Разработка подсистемы создания стереоизображения

Одесская государственная академия холода

Факультет информационных технологий

Курсовая работа

по дисциплине «Разработка САПР»

Одесса 2010 г.

Содержание

1. Анализ проблемы

Введение

Мы живем в мире трех измерений, или, говоря современным языком, в 3D-пространстве. Благодаря бинокулярному зрению мы можем видеть предметы, ощущая их "трехмерность". Когда мы смотрим на окружающий мир, два независимых изображения, воспринимаемые нашими глазами под различными углами, анализируются мозгом, и, таким образом, происходит восприятие дистанции и глубины. Именно эту иллюзию объемного восприятия и пытается воссоздать стереоизображение. Ведь по своей сути - стереоизображение - это лишь информация об образе, хотя и довольно точно имитирующая те зрительные ощущения, которые возникают при непосредственном, живом восприятии окружающего мира. 

Стереоизображение появилась ненамного позже "обычной" двухмерной фотографии. Но увидеть стереоизображение без специальных очков или другого оборудования удалось только в начале 20 века.

1. Анализ проблемы

Анализ проблемы проводится с помощью пяти этапов:

1) Достижение соглашения об определении проблемы.

2) Выделение основных причин-проблем, стоящих за проблемой.

3) Выявление заинтересованных особ и пользователей.

4) Определение границы системы решения.

5) Выявление ограничений, которые необходимо наложить на решение.

Подробно останавливаясь на каждом этапе:

Этап 1. Достижение соглашения об определении проблемы.

Постановка проблемы

Этап 2. Выделение основных причин-проблем, стоящих за проблемой

В основе лежит выявление корневых причин.

В проблеме распознавания лиц лежат следующие причины:

1) Низкое качество фото.

2) Большое количество шумов на фото.

3) Скрытие части лица инородными телами.

4) Несоответствия, изменчивость света.

Этап 3. Выявление заинтересованных особ и пользователей

При решении любой сложной проблемы следует удовлетворять потребности разных групп заинтересованных особ. Эти группы обычно имеют разные точки зрения на проблему и разные потребности, которые должны учитываться в решении.

Заинтересованные особы-это все, на кого реализация новой системы или дополнения может дать материальное действие.

Может бать несколько групп заинтересованных особ. Главной является группа пользователей.

Пользователи и особы, заинтересованные в создании новой системы:

Этап 4. Определение границы системы решения

Система будет взаимодействовать с внешним окружением:

Этап 5. Выявление ограничений, которые необходимо наложить на решение

2. Теоретическая часть

2.1 Цель и постановка задачи

Цель - разработка системы реального времени для распознавания лиц на статическом изображении в условиях сложных сцен.

Основные задачи:

1. Поиск оптимального метода для распознавания лиц на изображении;

2. Поиск лица на статическом изображении с масштабированием;

3. Поиск лиц на объемном изображении (т.е. на изображении, содержащем большое количество лиц);

4. Поиск лиц на комплексном изображении.

2.2 Алгоритм AdaBoost

Алгоритм AdaBoost представляет собой эффективное средство обучения классификации. Особенностью используемого в нем подхода является принцип отбора и объединения набора простых и малоэффективных свойств в одно решающее правило, обладающее высокой классифицирующей способностью [1], [2]. Получение такого решающего правила является основной задачей обучения распознаванию образов. Во многих практических задачах получить его или его параметры не так просто, что связано со сложностью расположения объектов в пространстве признаков. С другой стороны, практически всегда можно эвристически сформировать целый набор достаточно простых характеристик [2], свойственных объектам распознавания, или предложить эвристическую процедуру для их генерации. Подобная процедура формирования свойств может, например, представлять собой объединение первичных признаков х1,…,хn в виде произведения различных их степеней:

yk = (1.1)

где индекс k определяет соответствующий набор (,…,).

Такой способ формирования, вообще говоря, приводит к бесконечному множеству возможных свойств. Даже если каждое из них будет обладать слабой классифицирующей силой, то их совместное использование может дать вполне приемлемый по качеству результат. Алгоритм обучения AdaBoost строит решающее правило в виде линейной комбинации выходных значений слабых классификаторов, при этом достигается экспоненциальное уменьшение ошибки с увеличением числа свойств на обучающем наборе [3].

Если представить слабый (элементарный) классификатор двух классов и ,, полученный на основе описанных выше простых свойств, в виде

hk()=бyk+в ,hk()R(1.2)

классифицирующее свойство, которого проявляется в смене знака на границе классов:

hk (x)=(1.3)

то в результате обучения будет получен классификатор вида

h()=(1.4)

где T - число специальным образом отобранных простых классификаторов из общего их числа. Такой классификатор, с учетом приведенного выше в качестве примера способа формирования простых свойств, может представлять собой полином любой степени относительно исходных характеристик распознаваемых объектов (признаков) х1,…,хn, что теоретически позволяет получить решающее правило любой сложности. При этом сложность определяется не эвристически, а генерируется в процессе обучения в зависимости от сложности межклассовой границы.

Процедура обучения по методу AdaBoost заключается в следующем [2]. Пусть заданы обучающие объекты, принадлежащие двум разным классам, в виде

(),…, ( , где (1.5)

где вектор признаков, определяющий объект распознавания,

-

число, определяющее его классовую принадлежность,

m - объем обучающей выборки.

Изначально каждому обучающему объекту задается одинаковый вес

(1.6)

После этого начинается циклический процесс обучения, который схематически может быть представлен следующим образом.

Для каждого цикла обучения t=1, ..., ,T :

1. Выбирается лучший элементарный классификатор дающий минимальную ошибку на обучающем наборе с учетом текущих весов объектов минимальную ошибку на обучающем наборе с учетом текущих весов объектов D .

В более простом случае используются классификаторы вида ;

2. Выбирается действительное число >0;

3. Выполняется «пере взвешивание» обучающего набора согласно следующей зависимости

(i)= (1.7)

где Z - нормировочный множитель, такой, что сумма весов всех обучающих объектов должна равняться 1.

Таким образом, в ходе обучения формируется набор классификаторов и чисел. Итоговое решающее правило, комбинирующее найденные элементарные классификаторы , представляет собой их линейную комбинацию:

(1.8)

Приведенный процесс продолжается до достижения необходимой величины ошибки классификации. Как видно из выражения, для получения новых весов обучающих , в ходе пере взвешивания веса правильно распознанных на текущем цикле обучения объектов уменьшаются, неправильно - увеличиваются.

Таким образом, каждый следующий цикл обучения будет концентрироваться на плохо разделенных предыдущими циклами объектах, постепенно уточняя итоговое решающее правило.

Алгоритм обучения AdaBoost может быть успешно применен для решения задач распознавания изображений, в частности для быстрого поиска на изображении произвольных объектов [4]. Требования к быстродействию алгоритмов классификации при решении последней задачи являются очень жесткими [5]. Для обеспечения требуемого быстродействия в работе предложены два основных принципа.

1. Использовать в качестве элементарных классификаторов прямоугольные, просто масштабируемые свойства, определить значения которых можно с достаточно малыми вычислительными затратами по интегральному изображению.

2. Использовать не один классификатор, а целый набор классификаторов, объединенных в каскад, что существенно увеличивает среднюю скорость проведения классификации, так как на следующий этап обработки поступают только области исходного изображения, распознанные предыдущими классификаторами как искомый объект.

2.3 Использование примитивов Хаара для описания свойств изображений

Основными критериями качества признака для решения широкого круга задач, и в особенности задач распознавания зрительных образов, являются его разделительные свойства и сложность его получения, учитывая необходимость быстрого поиска области объекта, что предполагает классификацию большого числа кандидатов при обработке одного изображения [5]. С точки зрения необходимости использования достаточно простых алгоритмов получения признаков, перспективным является использование Хаар-подобных свойств, в отличие от предложенных в [4] и [6], представляющих собой результат сравнения яркостей в двух прямоугольных областях изображения (рис. 1).

Рисунок 1 - Вид прямоугольных свойств, используемых в качестве признаков при обнаружении объектов: а) - области не пересекаются; б) - области пересекаются

Значение признака для данной области изображения или отклик области изображения на данное свойство вычисляется на основе следующего выражения:

R= (1)

Страницы: 1, 2