Transformation de caractéristiques invariantes d'échelle: Dévoilement de la puissance de la transformation de caractéristiques invariantes d'échelle dans la vision par ordinateur

Par Fouad Sabry

Qu'est-ce que la transformation de caractéristiques invariantes d'échelle

SIFT, qui signifie transformation de caractéristiques invariantes d'échelle, est une méthode de vision par ordinateur développée par David Lowe en 1999. Son le but est d’identifier, de décrire et de faire coïncider les caractéristiques locales des images. La reconnaissance d'objets, la cartographie et la navigation robotiques, l'assemblage d'images, la modélisation tridimensionnelle, la reconnaissance de gestes, le suivi vidéo, l'identification individuelle de la faune et le déplacement de correspondances sont quelques-unes des applications qui peuvent être utilisées.

Comment vous en bénéficierez

(I) Insights et validations sur les sujets suivants :

Chapitre 1 : Transformation de fonctionnalités invariantes à l'échelle

Chapitre 2 : Détection des contours

Chapitre 3 : Échelle de l'espace

Chapitre 4 : Flou gaussien

Chapitre 5 : Fonctionnalité (vision par ordinateur)

Chapitre 6 : Détection de coin

Chapitre 7 : Adaptation de forme affine

Chapitre 8 : Détecteur de région affine de Hesse

Chapitre 9 : Détecteur de région basé sur la courbure principale

Chapitre 10 : BREF orienté RAPIDEMENT et rotation

(II) Répondre aux principales questions du public sur la transformation de caractéristiques invariantes d'échelle.

(III) Exemples concrets d'utilisation de transformation de caractéristiques invariantes d'échelle dans de nombreux domaines.

À qui s'adresse ce livre

Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et ceux qui souhaitent pour aller au-delà des connaissances ou des informations de base pour tout type de transformation de caractéristiques invariantes d'échelle.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 30 avr. 2024

Aperçu du livre

Mise à l'échelle d'une transformation d'entité invariante

Dévoilement de la puissance de la transformation des caractéristiques invariantes d'échelle dans la vision par ordinateur

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Mise à l'échelle d'une transformation d'entité invariante

Dévoilement de la puissance de la transformation des caractéristiques invariantes d'échelle dans la vision par ordinateur

Fouad Sabry

Copyright

Transformation © des caractéristiques invariantes à l'échelle 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Transformation d'une entité invariante à l'échelle

Chapitre 2 : Détection des contours

Chapitre 3 : Échelle de l'espace

Chapitre 4 : Flou gaussien

Chapitre 5 : Fonctionnalité (vision par ordinateur)

Chapitre 6 : Détection des coins

Chapitre 7 : Adaptation de la forme affine

Chapitre 8 : Détecteur de régions affines hessoises

Chapitre 9 : Détecteur principal de régions basé sur la courbure

Chapitre 10 : Orienté VITE et tourné BRIEF

Appendice

À propos de l'auteur

Chapitre 1 : Transformation d'une entité invariante à l'échelle

En 1999, David Lowe a développé la transformation de caractéristiques invariantes d'échelle (SIFT) en tant qu'algorithme de vision par ordinateur permettant de localiser, de caractériser et de faire correspondre des caractéristiques locales dans des images. La reconnaissance d'objets, la cartographie et la navigation robotiques, l'assemblage d'images, la modélisation tridimensionnelle, la reconnaissance gestuelle, le suivi vidéo, l'identification individuelle de la faune et la mise en relation ne sont que quelques-unes des nombreuses utilisations possibles de cette technologie.

Les points clés SIFT de l'objet sont d'abord extraits d'un ensemble d'images d'apprentissage.

Il est possible de créer une « description de caractéristique » de n'importe quel objet dans une image en isolant les points clés de cet objet. Lorsque vous essayez de localiser un objet dans une image de test avec de nombreux autres objets, cette description peut être utilisée car elle a été extraite d'une image d'apprentissage. Les caractéristiques extraites de l'image d'apprentissage doivent être discernables malgré les variations d'échelle de l'image, de bruit et d'éclairage si l'on veut obtenir une reconnaissance fiable. Ces taches se trouvent généralement sur les bords de l'image ou dans d'autres zones à fort contraste.

De plus, ces caractéristiques doivent conserver les mêmes positions relatives d'une image à l'autre, comme dans la scène d'origine. Si seuls les quatre coins d'une porte étaient utilisés comme caractéristiques, la reconnaissance réussirait, que la porte soit ouverte ou fermée. Cependant, si des points de la trame étaient également utilisés, la reconnaissance échouerait dans les deux cas. De même, s'il y a un changement dans la géométrie interne d'un objet articulé ou flexible entre deux images de l'ensemble en cours de traitement, les entités situées dans cet objet ne fonctionneront probablement plus. Bien que ces variations locales puissent avoir un impact significatif sur l'erreur moyenne de toutes les erreurs d'appariement des caractéristiques, SIFT, dans la pratique, détecte et utilise un nombre beaucoup plus important de caractéristiques à partir des images, ce qui atténue leur impact.

Cette section fournit un bref aperçu de l'algorithme SIFT original et discute brièvement de certaines méthodes alternatives pour la reconnaissance d'objets dans des environnements avec beaucoup de bruit de fond ou des vues obscurcies.

Le descripteur SIFT utilise des mesures de champ récepteur pour analyser les images.

Les caractéristiques d'image locales peuvent aider à la reconnaissance d'objets si elles peuvent être détectées et décrites. Les fonctions SIFT ne sont pas affectées par le redimensionnement ou la rotation de l'image, car elles sont basées sur l'apparence de l'objet à des points d'intérêt discrets. Ils peuvent résister à des changements mineurs de point de vue ainsi qu'à des variations d'éclairage et de bruit. Ils permettent également une identification précise des objets avec un faible risque de non-concordance, et ils sont très uniques et faciles à extraire. Cependant, la dimensionnalité élevée peut être un problème, c'est pourquoi des algorithmes probabilistes tels que les arbres k-d avec la meilleure recherche en premier groupe sont généralement utilisés. Ils sont simples à comparer à une (grande) base de données d'entités locales. Il suffit de trois caractéristiques SIFT d'un objet pour calculer son emplacement et sa pose, ce qui rend les descriptions d'objets basées sur des ensembles de caractéristiques SIFT robustes à l'occlusion partielle. Pour les bases de données relativement petites et avec la puissance de calcul d'aujourd'hui, la reconnaissance peut être effectuée presque instantanément.

Avec l'approche de Lowe, une image est convertie en un grand ensemble de vecteurs de caractéristiques qui sont robustes à la distorsion géométrique locale tout en étant invariants à la translation, à la mise à l'échelle et à la rotation de l'image et, dans une moindre mesure, aux changements d'éclairage. Les neurones du cortex visuel primaire, qui codent la forme, la couleur et le mouvement de base pour la détection d'objets dans la vision des primates, ont des propriétés similaires à ces caractéristiques. Les maximums et les minimums de la différence de la fonction gaussienne appliquée dans l'espace d'échelle à un ensemble d'images lissées et rééchantillonnées sont utilisés pour définir les emplacements clés. Les points de réponse candidats et d'arête avec un faible contraste le long d'une arête sont éliminés. Les orientations sont données à leurs orientations dominantes à des nœuds spécifiques. En suivant ces procédures, vous rendrez l'appariement et la reconnaissance plus précis. Ensuite, en prenant en compte les pixels dans un rayon de l'emplacement clé, en floutant et en rééchantillonnant les plans d'orientation locaux de l'image, nous pouvons obtenir des descripteurs SIFT robustes à la distorsion affine locale.

Lors de l'indexation, vous stockerez les clés SIFT et utiliserez la nouvelle image pour trouver celles qui correspondent. Pour déterminer si un candidat doit être conservé ou « rejeté », Lowe a utilisé une variante de l'algorithme de l'arbre k-d appelée la méthode de recherche du meilleur bin-first. Cette méthode compare la distance entre le vecteur d'entités du candidat et le vecteur d'entités du point clé le plus proche qui n'appartient pas à la même classe d'objets que le candidat à portée de main (vecteur d'entités candidat / vecteur d'entités de classe différente le plus proche). Lorsque le ratio est supérieur à 0,8, il est automatiquement disqualifié. En utilisant cette technique, nous avons pu nous débarrasser de 90 % des faux positifs tout