्गोरिथ्म को संशोधित करना और यदि संभव हो, तो इसकी मान्यता विशेषताओं में सुधार करना था।
नीचे प्रस्तावित विधि संभव निपटान का सुझाव देती है :

अपर्याप्त रोशनी के रूप में बड़े प्रतिबंध, छवि में मौजूदा शोर और छवि में एक अप्रभेद्य वस्तु छवि पूर्व प्रसंस्करण का उपयोग कर;
झुके हुए सिर को खोजने के लिए विशेष रूप से प्रशिक्षित किए गए नए कैस्केड को प्रशिक्षित करके चेहरे के झुकाव के कोण की समस्याएं;
ऊपर सूचीबद्ध बिंदुओं के माध्यम से किसी व्यक्ति के चेहरे पर भावनाओं का पता लगाने में अशुद्धियाँ, नई Haar आदिम शुरुआत करने से जो कि वियोला-जोन्स एल्गोरिथ्म में लागू मानक सेट का विस्तार करती है और बड़ी संख्या में कैस्केड को प्रशिक्षित करके विशेष रूप से एक विशेष भाव की चेहरे की विशेषताओं के लिए तैयार की जाती है।

उपरोक्त को देखते हुए, काम की इस पद्धति को भावनाओं को निर्धारित करने के लिए समय कम करना चाहिए।
नई पद्धति की योजना नीचे दिए गए आंकड़े में प्रस्तुत की गई है:

अतिरिक्त Haar आदिम

इसलिए, एल्गोरिथ्म की क्षमताओं और इच्छुक चेहरे की विशेषताओं को खोजने की गुणवत्ता में सुधार करने के लिए, मैं नए प्रकार के संकेतों के लिए इस तरह के विकल्प का प्रस्ताव करता हूं, जैसे कि आंकड़े में।

इस तरह के संकेतों को संयोग से नहीं चुना गया था, लेकिन वांछित चेहरे की विशेषताओं के सिल्हूट के संबंध में। इन संकेतों का उपयोग करते हुए, कार्यक्रम नाक, भौंहों और मुंह के लिए बहुत तेजी से खोज करेगा, लेकिन यह मानक एल्गोरिथ्म की तुलना में अन्य चेहरे की विशेषताओं पर थोड़ा अधिक समय बिताएगा, लेकिन अतिरिक्त संकेतों को लागू किया जाना चाहिए: सामान्य तौर पर, मान्यता के मिलीसेकंड जीते जाते हैं और थोड़ा, लेकिन सटीकता बढ़ जाती है।

छवि प्रीप्रोसेसिंग

वायोला-जोन्स विधि का उपयोग करने वाले वर्णित एल्गोरिदम व्यापक रूप से उपयोग किए जाते हैं। विधि स्वयं अन्य एल्गोरिदम के साथ सफलतापूर्वक बातचीत कर सकती है और विशिष्ट आवश्यकताओं और आवश्यकताओं के लिए अनुकूलित की जा सकती है। इसके अलावा, यह न केवल स्थिर छवियों के साथ काम करता है, वास्तविक समय में डेटा को स्वतंत्र रूप से संसाधित करना संभव है। हालांकि, यहां तक कि यह भावनाओं की सही पहचान प्रदान नहीं करता है। चलो वियोला-जोन्स के साथ मान्यता प्रतिशत को और भी ऊपर उठाने की कोशिश करते हैं। ऐसा करने के लिए, उत्पादकता बढ़ाने के लिए प्रारंभिक छवि प्रसंस्करण करने का निर्णय लिया गया।
पता लगाने के आगे के चरणों में प्रसंस्करण को गति देने के लिए किसी व्यक्ति के चेहरे के संभावित क्षेत्रों को निर्धारित करने के लिए एक त्वरित और विश्वसनीय तरीका बनाने के लिए, सीमावर्ती आकृति को निर्धारित करने और उजागर करने के लिए एक एल्गोरिथ्म प्रस्तावित है। इस दृष्टिकोण का विचार यह है कि हम उन क्षेत्रों पर जोर दे सकते हैं जिनमें चेहरे और इसकी विशेषताओं को खोजने की सबसे अधिक संभावना है । यह न केवल एल्गोरिथ्म के संचालन को तेज करता है, बल्कि चेहरे की झूठी पहचान की संभावना को भी कम करता है। इन चरणों को मूल छवि में चित्रित किया जाएगा:

ग्रेस्केल छवि

पहले आपको छवि को ग्रेस्केल में अनुवाद करना होगा। इसके लिए, छवि को YUV रंग मॉडल में प्रस्तुत करना सुविधाजनक है। ऐसा करने के लिए, रूपांतरण किया जाता है:

Y = 0.299 * R + 0.587 * G + 0.114 * B; U = -0.14713 * R - 0.28886 * G + 0.436 * B; (1.1) V = 0.615 * R - 0.51499 * G - 0.10001 * B;
Y = 0.299 * R + 0.587 * G + 0.114 * B; U = -0.14713 * R - 0.28886 * G + 0.436 * B; (1.1) V = 0.615 * R - 0.51499 * G - 0.10001 * B;
Y = 0.299 * R + 0.587 * G + 0.114 * B; U = -0.14713 * R - 0.28886 * G + 0.436 * B; (1.1) V = 0.615 * R - 0.51499 * G - 0.10001 * B;

, जहां R, G, और B दिए गए रंगों की तीव्रता हैं , यदि बिल्कुल ठीक हैं, तो ये मॉडल (R, G, B) के घटकों का वर्णन करते हैं। सूत्र में Y ल्यूमिनेन्स घटक है , और यू और वी रंग अंतर घटक हैं , तथाकथित रंग संकेत (इन तीन मापदंडों को मॉडल के घटकों का वर्णन करते हुए मैट्रिक्स द्वारा भी दर्शाया जाता है (वाई, यू, वी))। सूत्र में मौजूद रूपांतरण कारक मानव धारणा की विशेषताओं द्वारा स्थिर और निर्धारित होते हैं। एक ग्रेस्केल छवि के लिए, केवल पहले घटक का मूल्य महत्वपूर्ण है।

स्थानिक फ़िल्टरिंग

अनुवादित ग्रेस्केल छवि को सुचारू किया जाता है और स्थानिक भेदभाव किया जाता है - छवि के प्रत्येक बिंदु पर तीव्रता फ़ंक्शन के ग्रेडिएंट की गणना की जाती है। यह माना जाता है कि क्षेत्र वास्तविक वस्तुओं या उनके भागों के अनुरूप हैं, और क्षेत्रों की सीमाएं वास्तविक वस्तुओं की सीमाओं के अनुरूप हैं। स्लाइडिंग मास्क का उपयोग करके चमक अंतराल का पता लगाने में उपयोग किया जाता है । विभिन्न पाठ्यपुस्तकों और लेखों में इसे अलग-अलग रूप में कहा जाता है, जिसे आमतौर पर एक फ़िल्टर या कोर कहा जाता है, जो मूल छवि के मैप किए गए Y के समान एक वर्ग मैट्रिक्स है। स्थानिक फ़िल्टरिंग योजना नीचे दिखाई गई है:

सोबेल ऑपरेटर

3 * 3 छवि क्षेत्र में संचालित " Sobel ऑपरेटरों " के रूप में जाना जाता है विशेष गुठली का उपयोग कर लागू विधि में, 2 का वजन कारक मध्यम तत्वों के लिए उपयोग किया जाता है। कर्नेल के गुणांक को इसलिए चुना जाता है, जब इसे लागू किया जाता है, एक दिशा में चौरसाई और दूसरे में स्थानिक व्युत्पन्न की गणना एक साथ की जाती है। सोबेल ऑपरेटर द्वारा उपयोग किए जाने वाले मास्क नीचे प्रदर्शित किए गए हैं:

उनसे हम ग्रेडिएंट G _x और G _y के घटक प्राप्त करते हैं:

G _x = (z ₇ + 2z ₈ + z ₉ ) – (z ₁ + 2z ₂ + z ₃ ) (1.2)

G _y = (z ₃ + 2z ₆ + z ₉ ) – (z ₁ + 2z ₄ + z ₇ ) (1.3)

ढाल के परिमाण की गणना करने के लिए, इन घटकों को एक साथ उपयोग किया जाना चाहिए:

(1.4)
या

(1.5)
परिणाम दिखाता है कि कैसे "तेज" या "सुचारू रूप से" छवि की चमक प्रत्येक बिंदु पर बदल जाती है, जिसका अर्थ है किनारे पर एक बिंदु खोजने की संभावना, साथ ही साथ सीमा का उन्मुखीकरण। निरंतर चमक के क्षेत्र में एक बिंदु पर सोबेल ऑपरेटर के काम का परिणाम एक शून्य वेक्टर होगा, और विभिन्न चमक के क्षेत्रों की सीमा पर स्थित एक बिंदु पर, एक वेक्टर चमक बढ़ाने की दिशा में सीमा पार करेगा। इसके अलावा, काम का नतीजा फोटो का सीमा-पारियों में अनुवाद है (इसे परिवर्तित छवि में देखा जा सकता है):

थ्रेशोल्ड वर्गीकरण

इसके अलावा, एक ही ग्रेस्केल छवि को थ्रेसहोल्ड वर्गीकरण (थ्रेसहोल्ड) , या चमक के लिए एक सीमा के विकल्प के अधीन किया जाता है । ऐसी दहलीज का अर्थ वांछित प्रकाश वस्तु (अग्रभूमि) और अंधेरे पृष्ठभूमि (पृष्ठभूमि) को अलग करना है, जहां वस्तु उन पिक्सल्स का एक संग्रह है जिनकी चमक थ्रेशोल्ड (I> T) से अधिक है, और पृष्ठभूमि अन्य पिक्सल्स का एक संग्रह है "चमक कम है दहलीज (I <T)। स्वचालित मोड में वैश्विक सीमा के साथ काम करने के लिए एक उदाहरण एल्गोरिथ्म इस तरह दिखता है:

दहलीज टी का एक प्रारंभिक अनुमान चुना गया है - यह छवि चमक का औसत स्तर (आधा न्यूनतम और अधिकतम चमक, न्यूनतम + अधिकतम / 2) या किसी अन्य सीमा मानदंड हो सकता है;
छवि का एक निश्चित विभाजन थ्रेशोल्ड टी का उपयोग करके किया जाता है - परिणामस्वरूप, पिक्सेल के दो समूह बनते हैं: जी ₁ , जिसमें टी से अधिक चमक के साथ पिक्सेल शामिल हैं, और जी ₂ , जिसमें टी से कम या बराबर चमक वाले पिक्सल शामिल हैं;
जी ₁ और जी ₂ क्षेत्रों पर μ ₁ और μ ₂ पिक्सेल चमक के औसत मूल्यों की गणना की जाती है;
नई सीमा मूल्य T = 0.5 * (μ ₁ + μ ₂ ) की गणना की जाती है;
चार के माध्यम से दो चरण दोहराए जाते हैं जब तक कि थ्रेशोल्ड मानों के बीच का अंतर टी और पिछली पुनरावृत्ति में गणना की गई टी निर्धारित पूर्व निर्धारित पैरामीटर से कम है।

ओट्सु बाइनराइजेशन

सोबेल के संचालक ऐसा नहीं कर सकते हैं, क्योंकि यह बहुत अधिक शोर और हस्तक्षेप करता है, इसलिए एक ग्रेस्केल छवि को बिनाराइज़ किया जाना चाहिए। दहलीज चुनने की दर्जनों विधियां हैं, लेकिन यह वह विधि है जिसका आविष्कार जापानी वैज्ञानिक नोबुयुकी ओत्सु (ओट्सू की विधि) ने 1979 [1] में किया था, क्योंकि इसे चुना गया था। यह तेज और कुशल है। छवि पिक्सेल के चमक मूल्यों को यादृच्छिक चर के रूप में माना जा सकता है, और उनके हिस्टोग्राम - संभावना वितरण घनत्व के अनुमान के रूप में। यदि संभाव्यता वितरण घनत्व ज्ञात हैं, तो छवि विभाजन के लिए इष्टतम (न्यूनतम त्रुटि के अर्थ में) दो वर्गों c ₀ और c ₁ (ऑब्जेक्ट्स और पृष्ठभूमि) में निर्धारित करना संभव है। हिस्टोग्राम एक डिब्बे (या स्तंभों) का एक सेट है, जिनमें से प्रत्येक नमूना तत्वों की संख्या को उसमें गिरता है। एक ग्रेस्केल छवि के मामले में, ये विभिन्न चमक के पिक्सेल होते हैं, जो 0 से 255 तक पूर्णांक मान ले सकते हैं। हिस्टोग्राम के लिए धन्यवाद, दो स्पष्ट रूप से अलग-अलग वर्ग एक व्यक्ति को दिखाई देते हैं। ओट्सू पद्धति का सार वर्गों के बीच दहलीज को स्थापित करना है ताकि उनमें से प्रत्येक यथासंभव "घने" हो । यदि गणितीय भाषा में व्यक्त किया जाता है, तो यह इंट्रा-क्लास विचरण को कम करता है, जिसे दो वर्गों के भिन्नरूपों के भारित योग के रूप में परिभाषित किया जाता है (यानी, यह इन वर्गों की गणितीय अपेक्षाओं से विचलन का योग है:
σ _w ² = w ₁ * σ ₁ ² + w ₂ * σ ₂ ² , (1.6)
जहाँ, _w इंट्रा-क्लास वेरिएंट है, and ₁ और the ₂ क्रमशः वेरिएंस हैं, और डब्ल्यू ₁ और डब्ल्यू ₂ क्रमशः पहले और दूसरे वर्ग की संभावनाएं हैं। Otsu एल्गोरिथ्म में, इंट्रा-क्लास विचरण को कम करना इंटर-क्लास विचरण को अधिकतम करने के बराबर है , जो इसके बराबर है:
σ _b ² = w ₁ * w ₂ (μ ₁ – μ ₂ ) ² , (1.7)
जहां w _बी इंटरक्लास फैलाव है, डब्ल्यू ₁ और डब्ल्यू ₂ क्रमशः पहली और दूसरी कक्षाओं की संभावनाएं हैं, और μ ₁ और μ ₂ प्रत्येक वर्ग के लिए अंकगणितीय माध्य मान हैं। कुल विचरण सूत्र द्वारा व्यक्त किया जाता है
σ _T ² = σ _w ² + σ _b ² . (1.8)
एक तेज़ एल्गोरिथम की सामान्य योजना इस प्रकार है:

हम हिस्टोग्राम (पिक्सल की एक सरणी से होकर गुजरते हैं) की गणना करते हैं। जरूरत है कि सभी एक हिस्टोग्राम है; छवि भर के मार्ग अब आवश्यक नहीं हैं।
दहलीज t = 1 से शुरू होकर, हम पूरे हिस्टोग्राम से गुजरते हैं, प्रत्येक चरण में विचरण t _b (t) को पुन: करते हैं। यदि किसी एक चरण में विचरण अधिकतम से अधिक है, तो विचरण अद्यतन किया जाता है और टी = टी।
वांछित सीमा टी है।

अधिक सटीक कार्यान्वयन में, ऐसे पैरामीटर हैं जो आपको एल्गोरिथ्म को गति देने की अनुमति देते हैं, उदाहरण के लिए, हिस्टोग्राम के माध्यम से मार्ग 1 से 254 तक नहीं, बल्कि न्यूनतम से (अधिकतम -1) चमक से बना है। नीचे दिए गए फोटो में "क्लासिक" बिनाराइजेशन दिखाया गया है:

ओट्सू पद्धति के फायदे हैं:

कार्यान्वयन में आसानी;
हम विभिन्न छवियों के लिए अच्छी तरह से अनुकूलित करते हैं, सबसे इष्टतम सीमा का चयन करते हैं;
O (N) ऑपरेशन एल्गोरिथम की समय जटिलता, जहां N छवि में पिक्सेल की संख्या द्वारा व्यक्त की गई है।

विधि के नुकसान :

इस तरह की थ्रेशोल्ड बिनराइजेशन छवि में चमक के समान वितरण पर बहुत निर्भर है। समाधान एक वैश्विक के बजाय कई स्थानीय थ्रेसहोल्ड का उपयोग करना है।

कैनी बाउंड्री डिटेक्टर

इसलिए, छवि प्रसंस्करण के पिछले चरणों के आधार पर, चमक मूल्यों के अनुसार छवि के किनारों और एक दहलीज द्वारा विभाजन प्राप्त किया जाता है। अब, परिणाम को मजबूत करने के लिए, आपको खोजने के लिए कैनी बॉर्डर डिटेक्टर का उपयोग करने की आवश्यकता है और अंत में वस्तुओं के किनारों को छवि में रेखांकित करना चाहिए। जॉन कैनी ने अपने अध्ययन में [2] एक फिल्टर का निर्माण किया, जो एक किनारे के कई प्रतिक्रियाओं को अलग करने, स्थानीयकरण और कम करने के लिए मापदंड के अनुसार इष्टतम है।
Canny एल्गोरिथ्म का उपयोग करते हुए, निम्नलिखित कार्य हल किए जाते हैं:

"झूठे" मैक्सिमा का दमन। केवल कुछ ऊँची सीमाओं के रूप में चिह्नित हैं;
बाद में डबल सीमा फ़िल्टरिंग। संभावित सीमाएं थ्रेसहोल्ड द्वारा निर्धारित की जाती हैं। पतले किनारों (किनारे के पतले होने) में विभाजन;
सभी अस्पष्ट किनारों का दमन जो किसी भी क्षेत्र की सीमाओं से संबंधित नहीं हैं। किनारों को कंट्रोस से जोड़ना (एज लिंकिंग)।

कन्नी का काम ऐसी अवधारणा का उपयोग गैर-अधिकतम दमन के रूप में करता है, जिसका अर्थ है कि पिक्सल उन बिंदुओं को सौंपा जाता है जहां स्थानीय ढाल के क्रम में अधिकतम ढाल ढाल की दिशा में पहुंच जाता है । सोबेल ऑपरेटर का उपयोग करते हुए, हम सीमा वेक्टर की दिशा का कोण प्राप्त करते हैं (सूत्र 1.4 से निम्नानुसार):
β(x,y) = arctg(G _x /G _y ), (1.9)
जहाँ where (x, y) बिंदु पर वेक्टर thef की दिशा के बीच का कोण है (x, y) और y अक्ष, और Gy और Gx ढाल के घटक हैं। वेक्टर की दिशा 45 ° से अधिक होनी चाहिए। सीमा वेक्टर की दिशा वेक्टर ऊर्ध्वाधर, क्षैतिज और दो विकर्णों (उदाहरण के लिए, 0, 45, 90 और 135 डिग्री) का प्रतिनिधित्व करने वाले चार कोणों में से एक के लिए गोल है। फिर स्थितियां जांचती हैं कि ग्रेडिएंट वेक्टर की संगत दिशा में एक स्थानीय अधिकतम तक पहुंचता है या नहीं। निम्नलिखित एक 3 * 3 मुखौटा के लिए एक उदाहरण है:

यदि ढाल दिशा का कोण शून्य है, तो बिंदु को एक सीमा माना जाएगा यदि इसकी तीव्रता प्रश्न में बिंदु के ऊपर और नीचे के बिंदु से अधिक है;
यदि ढाल दिशा का कोण 90 डिग्री है, तो बिंदु को सीमा माना जाएगा यदि इसकी तीव्रता प्रश्न में बिंदु के बाईं और दाईं ओर बिंदु से अधिक है;
यदि ढाल दिशा का कोण 135 डिग्री है, तो बिंदु को सीमा माना जाएगा यदि इसकी तीव्रता विचार बिंदु के ऊपरी बाएं और निचले दाएं कोने में स्थित बिंदुओं से अधिक है;
यदि ढाल दिशा का कोण 45 डिग्री है, तो बिंदु को एक सीमा माना जाएगा यदि इसकी तीव्रता विचार बिंदु के ऊपरी दाएं और निचले बाएं कोने में स्थित बिंदुओं से अधिक है।

स्थानीय अनिश्चितताओं को दबाने के बाद, किनारे अधिक सटीक और पतले हो जाते हैं। इस प्रकार, हमें एक बाइनरी इमेज मिलती है जिसमें बॉर्डर (तथाकथित "पतले किनारे" ) होते हैं। उन्हें परिवर्तित छवि में देखा जा सकता है:

कैनी सीमाएं दो फ़िल्टरिंग थ्रेशोल्ड का उपयोग करती हैं:

यदि पिक्सेल मान ऊपरी सीमा से ऊपर है - यह अधिकतम मूल्य लेता है और सीमा विश्वसनीय मानी जाती है, तो पिक्सेल का चयन किया जाता है;
यदि कम है, तो पिक्सेल दबा दिया जाता है;
थ्रेसहोल्ड के बीच की सीमा में मूल्य के साथ अंक एक निश्चित औसत मूल्य लेते हैं;
तब मध्य तय किए गए पाए गए पिक्सेल समूह में जोड़े जाते हैं यदि वे चार दिशाओं में से किसी एक समूह के संपर्क में हों।

कॉम्बिंग इमेज

कैनी डिटेक्टर के बाद, छवि फैलाव के एक रूपात्मक ऑपरेशन से गुजरती है - इस तथ्य के कारण पाया सीमाओं का मोटा होना कि एक संरचना-गठन सेट उनके ऊपर चलाया जाता है।
और अंत में, अंतिम चरण मूल से परिणामी बिनाराइज्ड छवि को घटाना है। लगभग, आपको एक चालाक कोटे की तैयारी से बाहर निकलने पर एक ऐसी छवि मिलनी चाहिए और अपनी भावनाओं को पहचानने के लिए एक अशांत, स्तब्ध बच्चा:

निष्कर्ष

यह दृष्टिकोण सार्वभौमिक, विस्तार योग्य है, और यदि पर्याप्त संख्या में क्लासिफायर का प्रशिक्षण दिया जाता है, तो खोज का तरीका बहुत जल्दी और लगभग सही ढंग से काम करता है।

संक्षेप में:
वियोला-जोन्स एल्गोरिथ्म के कार्य तंत्र की एक विस्तृत चर्चा है और इस पोस्ट में वर्णित है कि मानवीय भावनाओं का पता लगाने की समस्या को हल करने की दक्षता में सुधार करने के लिए मेरे दृष्टिकोण। स्वाभाविक रूप से, यह विधि का एकमात्र संशोधन नहीं है। आप अपनी कोशिश कर सकते हैं। इस तरह के उन्नयन की मदद से, विधि का एक सैद्धांतिक सुधार संभव है।
अब इस एल्गोरिथ्म की स्थिरता और व्यवहार में इसकी प्रयोज्यता दिखाई जानी चाहिए। मैं अपने अगले पोस्ट में इसके कार्यान्वयन के बारे में बताऊंगा और इसे चित्रण की मदद से दिखाऊंगा। आपका ध्यान के लिए धन्यवाद! मुझे आशा है कि आप रुचि रखते थे!

संदर्भ

1. ओट्सु, एन।, "ग्रे-लेवल हिस्टोग्राम्स से एक थ्रेसहोल्ड चयन पद्धति," सिस्टम, मैन और साइबरनेटिक्स, वॉल्यूम पर IEEE लेनदेन। 9, नंबर 1,1979।, पीपी। ६२- ६६
2. जॉन कैनी, "एज कम्प्यूटेशन टू एज डिटेक्शन," IEEE ट्रांजेक्शंस ऑन पैटर्न एनालिसिस एंड मशीन इंटेलिजेंस, वॉल्यूम 8, नंबर 6, 1986।, पीपी। 679-698
3. छवि समोच्च एल्गोरिदम

वियोला जोन्स को अपग्रेड करें