ЛОКАЛИЗАЦИЯ ИНОРОДНЫХ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ

LOCALIZATION OF FOREIGN OBJECTS IN THE IMAGE

Victor Nesterenko

cand. phys.-math. sciences, associate Professor, Institute of mathematics, mechanics and computer Sciences, SFedU,

Russia, Rostov-on-Don

АННОТАЦИЯ

В статье рассматривается метод локализации инородных объектов (участков изображения), отличающихся по некоторым характеристикам от основного, фонового изображения. Предлагаемый метод основывается на использовании набора признаков Хаара и использованием методов кластерного анализа для выявления и локализации инородных объектов. В результате использования данного метода выявляются группы точек изображения, отличающиеся от фона изображения по предлагаемым характеристикам.

ABSTRACT

The article discusses a method for locating foreign objects (areas in the image) that differ in some characteristics from the basic background image. The proposed method is based on the use of a set of Haar features and the use of cluster analysis methods to identify and localize the foreign objects. As a result of using this method identifies groups of pixels different from the background image according to the proposed characteristics.

Ключевые слова: обработка изображений; распознавание образов; локализация объектов.

Keywords: image processing; pattern recognition; localization of objects.

Задача поиска и локализации объекта на изображении является первым этапом задачи распознавания объекта. Например, в задачах распознавания лиц вначале производится поиск лиц на изображении. Для этих целей широко применяется метод Виолы-Джонса (Viola-Jones) [3]. Так как все лица на фотографиях обычно имеют некие общие свойства (взаимное расположение глаз, губ, носа, …), то используется предварительно заданный фиксированный набор признаков Хаара [2] для определения положения лиц на изображении. Подобный метод может быть использован при локализации других объектов, для которых заранее можно сформировать набор признаков, однозначно фиксирующих искомый объект на изображении. В предлагаемой работе решается задача локализации произвольного объекта, характеристики которого заранее не заданы.

В данной статье предлагается метод обнаружения объекта на изображении, основанный на анализе и выявлении различия текстуры объекта и фона изображения. Различие между фоном и объектом определяется на основе набора признаков Хаара со следующим множеством масок:

и т. д.

В этом случае, каждому пикселю изображения с координатами  и яркостью  ставится в соответствие набор характеристик, вычисленных в окрестности  данного пикселя с различными масками :

                                (1)

здесь суммирование производится в окрестности пикселя в соответствии с заданной маской : параметр  принимает значение +1 если соответствующий пиксель маски белый, -1 в противном случае. Для окрестности размером  пикселей используется  маски аналогичных приведённым выше ().

Таким образом, от множества пикселей изображения мы переходим к пространству характеристик  размерности . Используя «расстояние»

                              (2)

можно оценить степень «близости» двух пикселей. Пусть  соответствует характеристикам фона изображения, тогда формулы (1) (2) позволяют отнести пиксель к фону (если  мало) или инородному объекту ( – велико).

Для иллюстрации применения рассматриваемого метода используем изображение:

Рисунок 1. Исходное изображение

На первом шаге предлагаемого метода определим характеристики фона изображения. Для этого будем считать, что инородные объекты составляют малую часть исходного изображения, и характеристики фона близки к средним характеристикам изображения:

                                                      (3)

здесь сумма вычисляется по всем пикселям изображения.

Используя найденные характеристики фона, найдём те пиксели изображения, характеристики которых достаточно сильно отличаются от фоновых:

Параметр  задаёт степень «близости» пикселей к фону изображения. Значение параметра  зависит от желаемой степени достоверности классификации пикселей по признаку фоновый/инородный.

Рисунок 2. «Аномальные» пиксели изображения

Результат операции выявления аномальных, отличающихся от фоновых, пикселей представлен на Рис. 2. На приведённом рисунке аномальные пиксели выделены белым цветом.

Как видно на Рис. 2, пиксели, с характеристиками отличными от фоновых, располагаются не только в инородных объектах, но в силу некоторых случайных причин могут появиться в любом месте изображения. Поэтому, будем считать, что инородным объектам соответствуют области скоплений аномальных пикселей в некоторых местах изображения. Для выявления таких скоплений можно воспользоваться методами кластерного анализа. На заключительном шаге предлагаемого метода используется простой и широко распространённый метод локализации кластеров – метод K-средних (K-means) [1]. Для удобства использования стандартный метод K-средних немного модифицирован: добавлена возможность автоматического определения числа кластеров и использованы кластеры эллиптической формы. Результат выявления скоплений аномальных пикселей приведён на Рис. 3:

Рисунок 3. Найденные кластеры аномальных пикселей

В соответствии с рассматриваемым методом на исходном изображении выявлено три кластера – три инородных объекта. Границы кластеров (эллипсы на Рис. 3) обозначают область локализации инородных объектов. Детальное исследование инородных объектов (точное определение их границы, соответствие заданному образцу, ...) может быть проведено другими методами в пределах найденных границ кластеров.

Список литературы:

1. MacQueen J. (1967). Some methods for classification and analysis of multivariate observations. In Proc. 5th Berkeley Symp. on Math. Statistics and Probability, pages 281–297. URL: http://www.umiacs.umd.edu/~raghuram/ENEE731/Spectral/kMeans.pdf (Дата обращения: 15.02.16).

2. Papageorgiou, Oren and Poggio, “A general framework for object detection”, International Conference on Computer Vision, 1998. URL: http://cgit.nutn.edu.tw:8080/cgit/PaperDL/CMS_07101913541759.pdf (Дата обращения: 15.02.16).

3. Viola and Jones, “Rapid object detection using a boosted cascade of simple features”, Computer Vision and Pattern Recognition, 2001. URL: https: // www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf (Дата обращения: 15.02.16).