पैटर्न मान्यता के बारे में कुछ शब्द

मैं लंबे समय से एक सामान्य लेख लिखना चाहता था जिसमें छवि मान्यता की मूल बातें शामिल हैं, मूल तरीकों के लिए एक मार्गदर्शिका, उन्हें बताते हैं कि उनका उपयोग कब करना है, वे कौन से कार्य हल करते हैं, शाम को अपने घुटनों पर क्या कर सकते हैं, और एक टीम के बिना क्या सोचना बेहतर है 20 पर।

मैं कुछ समय पहले ऑप्टिकल रिकॉग्निशन पर कुछ लेख लिखता हूं, इसलिए महीने में एक दो बार मैं इस विषय पर प्रश्नों के साथ विभिन्न लोगों को लिखता हूं। कभी-कभी आपको यह अहसास होता है कि आप उनके साथ अलग-अलग दुनिया में रहते हैं। एक तरफ, आप समझते हैं कि एक व्यक्ति संबंधित विषय में सबसे अधिक पेशेवर है, लेकिन ऑप्टिकल पहचान विधियों में बहुत कम जानता है। और सबसे कष्टप्रद बात यह है कि वह ज्ञान के नजदीकी क्षेत्र से एक ऐसी विधि को लागू करने की कोशिश कर रहा है, जो तार्किक है, लेकिन पूरी तरह से छवि मान्यता में काम नहीं करता है, लेकिन यह नहीं समझता है और बहुत ही मूल बातें से कुछ बताने के लिए बहुत नाराज है। और यह देखते हुए कि बुनियादी बातों से कह - बहुत समय, जो अक्सर नहीं होता है, अभी भी दुखी है।

इस लेख का उद्देश्य यह है कि जिस व्यक्ति ने कभी भी छवि मान्यता विधियों से निपटा नहीं है, वह विषय के अनुरूप दुनिया की एक निश्चित मूल तस्वीर बना सकता है और समझ सकता है कि उसे किस दिशा में खुदाई करनी चाहिए। यहाँ वर्णित कई विधियाँ रडार और ऑडियो प्रोसेसिंग पर लागू होती हैं।
मैं कुछ सिद्धांतों के साथ शुरू करूँगा, जिन्हें हम हमेशा एक संभावित ग्राहक, या एक व्यक्ति जो ऑप्टिकल मान्यता पर काम करना शुरू करना चाहते हैं:

• किसी समस्या को हल करते समय, हमेशा सरलतम से जाएं। किसी व्यक्ति का अनुसरण करने की तुलना में किसी व्यक्ति पर नारंगी निशान लगाना बहुत आसान है, उसे कैस्केड के साथ उजागर करना। सुपर-रिज़ॉल्यूशन एल्गोरिथम विकसित करने की तुलना में उच्च रिज़ॉल्यूशन वाला कैमरा लेना बहुत आसान है।
• ऑप्टिकल पहचान विधियों में समस्या का एक सख्त बयान सिस्टम प्रोग्रामिंग कार्यों की तुलना में अधिक महत्वपूर्ण परिमाण का आदेश है: टीओआर में एक अतिरिक्त शब्द 50% काम जोड़ सकता है।
• मान्यता समस्याओं में कोई सार्वभौमिक समाधान नहीं हैं। एक एल्गोरिथ्म बनाना असंभव है जो बस "किसी भी शिलालेख को पहचानता है"। सड़क पर हस्ताक्षर और पाठ की एक शीट मौलिक रूप से अलग-अलग वस्तुएं हैं। आप शायद एक सामान्य एल्गोरिदम बना सकते हैं ( यहां Google से एक अच्छा उदाहरण है), लेकिन इसके लिए एक बड़ी टीम के बहुत सारे काम की आवश्यकता होगी और इसमें दर्जनों विभिन्न उपप्रोग्राम शामिल होंगे।
• OpenCV एक बाइबिल है जिसमें कई विधियाँ हैं, और जिसके साथ आप लगभग किसी भी कार्य की मात्रा का 50% हल कर सकते हैं, लेकिन OpenCV केवल एक छोटा सा हिस्सा है जो वास्तव में किया जा सकता है। एक अध्ययन में, निष्कर्ष ने कहा: "समस्या OpenCV विधियों द्वारा हल नहीं की गई है, इसलिए, यह अस्वीकार्य है।" इससे बचने की कोशिश करें, ओपनसीवी-टेम्प्लेट का उपयोग किए बिना, हर बार खरोंच से वर्तमान कार्य का मूल्यांकन करने के लिए आलसी और शांत मत बनो।

किसी प्रकार की सार्वभौमिक सलाह देना बहुत मुश्किल है, या यह बताएं कि किसी प्रकार की संरचना कैसे बनाई जाए जिसके चारों ओर आप मनमाने ढंग से कंप्यूटर दृष्टि समस्याओं का समाधान बना सकें। इस लेख का उद्देश्य संरचना है जो आप उपयोग कर सकते हैं। मैं मौजूदा तरीकों को तीन समूहों में तोड़ने की कोशिश करूंगा। पहला समूह पूर्व फ़िल्टरिंग और छवि तैयारी है। दूसरा समूह छानने के परिणामों की तार्किक प्रसंस्करण है। तीसरा समूह तार्किक प्रसंस्करण के आधार पर निर्णय लेने वाला एल्गोरिदम है। समूहों के बीच की सीमाएँ बहुत मनमानी हैं। समस्या को हल करने के लिए, सभी समूहों से तरीकों को लागू करना हमेशा आवश्यक होता है; दो, और कभी-कभी एक भी पर्याप्त होते हैं।

यहां दी गई विधियों की सूची पूरी नहीं है। मैं उन टिप्पणियों में महत्वपूर्ण तरीकों को जोड़ने का सुझाव देता हूं जो मैंने प्रत्येक के साथ 2-3 शब्दों को नहीं लिखा और असाइन किया था।

भाग 1. छानना

इस समूह में मैंने ऐसे तरीकों को रखा है जो आपको छवियों का विश्लेषण किए बिना उनकी रुचि के क्षेत्रों का चयन करने की अनुमति देता है। इनमें से अधिकांश विधियां छवि के सभी बिंदुओं पर किसी प्रकार का एकरूप परिवर्तन लागू करती हैं। फ़िल्टरिंग स्तर पर, छवि विश्लेषण नहीं किया जाता है, लेकिन फ़िल्टरिंग से गुजरने वाले बिंदुओं को विशेष विशेषताओं वाले क्षेत्रों के रूप में माना जा सकता है।

थ्रेशोल्ड बिनाराइजेशन, हिस्टोग्राम क्षेत्र का चयन

सबसे सरल रूपांतरण थ्रेशोल्ड द्वारा छवि का द्वारीकरण है। RGB छवियों और स्केल छवियों के लिए, दहलीज रंग मान है। आदर्श समस्याएं हैं जिनमें ऐसा परिवर्तन पर्याप्त है। मान लें कि आप स्वचालित रूप से कागज की एक सफेद शीट पर वस्तुओं का चयन करना चाहते हैं:


थ्रेशोल्ड का चुनाव जिसके द्वारा बड़े पैमाने पर बिनाराइजेशन होता है, खुद ही बिनाराइजेशन की प्रक्रिया को निर्धारित करता है। इस मामले में, छवि को मध्यम रंग द्वारा द्विपद किया गया था। आमतौर पर, बाइनारिज़ेशन एक एल्गोरिथ्म का उपयोग करके किया जाता है जो अनुकूली रूप से एक सीमा का चयन करता है। ऐसा एल्गोरिथ्म अपेक्षा या विधा का विकल्प हो सकता है । और आप हिस्टोग्राम की सबसे बड़ी चोटी चुन सकते हैं।

हिस्टोग्राम के साथ काम करने पर बिनराइजेशन बहुत दिलचस्प परिणाम दे सकता है, जिसमें एक ऐसी स्थिति भी शामिल है जहां हम छवि को आरजीबी में नहीं, बल्कि एचएसवी में देख रहे हैं। उदाहरण के लिए, दिलचस्प रंग खंड। इस सिद्धांत के आधार पर, एक टैग डिटेक्टर और एक मानव त्वचा डिटेक्टर दोनों का निर्माण संभव है।

शास्त्रीय फ़िल्टरिंग: फूरियर, कम-पास फ़िल्टर, उच्च-पास फ़िल्टर

रडार और सिग्नल प्रोसेसिंग से क्लासिक फ़िल्टरिंग विधियों को कई पैटर्न मान्यता कार्यों के लिए सफलतापूर्वक लागू किया जा सकता है। रडार में पारंपरिक विधि, जिसका उपयोग लगभग कभी भी शुद्ध चित्रों में नहीं किया जाता है, वह है फूरियर रूपांतरण (अधिक विशेष रूप से, एफएफटी )। एक आयामी फूरियर रूपांतरण का उपयोग करने वाले कुछ अपवादों में से एक छवि संपीड़न है । छवियों का विश्लेषण करने के लिए, एक आयामी परिवर्तन आमतौर पर पर्याप्त नहीं होता है, आपको बहुत अधिक संसाधन - गहन दो आयामी परिवर्तन का उपयोग करने की आवश्यकता होती है।

कुछ लोग वास्तव में इसकी गणना करते हैं, आम तौर पर तैयार क्षेत्र के साथ ब्याज के क्षेत्र के दृढ़ संकल्प का उपयोग करने के लिए बहुत तेज और आसान, उच्च (उच्च-पास) या कम (कम-पास) आवृत्तियों के लिए तीक्ष्ण। इस तरह की विधि, निश्चित रूप से, स्पेक्ट्रम के विश्लेषण की अनुमति नहीं देती है, लेकिन एक विशिष्ट वीडियो प्रसंस्करण समस्या में, विश्लेषण की आवश्यकता आमतौर पर होती है, परिणाम नहीं।


फिल्टर के सरलतम उदाहरण जो कम आवृत्तियों ( गाऊसी फिल्टर ) और उच्च आवृत्तियों ( गैबर फिल्टर ) पर जोर देते हैं।
प्रत्येक छवि बिंदु के लिए, एक खिड़की का चयन किया जाता है और एक ही आकार के फिल्टर के साथ गुणा किया जाता है। इस दृढ़ संकल्प का परिणाम एक नया बिंदु मूल्य है। निम्न-पास और उच्च-पास फ़िल्टर लागू करते समय, इस प्रकार के चित्र प्राप्त होते हैं:

तरंगिकाओं

लेकिन क्या होगा अगर हम एक संकेत के साथ दृढ़ संकल्प के लिए कुछ मनमाने ढंग से कार्य करते हैं? फिर इसे वेवलेट ट्रांसफॉर्म कहा जाएगा। तरंगों की यह परिभाषा सही नहीं है, लेकिन यह परंपरागत रूप से विकसित हुई है कि कई टीमों में तरंग विश्लेषण इस पैटर्न के एक मॉडल के साथ एक दृढ़ संकल्प का उपयोग करके एक छवि में एक मनमाना पैटर्न की खोज को संदर्भित करता है। तरंग विश्लेषण में प्रयुक्त शास्त्रीय कार्यों का एक समूह है। इनमें हर वेवलेट , मॉर्लेट वेवलेट , मैक्सिकन हैट वेलेट आदि शामिल हैं। Haar primitives, जिसके बारे में मेरे कई पिछले लेख ( 1 , 2 ) थे, दो-आयामी स्थान के लिए ऐसे कार्यों से संबंधित हैं।


ऊपर क्लासिक तरंगों के 4 उदाहरण हैं। 3-आयामी हारा तरंगिका, 2-आयामी मेयर तरंगिका, मैक्सिकन हाट तरंग, ड्यूबचीज़ तरंग। तरंगों की विस्तारित व्याख्या का उपयोग करने का एक अच्छा उदाहरण आंख में चकाचौंध खोजने की समस्या है, जिसके लिए चकाचौंध स्वयं एक तरंग है:

शास्त्रीय तरंगों का उपयोग आमतौर पर छवियों को संपीड़ित करने के लिए , या उन्हें वर्गीकृत करने के लिए किया जाता है (नीचे वर्णित है)।

सह-संबंध

तरंगों की इस तरह की मुक्त व्याख्या के बाद, मेरे हिस्से के लिए, यह उनके द्वारा अंतर्निहित वास्तविक सहसंबंध का उल्लेख करने योग्य है। छवियों को फ़िल्टर करते समय, यह एक अनिवार्य उपकरण है। एक क्लासिक एप्लिकेशन शिफ्ट या ऑप्टिकल स्ट्रीम खोजने के लिए वीडियो स्ट्रीम का सहसंबंध है । सबसे सरल पारी डिटेक्टर भी, एक अर्थ में, एक अंतर सहसंबंधी है। जहाँ छवियाँ सहसंबंधित नहीं होतीं, वहाँ आंदोलन था।

छानने का कार्य

फिल्टर का एक दिलचस्प वर्ग फ़ंक्शन फ़िल्टरिंग है। ये विशुद्ध रूप से गणितीय फिल्टर हैं जो आपको छवि (लाइन, परबोला, सर्कल) में एक साधारण गणितीय फ़ंक्शन का पता लगाने की अनुमति देते हैं। एक संचित छवि का निर्माण किया जाता है जिसमें मूल छवि के प्रत्येक बिंदु के लिए, कई फ़ंक्शन उत्पन्न होते हैं जो इसे उत्पन्न करते हैं। सबसे क्लासिक परिवर्तन सीधी रेखाओं के लिए पर्याप्त परिवर्तन है। इस परिवर्तन में, प्रत्येक बिंदु (x; y) के लिए, लाइन y = ax + b के बिंदुओं (a; b) का एक सेट निकाला जाता है, जिसके लिए समानता सत्य है। यह सुंदर तस्वीरें निकलता है:

(पहला प्लस उस व्यक्ति के लिए है जो पहली बार तस्वीर में पकड़ पाता है और ऐसी परिभाषा है और इसे समझाता है, दूसरा प्लस जो पहले कहता है वह यहां दिखाया गया है)
किसी भी प्रकार का परिवर्तन आपको किसी भी प्रकार के पैरामीटर योग्य कार्य खोजने की अनुमति देता है। उदाहरण के लिए, वृत्त । एक संशोधित परिवर्तन है जो आपको किसी भी आकार की खोज करने की अनुमति देता है। यह परिवर्तन गणितज्ञों द्वारा बहुत पसंद किया जाता है। लेकिन जब छवियों को संसाधित करते हैं, तो यह दुर्भाग्य से, हमेशा काम नहीं करता है। बहुत धीमी गति, बिनाराइजेशन की गुणवत्ता के लिए बहुत अधिक संवेदनशीलता। आदर्श परिस्थितियों में भी, मैं अन्य तरीकों से प्राप्त करना पसंद करता था।
स्ट्रेट लाइनों के लिए हूप ट्रांसफॉर्म का एक एनालॉग रेडॉन ट्रांसफॉर्म है । इसकी गणना एफएफटी के माध्यम से की जाती है, जो उस स्थिति में एक प्रदर्शन लाभ देता है जहां बहुत सारे बिंदु होते हैं। इसके अलावा, यह एक गैर-बिनाराइज्ड छवि पर लागू किया जा सकता है।

लूप छानना

फ़िल्टर का एक अलग वर्ग सीमाओं और आकृति का फ़िल्टरिंग है। जब हम उस छवि में वस्तुओं के साथ काम करना चाहते हैं, तो रूपरेखा बहुत उपयोगी होती है। जब कोई वस्तु काफी जटिल होती है, लेकिन अच्छी तरह से प्रतिष्ठित होती है, तो अक्सर इसके साथ काम करने का एकमात्र तरीका इसके विपरीत का चयन करना होता है। कई एल्गोरिदम हैं जो फ़िल्टरिंग सर्किट की समस्या को हल करते हैं:

• कैमरामैन कैनी
• सोबेल ऑपरेटर
• लाप्लास संचालक
• संचालक प्रिटिट
• रॉबर्ट्स ऑपरेटर

सबसे अधिक इस्तेमाल किया जाने वाला केनी है, जो अच्छी तरह से काम करता है और जिसका कार्यान्वयन ओपनसीवी (सोबेल में भी है, लेकिन वह इसके विपरीत की तलाश कर रहा है)।

अन्य फिल्टर

फिल्टर ऊपर दिए गए हैं, जिनमें से संशोधन 80-90% कार्यों को हल करने में मदद करते हैं। लेकिन उनके अलावा स्थानीय कार्यों में उपयोग किए जाने वाले दुर्लभ फिल्टर हैं। ऐसे दर्जनों फिल्टर हैं, मैं उन सभी को नहीं दूंगा। Iterative फिल्टर (उदाहरण के लिए, एक सक्रिय उपस्थिति मॉडल ), साथ ही रिज और कर्वलेट ट्रांसफॉर्म, जो कि रेडियन ट्रांसफ़ॉर्मेशन के क्षेत्र में शास्त्रीय तरंगिका निस्पंदन और विश्लेषण के एक मिश्र धातु हैं, दिलचस्प हैं । वेवलेट ट्रांसफॉर्म और तार्किक विश्लेषण की सीमा पर बीमलेट ट्रांसफ़ॉर्म खूबसूरती से काम करता है, जिससे आप कॉन्ट्रोवर्स को हाइलाइट कर सकते हैं:

लेकिन ये परिवर्तन बहुत विशिष्ट हैं और दुर्लभ कार्यों के लिए जमीन हैं।

भाग 2. फ़िल्टरिंग परिणामों के तार्किक प्रसंस्करण

फ़िल्टरिंग प्रसंस्करण के लिए उपयुक्त डेटा का एक सेट प्रदान करता है। लेकिन अक्सर आप इसे संसाधित किए बिना केवल इस डेटा को ले और उपयोग नहीं कर सकते। इस खंड में, कई क्लासिक विधियां होंगी जो आपको एक छवि से वस्तुओं के गुणों या स्वयं वस्तुओं पर स्विच करने की अनुमति देती हैं।

आकृति विज्ञान

निस्पंदन से तर्क तक संक्रमण, मेरी राय में, गणितीय आकारिकी ( 1 , 2 , 3 ) की विधियां हैं। वास्तव में, ये द्विआधारी छवियों के निर्माण और क्षरण का सबसे सरल संचालन हैं। ये विधियां आपको उपलब्ध तत्वों को बढ़ाकर या घटाकर बाइनरी इमेज से शोर को दूर करने की अनुमति देती हैं। गणितीय आकृति विज्ञान पर आधारित समोच्च एल्गोरिदम हैं, लेकिन वे आमतौर पर संयोजन में कुछ प्रकार के हाइब्रिड एल्गोरिदम या एल्गोरिदम का उपयोग करते हैं।

कंटूर विश्लेषण

फ़िल्टरिंग अनुभाग ने पहले ही सीमा पीढ़ी के एल्गोरिदम का उल्लेख किया है। परिणामी सीमाएं काफी सरलता से रूपांतरित हो जाती हैं। केनी के एल्गोरिथ्म के लिए, यह स्वचालित रूप से होता है, अन्य एल्गोरिदम के लिए, अतिरिक्त बिनाराइजेशन की आवश्यकता होती है। आप बाइनरी एल्गोरिथ्म के लिए एक समोच्च प्राप्त कर सकते हैं, उदाहरण के लिए, बग एल्गोरिथ्म द्वारा।
समोच्च एक वस्तु की एक अनूठी विशेषता है। अक्सर यह आपको समोच्च के साथ वस्तु की पहचान करने की अनुमति देता है। ऐसा करने के लिए एक शक्तिशाली गणितीय उपकरण है। उपकरण को समोच्च विश्लेषण ( 1 , 2 ) कहा जाता है।

सच कहूं तो, मैं वास्तविक समस्याओं के लिए समोच्च विश्लेषण लागू करने में कभी सफल नहीं हुआ। बहुत आदर्श स्थितियों की आवश्यकता होती है। या तो कोई सीमा नहीं है, फिर बहुत सारे शोर हैं। लेकिन, यदि आपको आदर्श परिस्थितियों में कुछ पहचानने की आवश्यकता है, तो समोच्च विश्लेषण एक अद्भुत विकल्प है। यह बहुत तेज़, सुंदर गणित और स्पष्ट तर्क काम करता है।

फ़ीचर अंक

विशेष बिंदु एक वस्तु की अनूठी विशेषताएं हैं जो आपको ऑब्जेक्ट को स्वयं या वस्तुओं के समान कक्षाओं में मैप करने की अनुमति देती हैं। ऐसे बिंदुओं को उजागर करने के कई दर्जन तरीके हैं। कुछ विधियां समीपवर्ती फ़्रेमों में एकवचन बिंदुओं को उजागर करती हैं, कुछ समय की लंबी अवधि में और जब प्रकाश को बदलते हैं, तो कुछ आपको विशेष बिंदुओं को खोजने की अनुमति देते हैं जो तब भी रहते हैं जब ऑब्जेक्ट घुमाया जाता है। आइए उन तरीकों से शुरू करें जो आपको एकवचन बिंदु खोजने की अनुमति देते हैं जो इतने स्थिर नहीं हैं, लेकिन जल्दी से गणना की जाती है, और फिर हम बढ़ती जटिलता में जाते हैं:
प्रथम श्रेणी। विशेष बिंदु जो सेकंड के लिए स्थिर होते हैं। इस तरह के बिंदु वीडियो के आसन्न फ्रेम के बीच वस्तु का मार्गदर्शन करने के लिए, या पड़ोसी कैमरों से छवि को कम करने के लिए कार्य करते हैं। इन बिंदुओं में छवि की स्थानीय मैक्सिमा, छवि में कोण (डिटेक्टरों का सबसे अच्छा, शायद हारिस डिटेक्टर) शामिल हैं, जिन बिंदुओं पर फैलाव मैक्सिमा तक पहुंच जाता है, कुछ ग्रेडिएंट्स आदि।
दूसरा वर्ग। विशेष बिंदु जो स्थिर होते हैं जब प्रकाश और वस्तु के छोटे आंदोलनों को बदलते हैं। इस तरह के बिंदु मुख्य रूप से प्रशिक्षण और वस्तुओं के प्रकार के बाद के वर्गीकरण के लिए काम करते हैं। उदाहरण के लिए, एक पैदल यात्री क्लासिफायरियर या एक फेस क्लासिफायर एक प्रणाली का एक उत्पाद है जिसे विशेष रूप से ऐसे बिंदुओं पर बनाया गया है। पहले से उल्लेख किए गए तरंगों में से कुछ ऐसे बिंदुओं के लिए आधार हो सकते हैं। उदाहरण के लिए, Haar आदिम, चकाचौंध की खोज, अन्य विशिष्ट कार्यों की खोज। इस तरह के बिंदुओं में निर्देशित ग्रेडिएंट्स ( HOG ) के हिस्टोग्राम की विधि द्वारा पाए जाने वाले बिंदु शामिल हैं।
तीसरी कक्षा। स्थिर बिंदु। मैं केवल दो तरीकों के बारे में जानता हूं जो पूरी स्थिरता देते हैं और उनके संशोधनों के बारे में। ये हैं SURF और SIFT । वे आपको छवि को घुमाने पर भी विशेष बिंदु खोजने की अनुमति देते हैं। ऐसे बिंदुओं की गणना अन्य तरीकों की तुलना में अधिक समय लेती है, लेकिन काफी सीमित समय। दुर्भाग्य से, इन विधियों का पेटेंट कराया जाता है। हालांकि, रूस में, एल्गोरिथम का पेटेंट करना निज़्या है, इसलिए इसका उपयोग घरेलू बाजार के लिए करें।

भाग 3. प्रशिक्षण

कहानी का अंतिम भाग उन तरीकों के लिए समर्पित होगा जो छवि के साथ सीधे काम नहीं करते हैं, लेकिन जो आपको निर्णय लेने की अनुमति देते हैं। ये मुख्य रूप से मशीन लर्निंग और निर्णय लेने के विभिन्न तरीके हैं। हाल ही में Yandyks ने इस विषय पर एक पाठ्यक्रम Habr पर पोस्ट किया है, एक बहुत अच्छा चयन है। यहां यह टेक्स्ट वर्जन में है। विषयों पर एक गंभीर सबक के लिए, मैं उन्हें देखने की सलाह देता हूं। यहां मैं पैटर्न पहचान में विशेष रूप से उपयोग किए जाने वाले कई बुनियादी तरीकों की पहचान करने की कोशिश करूंगा।
80% स्थितियों में, मान्यता समस्या में प्रशिक्षण का सार इस प्रकार है:
एक परीक्षण चयन होता है जिस पर वस्तुओं के कई वर्ग होते हैं। फोटोग्राफ में किसी व्यक्ति की उपस्थिति / अनुपस्थिति होने दें। प्रत्येक छवि के लिए कुछ विशेषताओं द्वारा हाइलाइट की गई सुविधाओं का एक सेट होता है, चाहे वह Haar, HOG, SURF या किसी प्रकार की तरंगिका हो। लर्निंग एल्गोरिदम को एक मॉडल का निर्माण करना चाहिए जिसके अनुसार वह नई छवि का विश्लेषण करने और यह तय करने में सक्षम होगा कि कौन सी वस्तु छवि पर है।
यह कैसे किया जाता है? परीक्षण छवियों में से प्रत्येक सुविधा स्थान में एक बिंदु है। इसके निर्देशांक छवि के प्रत्येक संकेत का भार हैं। हमारे संकेत होने दें: "आँखों की उपस्थिति", "एक नाक की उपस्थिति", "दो हाथों की उपस्थिति", "कानों की उपस्थिति", आदि ... ये सभी संकेत हम अपने मौजूदा डिटेक्टरों के साथ उजागर करते हैं, जो शरीर के अंगों पर प्रशिक्षित होते हैं जो समान हैं मानव। इस तरह के अंतरिक्ष में एक व्यक्ति के लिए, बिंदु [1; 1; 1; 1; ..] सही होगा। एक बंदर के लिए, एक बिंदु [1; 0; 1; 0 ...] घोड़े के लिए [1; 0; 0; 0 ...]। क्लासिफायर को उदाहरण के नमूने पर प्रशिक्षित किया जाता है। लेकिन सभी तस्वीरों में सभी हाथ बाहर नहीं थे, दूसरों के पास आँखें नहीं थीं, और तीसरे में एक वर्गीकरण त्रुटि के कारण बंदर की मानव नाक थी। किसी व्यक्ति का प्रशिक्षित क्लासिफायर स्वचालित रूप से विशेषताओं के स्थान को इस तरह से तोड़ देता है, जैसे कि: यदि पहली विशेषता 0.5 <x <1, दूसरी 0.7 <y <1, आदि की सीमा में है, तो यह एक व्यक्ति है।
संक्षेप में, क्लासिफायर का उद्देश्य विशेषता अंतरिक्ष क्षेत्रों में वर्गीकृत वस्तुओं के लिए विशेषता है। यह दो-आयामी अंतरिक्ष में एक क्लासीफायर (AdaBoost) के उत्तर के लिए एक सुसंगत सन्निकटन कैसे दिखेगा:


बहुत सारे क्लासिफायर हैं। उनमें से प्रत्येक अपने कार्य में बेहतर काम करता है। किसी विशिष्ट कार्य के लिए क्लासिफायर चुनने का कार्य काफी हद तक एक कला है। यहाँ विषय पर कुछ सुंदर चित्र हैं।

सरल मामला, एक आयामी अलगाव

आइए हम उदाहरण के रूप में वर्गीकरण के सबसे सरल मामले की जांच करें जब विशेषता स्थान एक आयामी है, और हमें 2 वर्गों को अलग करने की आवश्यकता है। स्थिति जितनी सामान्य हो सकती है, उससे कहीं अधिक सामान्य है: उदाहरण के लिए, जब आपको दो संकेतों को अलग करने की आवश्यकता होती है, या एक पैटर्न के साथ एक पैटर्न की तुलना करते हैं। हमें एक प्रशिक्षण नमूना है। इस मामले में, एक छवि प्राप्त की जाती है जहां एक्स अक्ष के साथ समानता की माप और वाई अक्ष के साथ इस तरह के माप के साथ घटनाओं की संख्या। जब वांछित वस्तु खुद से मिलती-जुलती होती है, तो वह बाईं गॉसियन निकलती है। जब पसंद नहीं - सही।X = 0.4 का एक मान नमूने को विभाजित करता है ताकि एक गलत निर्णय किसी भी गलत निर्णय की संभावना को कम कर दे। यह ऐसे विभाजक की खोज है जो वर्गीकरण की समस्या है।

छोटी सी टिप्पणी। त्रुटि को न्यूनतम करने वाली कसौटी हमेशा इष्टतम नहीं होगी। अगला ग्राफ एक वास्तविक आईरिस मान्यता प्रणाली का एक ग्राफ है। ऐसी प्रणाली के लिए, किसी वस्तु के लिए बाहरी व्यक्ति द्वारा झूठे पास की संभावना को कम करने के लिए कसौटी को चुना जाता है। इस तरह की संभावना को "पहली तरह की गलती", "झूठी अलार्म की संभावना", "झूठी प्रतिक्रिया" कहा जाता है। अंग्रेजी साहित्य में "झूठी पहुँच दर"।

यदि दो से अधिक माप हैं तो क्या करें?

बहुत सारे एल्गोरिदम हैं। यहां तक ​​कि बहुत कुछ। यदि आप उनमें से प्रत्येक के बारे में अधिक जानना चाहते हैं, तो वोर्त्सोव कोर्स पढ़ें, जिस लिंक को ऊपर दिया गया है, और योंडक्स के व्याख्यान देखें। यह कहना कि कौन सा एल्गोरिदम सबसे अच्छा है जिसके लिए कार्य अक्सर अग्रिम में असंभव है। यहाँ मैं उन मुख्य बातों को उजागर करने की कोशिश करूँगा, जो 90% में शुरुआती काम को शुरू करने में मदद करेंगी और जिनकी प्रोग्रामिंग भाषा में कार्यान्वयन आप इंटरनेट पर जान सकते हैं।
k- साधन ( 1 , 2 , 3 ) सबसे सरल शिक्षण एल्गोरिदम में से एक है। बेशक, यह मुख्य रूप से क्लस्टरिंग के लिए है, लेकिन आप इसके माध्यम से भी प्रशिक्षित कर सकते हैं। यह उस स्थिति में काम करता है जब वस्तुओं के समूहों में द्रव्यमान का एक सुव्यवस्थित केंद्र होता है और एक बड़ा चौराहा नहीं होता है।
AdaBoost ( 1 ,2 , 3 ) AdaBust सबसे आम क्लासीफायर में से एक है। उदाहरण के लिए, इस पर हर कैस्केड बनाया गया है। आमतौर पर जब आपको एक द्विआधारी वर्गीकरण की आवश्यकता होती है, तो इसका उपयोग किया जाता है, लेकिन कुछ भी आपको अधिक कक्षाओं के लिए शिक्षण से रोकता है।
एसवीएम ( 1 , 2 , 3 , 4 ) कई कार्यान्वयन के साथ सबसे शक्तिशाली क्लासिफायरियर में से एक। सिद्धांत रूप में, मैंने जो सीखने की समस्याओं का सामना किया, उस पर उन्होंने समान रूप से काम किया। यह माना जाता है कि यह काफी तेज़ है, लेकिन इसका प्रशिक्षण Adabusta की तुलना में अधिक जटिल है और सही कर्नेल के चयन की आवश्यकता है।

अभी भी तंत्रिका नेटवर्क और प्रतिगमन हैं। लेकिन संक्षेप में उन्हें वर्गीकृत करने और यह दिखाने के लिए कि वे कैसे भिन्न हैं, एक लेख को इससे कहीं अधिक की आवश्यकता है।
________________________________________________
उम्मीद है कि मैं गणित और विवरण में गोताखोरी के बिना इस्तेमाल की जाने वाली विधियों की एक त्वरित समीक्षा करने में कामयाब रहा। शायद यह किसी की मदद करेगा। यद्यपि, ज़ाहिर है, लेख अधूरा है और स्टीरियो छवियों के साथ काम करने के बारे में एक शब्द नहीं है, न ही ओएलएस के बारे में एक कलमन फ़िल्टर के साथ, न ही एक अनुकूली बेयसियन दृष्टिकोण के बारे में।
यदि मुझे लेख पसंद है, तो मैं दूसरे भाग को करने की कोशिश करूँगा कि मौजूदा ImageRecognition कार्यों को कैसे हल किया जाए।

और अंत में

क्या पढ़ना है?
1) एक बार मुझे वास्तव में बी। याना द्वारा "डिजिटल इमेज प्रोसेसिंग" पुस्तक पसंद आई, जो सरल और स्पष्ट रूप से लिखी गई है, लेकिन एक ही समय में लगभग सभी गणित प्रस्तुत किए जाते हैं। मौजूदा तरीकों से खुद को परिचित करने के लिए अच्छा है।
2) शैली का एक क्लासिक आर गोंजालेज, आर। वुड्स "डिजिटल इमेज प्रोसेसिंग" है। किसी कारण से, यह मेरे लिए पहले की तुलना में अधिक कठिन हो गया। बहुत कम गणित, लेकिन अधिक विधियाँ और चित्र।
3) "मशीन विज़न समस्याओं में छवियों का प्रसंस्करण और विश्लेषण" - PhysTech के एक विभाग में पढ़ाए गए पाठ्यक्रम के आधार पर लिखा गया है। बहुत सारे तरीके और उनका विस्तृत विवरण। लेकिन मेरी राय में, पुस्तक में दो बड़े मंत्री हैं: पुस्तक बहुत ही सॉफ्टवेयर पैकेज पर केंद्रित है, जो इसके साथ जुड़ी हुई है, पुस्तक में भी अक्सर एक सरल विधि का वर्णन गणितीय विल्ड में बदल जाता है, जिससे विधि का संरचनात्मक आरेख बनाना मुश्किल होता है। लेकिन लेखकों ने एक सुविधाजनक साइट बनाई जहां लगभग सभी सामग्री प्रस्तुत की गई है - wiki.technicalvision.ru
4) किसी कारण से, यह मुझे लगता है कि एक अच्छी पुस्तक जो संरचनाओं और दुनिया की तस्वीर को जोड़ती है जो कि जेफ हॉकिन्स द्वारा इमेज रिकग्निशन और मशीन लर्निंग क्लासेस के दौरान उत्पन्न होती है "इंटेलिजेंस के बारे में" है। कोई प्रत्यक्ष तरीके नहीं हैं, लेकिन यह सोचने के लिए कई विचार हैं कि प्रत्यक्ष छवि प्रसंस्करण विधियां कहां से आती हैं। जब आप इसे पढ़ते हैं, तो आप समझते हैं कि आपने पहले से ही मानव मस्तिष्क के काम करने के तरीकों को देखा था, लेकिन वीडियो प्रसंस्करण के कार्यों में।