Ευφυή συστήματα αναγνώρισης εικόνας με τη χρήση αμετάβλητων χαρακτηριστικών

Abstract

This doctorate thesis constitutes an approach to improve and extend the state-of-the-art methods for automatic content-based object recognition and retrieval. A detection and segmentation method is proposed for obtaining the image areas of interest, based on image symmetry and phase congruency calculations. Also a method for color recognition, based on histograms, is presented. Invariant features (keypoints) are detected and extracted using a scheme based on scale-space theory. The invariant features are matched with ones from a database of model features. The method of Merged Feature Matching is proposed and it is based on keypoint fusion from multiple views for the same object scene. This method is developed and tested successfully with increased recognition robustness. A SIFT-based method (V-SIFT) without rotation invariance is employed, in order to speed-up the keypoint extraction and description process. Methods for feature searching and matching are tested and a data structure based on a KD-Tree is employed, as the most efficient. Matching results are subsequently tested for geometrical consistency, using a generalised Hough transform (GHT) for feature clustering and RANSAC method for query and model images homography estimation. In addition, the proposed methods of K-neighbours GHT, the characteristic reduced total distance and the neighbours fleet geometry, are developed with encouraging results. An experimental validation of the method is given, with successful vehicle recognition. The proposed method is compared with a probabilistic artificial neural network approach, with higher performance in terms of precision and efficiency. Objects are recognised even with partial occlusion from other objects in the image scene. The proposed method could also be applied in medical and satellite image recognition, image panorama stitching, automatic tracking, navigation etc.

Η παρούσα διδακτορική διατριβή αποτελεί προσπάθεια βελτίωσης και επέκτασης μεθόδων αυτόματης αναγνώρισης αντικειμένων και προτύπων από ψηφιακές εικόνες, με χρήση αμετάβλητων χαρακτηριστικών σημείων (ΑΧΣ). Αναπτύχθηκαν μέθοδοι κατάτμησης μιας εικόνας, με βάση την ανίχνευση άξονα συμμετρίας και χαρτών ομόλογων φάσεων και μια μέθοδος ανίχνευσης χρώματος με χρήση ιστογραμμάτων. Εφαρμόστηκε μέθοδος εξαγωγής ΑΧΣ, που βασίζεται στην θεωρία της χωροκλίμακας (scale-space, SIFT). Τα ΑΧΣ μιας εικόνας προς αναγνώριση συγκρίθηκαν με χαρακτηριστικά σημεία από εικόνες προτύπων μιας βάσης δεδομένων. Αναπτύχθηκε η μέθοδος της Σύγκρισης Συγχωνευμένων Χαρακτηριστικών (ΣΣΧ) χρησιμοποιώντας πολλαπλές σκηνές απεικόνισης ενός αντικειμένου, με αποτέλεσμα να αυξηθεί η ευρωστία της αναγνώρισης. Εφαρμόστηκεμέθοδος SIFT μη αμετάβλητη σε περιστροφή, προκειμένου να επιταχυνθεί η διαδικασία εξαγωγής των ΑΧΣ και των περιγραφέων αυτών. Μελετήθηκαν οι κυριότερες μέθοδοι αναζήτησης και αναπτύσσεται δομή δεδομένων δέντρου Κ-διαστάσεων, που αποδείχθηκε η πλέον αποδοτική. Έγινε έλεγχος γεωμετρικής ορθότητας αποτελεσμάτων με τον γενικευμένο μετασχηματισμό Hough (GHT) και την μέθοδο RANSAC. Προτάθηκαν οι μέθοδοι των Κ-γειτόνων GHT, της χαρακτηριστικής συνάρτησης ανηγμένων συνολικών αποστάσεων και της γεωμετρίας σμήνους γειτόνων και συμπεραίνεται η βελτίωση της διαδικασίας αναγνώρισης. Έγινε επιτυχής πειραματική εφαρμογή στην αναγνώριση οχημάτων και συγκρίθηκε με μεθοδολογία πιθανοτικών τεχνητών νευρωνικών δικτύων,πλεονεκτώντας σε ακρίβεια και ταχύτητα σε σχέση με αυτά. Η προταθείσα μέθοδος αναγνωρίζει αντικείμενα ακόμη και σε συνθήκες μερικής απόκρυψης τους από άλλα αντικείμενα και μπορεί να εφαρμοστεί επίσης σε αναγνώριση ιατρικών και δορυφορικών εικόνων, συνένωση εικόνων σε πανοραμική εικόνα, αυτόματη αναγνώριση χώρου, ιχνηλάτηση, πλοήγηση κ.α.