XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Исследователи в области компьютерного зрения в настоящее время разрабатывают математические методы для восстановления трехмерной формы и внешнего вида объектов в изображениях[1]. Но окончательно данная задача не решена.

Цель данной работы состоит в изучении ключевых подходов в обработке цифровых изображений.

Классификаторы Хаара Каскад являются эффективным способом обнаружения объектов. Положительные изображения — эти изображения содержат изображения, которые мы хотим, чтобы наш классификатор идентифицировал.

Негативные изображения — изображения всего остального, которые не содержат объект, который мы хотим обнаружить.

Поиск объектов в цифровом изображении является одной из приоритетных задач в плане распознавания изображения через библиотеку OpenCV и детектор Хаара.

Основное преимущество детектора Хаара: скорость. Благодаря быстрой обработке изображений можно легко обработать потоковое видео. Детектор Хаара используется, чтобы распознать большинство классов объектов. Они включают людей и другие их части тела, номерные знаки, пешеходов, дорожных знаков уличного движения, животных, и т.д. детектор Хаара реализуется в библиотеке OpenCV. Это дает огромное преимущество. Ранее были созданы готовые реализации OpenCV для большинства существующих операционных систем (Android, Windows, Linux, Иос), которые сейчас мы можем взять за основу.

Классификатор формируется на основе примитива Хаара, вычисляя значения атрибутов. Для тренировки набор "корректных" изображений с выбранной заранее областью на изображении сначала подаётся к классификатору, затем примитивы перечисляются, и атрибут со значением рассчитывается. Расчетные значения сохраняются в файле в формате xml.

В настоящий момент, метод Виола–Джонса является популярным методом для того, чтобы обнаружить объект в изображении, из-за его высокой скорости и эффективности. Метод Виола–Джонса основан на: интегральном представлении изображения основанного по признакам Хаара, конструкции классификатора, на адаптивном усиливающемся алгоритме, и методе для того, чтобы объединить классификаторы в располагающееся каскадом строение [2,3]. Эти идеи позволяют Вам искать объект в реальном масштабе времени.

Интегральное представление изображения - матрица, которая является тем же самым размером как исходное изображение. Расчет значений ​​ матричных элементов проходит по каждому члену пропорции времени к числу пикселей в исходном изображении, таким образом, интегрированное изображение рассчитывается за один прогон [4].

Используя интегральное представление изображения, можно быстро вычислить полную яркость произвольной прямоугольной области в изображении. На этапе обнаружения объекта методом Виола–Джонса использует рамка определенного размера, которая передвигается по изображению. Для каждой области ​​изображения рассчитывается атрибут Хаара, со справкой на который ищется искомый объект. Признак Хаара вычисляется по смежным прямоугольным областям. Метод Виола–Джонса использует прямоугольные примитивы.

Вычисляемым значением F признака Хаара будет , где X – сумма значений яркостей точек, закрываемых светлой частью примитива, Y –сумма яркостной картины изображения ​​точек, закрываемых темной частью [5]. Для расчета используется понятие интегрального изображения, и знаки Хаара могут быть рассчитаны быстро, за постоянное время. Использование функций Хаара дает значение точки отбрасывания яркости по оси X и Y соответственно.

Так как функции Хаара не являются полностью соответствующими для обучения или классификации, т. к. большее число функций необходимо, чтобы описать объект с достаточной точностью. Поэтому, признаки Хаара вводят каскадный классификатор, который нужен, чтобы быстро отбросить окна, в которых требуемый объект не находится, и дать результату "истину" или "ложь" относительно расположения объекта.

Классификатор создается на основе усиливающегося алгоритма, за счет "boosting" (от английского boost - улучшение, усиление), чтобы выбрать самые подходящие признаки требуемого объекта в данной части изображения. В общем случае усиление - комплекс методов, которые способствуют увеличению точности аналитических моделей. Эффективную модель, которая позволяет лишь немного погрешностей результирующей системы, называют "прочным" или "сильным". "Слабый", напротив, не позволяет достоверно разделять классы или давать точные прогнозы, т.к. делает большое количество погрешностей. Поэтому, "boosting" означает "усиливать" "слабые" модели и является процедурой для того, чтобы последовательно создать композицию алгоритмов машинного обучения, когда каждый последующий алгоритм стремится компенсировать недостатки композиции всех предыдущих алгоритмов.

У имеющего результата классификатора есть минимальная погрешность относительно текущих значений ​​ весов, включенных в метод обучения, чтобы определить погрешность.

Для поиска объекта в цифровом изображении, обученный классификатор использует файл, представленный в формате xml. Классификатор формируется на основе примитива Хаара.

Список литературы:

1. Усманова Н. Ф. АНАЛИЗ АЛГОРИТМОВ ОБРАБОТКИ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ // Вестник науки. 2023. №5 (62). URL: https://cyberleninka.ru/article/n/analiz-algoritmov-obrabotki-graficheskih-izobrazheniy (дата обращения: 22.06.2024).

2. Блохина Т. В. ИССЛЕДОВАНИЕ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ // Современные наукоемкие технологии. 2013. № 8–1. С. 70–70.
URL: https://top-technologies.ru/ru/article/view?id=32446 (дата обращения: 22.06.2024).

3. Аветисян Т.В., Львович Я. Е., Преображенский А. П. Разработка подсистемы распознания сигналов сложной формы // International Journal of Advanced Studies. 2023. Т. 13. № 1. С. 102–114.

4. В. Т. Фисенко, Т. Ю. Фисенко. Компьютерная обработка и распознавание изображений: Учебное пособие. Санкт-Петербург: Университет ИТМО, 2008. – 195 с.

5. Львович Я. Е., Преображенский А. П., Аветисян Т.В. Анализ возможностей использования алгоритмов фильтрации информации и заполнения пробелов // International Journal of Advanced Studies. 2022. Т. 12. № 4. С. 81–95.