Magistrlik dissertatsiyasi 7 bet, 59 ta rasm, ta jadval, 70 ta adabiyot va ilovadan iborat

. Yo‘l belgilarini aniqlash va tanib olish uchun ishlatiladigan algoritmlari qiyosiy tahlili

Hozirda eng rivojlanayotgan yo‘nalishlardan biri bu yo‘l belgilarini tanib olishdir. Biroq, zamonaviy usullarning samaradorligini pasaytiradigan bir qator hal etilmagan qiyinchiliklar mavjud.

Yo‘l belgilarini tanib olishning eng yaxshi usulini tanlash juda qiyin, chunki tanib olishning aniqligiga ta’sir qiluvchi ko‘plab omillar mavjud. Tanib olishning to‘g‘riligiga eng ko‘p ta’sir qiladigan asosiylari orasida quyidagilar mavjud:

• 
  tasvir past aniqlikda bo‘lishi mumkin;
  
• 
  tasvirlar rang va teksturada murakkab, bir xil bo‘lmagan fonga ega bo‘lishi mumkin;
  
• 
  tasvirlardagi obyektlar turli burchaklarda taqdim etilishi mumkin, bu vizual geometrik va fotometrik buzilishlarni yaratadi;
  
• 
  tasvirlar soni oldindan ma’lum bo‘lmagan kerakli obyektlar to‘plamini o‘z ichiga olishi mumkin [5, 6].
  

Yuqorida aytib o‘tilgan qiyinchiliklarni bartaraf etish uchun tizimning hisoblash murakkabligini oshiradigan qo‘shimcha oldindan ishlov berish talab qilinadi. Shu sababli, bugungi kunda tanib olish jarayoniga ilgari aytib o‘tilgan qiyinchiliklarning ta’sirini kamaytiradigan turli xil algoritm va usullarni amalga oshirish zarurati tug‘iladi, degan xulosaga kelishimiz mumkin [7]. Real sahnalar tasvirlarida yo‘l belgilarini tanib olish ikki asosiy bosqichga bo‘linishi mumkin.

• 
  tasvirdagi yo‘l belgisi sohasini aniqlash;
  
• 
  yo‘l belgilarini tanib olish.
  

Obyektlarni rangi bo‘yicha aniqlash. Algoritmning asosiy konsepsiyasi obyektni rangi bo‘yicha qidirishdir. Yo‘l belgilarining bir nechta ranglari borligi va ularning aksariyati faqat qizil va ko‘k bo‘lganligi sababli, qolgan kichik miqdordagi yo‘l belgilari boshqa ranglarda.
Keyinchalik, biz algoritmning ijobiy va salbiy tomonlarini aniqlash uchun harakatlar ketma-ketligini ko‘rib chiqamiz. Eng boshida biz RGB rang maydoni bilan ifodalangan tasvirni olamiz. Unda yo‘l belgilari tasvirlangan deb taxmin qilinadi. Shuning uchun, tasvirdagi yo‘l belgisini rang bo‘yicha aniqlash uchun biz har bir rang uchun M dan N gacha bo‘lgan matritsalar kabi 3 ta komponentni qayta ishlashimiz kerak - MxNx3, ya’ni ko‘proq hisoblash quvvati talab qilinadi. Alohida ta’kidlash joizki, tarkibiy qismlardan birining o‘zgarishi rang maydonida boshqa komponentlarning qiymatlariga ta’sir qiladi, ya’ni G ning o‘zgarishi R va B qiymatlariga ta’sir qiladi .
HSB (Hue, Saturation, Brightness - ton, to‘yinganlik, yorqinlik) - rang modeli:

• 
  Hue - Rang toni (masalan, sariq, qizil yoki ko‘k). U “0-360 °” oralig‘ida o‘zgarib turadi va ba’zan “0-100” yoki “0-1” qiymatlari oralig‘iga kyeltiriladi.
  
• 
  Saturation - to‘yinganlik. “0-100” yoki “0-1” oralig‘ida o‘zgaradi. Bu parametr qanchalik katta bo‘lsa, rang shunchalik "toza" bo‘ladi. Va bu parametr nolga qanchalik yaqin bo‘lsa, rang neytral kul rangga yaqinroq bo‘ladi.
  
• 
  Brightness (yorqinlik). Shuningdek, “0-100” va “0-1” oralig‘ida o‘rnatiladi.
  

HSB modelining qurilmasi insonning ranglarni idrok etishiga eng yaqin hisoblanadi. MAX R, G, B dan maksimal qiymat va MIN ulardan minimal bo‘lsin:

Bir rang modelidan boshqasiga o‘tgandan so‘ng, biz diapazonlarni bilamiz. Har xil turdagi yorug‘lik ostida (kunduz, kechqurun, tun) belgi rangining HSB qiymatlari .

Misol uchun, agar biz internet ma’lumotlarini o‘rgansak, belgidagi qizil ranglarning qiymatlari 2-jadvalda keltirilgan diapazonlarda ekanligini ko‘rishimiz mumkin.
2-jadval
Qizil diapazonlar

	Tushunarli	Yomg‘ir	Oqshom	Kecha
HSB	300	300	300	22
	0,7	0,7	0,7	0,7
	0,5	0,5	0,5	0,5

Yo‘l belgilarini qidirish tasvirdagi har bir pikselni tekshirish orqali amalga oshiriladi, keyingi qadam piksel qiymatini 2-jadvalda ko‘rish mumkin bo‘lgan intervallarga almashtirishdir. Pikselni intervalga almashtirgandan so‘ng, shartlar solishtiriladi. Mutlaqo barcha piksellarni tekshirish vazifasi bajarilgandan so‘ng, tasvir oq-qora rangga aylanadi va xususan, faqat yo‘l belgilarining konturlari tanlanadi [8, 9].

Ushbu yondashuvning afzalliklari:

• 
  amalga oshirish qulayligi;
  
• 
  hisob-kitoblar amalga oshiriladigan qurilmaga past yuklamasi;
  
• 
  o‘zgaruvchan ob-havo sharoitlariga bardoshlilik;
  
• 
  yo‘l belgilarining barcha mavjud sinflari uchun algoritmni moslashtirish.
  

Ushbu yondashuvning kamchiliklari:

• 
  ma’lum bir rangga mos keladigan tasvirdagi barcha yo‘l belgilarini aniqlash, hatto bu talab qilinmasa ham;
  
• 
  rangi yo‘l belgilarining rangiga o‘xshash boshqa obyektlarni aniqlash;
  
• 
  yo‘l belgisi qoplamasining kuyishi yoki ifloslanishi ish natijasiga ta’sir qilishi mumkin.
  

Obyektni shakli bo‘yicha aniqlash. Ushbu usullar belgilarning shakli tufayli yo‘l belgilari uchun eng mos keladi. Ular oddiy shakllardan iborat, masalan:

• 
  doira;
  
• 
  uchburchak;
  
• 
  kvadrat;
  
• 
  to‘rtburchak.
  

Birinchi bosqichda tasvirni olanadi va uni tayyorlanadi. Tayyorgarlik tasvirlarni rangdan kulrang rangga o‘tkazish va obyektlar chegarasini ajratib ko‘rsatishdan iborat. Keyin ular orasida raqamga o‘xshash konturlarni topish uchun yopiq konturlar qidiriladi.
Yakuniy bosqichda belgilangan shartlarga javob beradigan konturlarni tanlash amalga oshiriladi. Maxsus holatlar bundan mustasno, Kanni detektoriga qaraganda ancha yaxshi ishlaydigan chegara detektorni topish qiyin. Kannining vazifasi quyidagi talablarni qondiradigan optimal chegara aniqlash algoritmini ishlab chiqish edi:

• 
  yuqori darajadagi chegaralarni aniqlash;
  
• 
  barcha shartlarni qondiradigan lokallashtirish (aniq chegara o‘rnini topish);
  
• 
  chegaraga faqat bitta javob bor.
  

Ushbu talablardan tasvir o‘ramini yaratish uchun optimal chiziqli operatorni topish uchun minimallashtirilgan obyektiv xatolik xarajati funksiyasi hisoblab chiqiladi.
Kanni chegara detektori. Hozirda mavjud bo‘lgan eng yaxshi chegara detektorlaridan biri bu Kanni dyetektori.
Kanni chegara detektori algoritmi Gauss bilan tekislangan tasvirning gradiyentini hisoblashdan ko‘proq narsani qiladi. Chegara konturida chegara yaqinida joylashgan lokal maksimal bo‘lmagan nuqtalar o‘chiriladi.
Kanni algoritmi nuqtalarni ishlatmaslik yoki olib tashlamaslik uchun chegara yo‘nalishi haqidagi ma’lumotlardan foydalanadi. To‘g‘ridan-to‘g‘ri chegara yonida joylashgan bo‘lib, bu lokal maksimal gradiyentlar yaqinidagi chegarani to‘g‘ridan-to‘g‘ri buzmaslik uchun amalga oshiriladi. Bundan tashqari, bo‘sag‘aviy filtrlash yordamida zaif chegaralar olib tashlanadi va filtrlash paytida chegara qismi bir butun sifatida qayta ishlanadi.
Agar topilgan har qanday fragmentdagi gradiyent qiymati yuqori chegaradan oshib ketgan bo‘lsa, u holda gradiyent qiymati pastki chegaradan pastga tushgunga qadar ushbu chegaradan pastga tushgan joylarda bu fragment "ruxsat etilgan" chegara bo‘lib qoladi.
Agar butun fragment yuqori chegara nuqtasidan kattaroq qiymatga ega bo‘lmasa, u o‘chiriladi. Bunday harakatlar chiqish chegaralaridagi bo‘shliqlar sonini sezilarli darajada kamaytirishi mumkin.
Agar shovqinni kamaytirish Kanni algoritmiga kiritilgan bo‘lsa, bu natijalarning barqarorligini oshiradi, lekin ayni paytda hisoblash xarajatlarini oshiradi, shuningdek, chegara ma’lumotlarning buzilishi va yo‘qolishiga olib keladi. Bunday algoritm yordamida obyektlardagi burchaklar yaxlitlanadi va ulanish nuqtalaridagi chegaralar yo‘q qilinadi [10].
Gabor filtri. Gabor filtri chiziqli filtr bo‘lib, u garmonik funksiyaning xarakteristikasi bilan belgilanadi va Gauss bilan ko‘paytiriladi. Tasvirga raqamli ishlov berishni qo‘llash vaqtida ushbu filtr obyektlar chegaralarini tanib olish uchun ishlatiladi.
Insonning ko‘rish tizimi filtr banklaridan iborat. Turli yo‘nalishlar va masshtablarga ega Gabor funksiyalari mos keladigan odamlar filtrlarining javoblarini modellashtirishi mumkin. Gabor funksiyalari teksturalarni aniqlash va ifodalash uchun ayniqsa samarali ekanligi aniqlandi. Ushbu Gabor filtri xususiyati obyektni aniqlash, barmoq izini aniqlash, yuz ifodasini aniqlash, tasvirni segmentatsiyalash va boshqalar uchun qo‘llaniladi.
Gabor filtri qanday bo‘lishini va qanday funksiyalarga javob berishini boshqaradigan ma’lum parametrlar mavjud. Gabor filtrini Gauss to‘lqini bilan modulyatsiyalangan ma’lum chastota va yo‘nalishdagi sinusoidal signal sifatida ko‘rish mumkin [11].
Filtrda ortogonal yo‘nalishlarni ifodalovchi haqiqiy va xayoliy komponentlar mavjud. Ikki komponent murakkab songa aylanishi yoki alohida ishlatilishi mumkin.
Tarkibida:
- sinusoidal komponentning to‘lqin uzunligi.
- normalni Gabor funksiyasining parallel chiziqlariga yo‘naltirish.
- sinusoidal funksiyaning fazali siljishi.
- sigma / Gauss konvertining standart og‘ishi
- fazoviy tomonlar nisbati va Gabor funksiyasini qo‘llab-quvvatlashning elliptikligini ko‘rsatadi.
Lambda () - to‘lqin uzunligi Gabor funksiyasining bantlarining kengligini aniqlaydi. To‘lqin uzunligini oshirish qalinroq chiziqlar hosil qiladi va to‘lqin uzunligini kamaytirish ingichka chiziqlar hosil qiladi. Boshqa parametrlarni o‘zgarmagan holda saqlash va lambdani 60 va 100 ga o‘zgartirish orqali chiziqlar qalinroq bo‘ladi.
6-rasm. Boshqa parametrlarni o‘zgarmagan holda (=00, =0,25, =10, =0) va lambdani 30 dan 60 va 100 ga o‘zgartirganda, Gabor funksiyasi qalinroq bo‘ladi.

Teta () - Teta Gabor funksiyasining yo‘nalishini nazorat qiladi. Teta nol darajasi Gabor funksiyasining vertikal holatiga mos keladi.

7-rasm. Boshqa parametrlarni o‘zgarishsiz saqlab (=30, =0,25, =10, =0) va teta 0 dan 45 va 90 gacha o‘zgarganda Gabor funksiyasi aylanadi.

Gamma () - aspekt nisbati yoki gamma Gabor funksiyasining balandligini nazorat qiladi. Juda yuqori tomonlar nisbatida balandlik juda kichik bo‘ladi va juda past gamma qiymatlarida balandlik juda katta bo‘ladi. Boshqa parametrlarni o‘zgarmagan holda gamma qiymatini 0,5 va 0,75 ga oshirish orqali Gabor funksiyasining balandligi kamayadi.

8-rasm. Boshqa parametrlarni o‘zgarishsiz saqlab (=30, =00, =10, =0) va gamma 0,25 dan 0,5 va 0,75 gacha o‘zgarganda Gabor funksiyasi qisqaroq bo‘ladi.

Sigma () - o‘tkazish kengligi yoki sigma Gabor konvertining umumiy hajmini nazorat qiladi. Kattaroq o‘tkazish kengligi uchun konvert ko‘paytirilib, ko‘proq yo‘l-yo‘l chiziqlarni olish imkonini beradi va kichikroq o‘tkazish kengligi uchun konvert siqiladi.

Sigma 30 va 45 ga oshgani sayin Gabor funksiyasidagi yo‘l-yo‘l chiziqlar soni ortadi.
9-rasm. Boshqa parametrlarni o‘zgarmagan holda (=30, =00, =0,25, =0) va sigmani 10 dan 30 va 45 ga o‘zgartirganda, Gabor funksiyasidagi yo‘l-yo‘l chiziqlar soni ortadi.
Maksimal barqaror ekstremal mintaqalar usuli. MSER algoritmi mintaqalarni topish va aniqlash usuli sifatida keng qo‘llaniladi, shuningdek, kompyuter ko‘rishning bir qismi sifatida identifikatorlarni topish va yaratish muammosini hal qiladi.
Usulning ishlashi g‘oyasi shundaki, u piksellarning ma’lum sonini topadi, ular o‘z navbatida chiziqli bo‘lib, piksellar intensivligini birinchi saralashni anglatadi. Saralash amalga oshirildi va piksellar, intensivlik ro‘yxati va birlashtirilgan bog‘langan komponentlar va ularning maydonlari ajratilgan to‘plam tizimi yordamida saqlanadi. Ushbu operatsiyalar deyarli ko‘p genetik jihatdan sodir bo‘ladi. Jarayon davomida ishlab chiqariladigan ma’lumotlar strukturasi har bir ulangan komponentning maydonini intensivlik funksiyasi sifatida saqlaydi. Kichikroq komponentlar mavjudligining tugashi ikkita komponentning, ya’ni kichikroqdan kattaroqqa ulanishini anglatadi.
Ushbu algoritmning asosiy afzalliklari:

• 
  affinga o‘zgarishlarga invariant;
  
• 
  tasvir bo‘limlarining boshqa chegarasi bilan binarlashga chidamli;
  
• 
  ajratilgan to‘plamlar tizimi yordamida samarali amalga oshiriladi [12, 13].
  

Ushbu algoritmning asosiy kamchiliklari orasida masshtabning mustaqilligini, shuningdek, siyraklik funksiyasini ajratib ko‘rsatish mumkin.
Algoritm yordamida topilgan hududlar quyidagi xususiyatlarga ega:

• 
  Hududlar faqat tanlangan ekstremal diapazonda hisobga olinadi.
  
• 
  Ko‘p o‘lchovli, kichik va katta tuzilmalarning turli qismlarini topish.
  

MSER algoritmida affin o‘zgarishlar to‘liq amalga oshiriladi [14].
Eng barqaror ekstremal hududlarni sanab o‘tish va hisoblash quyidagicha. Eng boshida piksellarni intensivlik bo‘yicha saralash sodir bo‘ladi. Keyinchalik, piksellar piksel bo‘yicha tartiblashdan so‘ng tasvirga ko‘chiriladi va ajratilgan to‘plam tizimi ulangan komponentlar va ularning maydonlari ro‘yxatini saqlaydi. Ajratilgan to‘plamlar tizimini amalga oshirishning murakkabligi chiziqli hisoblanadi.
Jarayonda intensivlik funksiyasi har bir komponentning strukturasini saqlaydi va shu bilan strukturani yaratadi.
Yakunda MSERni yaratuvchi chegaralar intensivlik darajalari sifatida tanlanadi, ular hudud funksiyasining o‘zgarish tezligining lokal minimali hisoblanadi. [15],[16].
Muayyan barqaror chegarani tanlash asl algoritmda belgilanmagan, shuning uchun bu vazifa dasturchiga tegishli bo‘lib qiladi.
Viola-Jons algoritmi. Viola-Jons algoritmi eng ommabop algoritmlardan biri bo‘lib, tasvirlardagi ob’yektlar sohalarini tez topish va bu obyekt qaysi sinfga tegishli ekanligini darhol aniqlash imkonini beradi. Viola-Jons algoritmining asosiy vazifasi yuzni aniqlashdir, lekin u ko‘pincha boshqa ko‘plab obyektlar sinflarini tanib olishda qo‘llaniladi.
Viola-Jons algoritmini yaratishda asosiy g‘oya tasvirning xususiyatlarini (lokal xususiyatlarni) ajratib olish va keyin ushbu xususiyatlar bo‘yicha algoritmni o‘qitish edi.
Algoritm tasvirning to‘rtburchaklar maydonlaridan piksellar yig‘indisini amalga oshiradigan lokal xususiyatlardan foydalanadi. Viola va Jons tomonidan ishlatiladigan belgilar ko‘plab to‘rtburchaklar maydonlarni o‘z ichiga oladi. Misol uchun, 10-rasmda Viola-Jons algoritmida ishlatiladigan to‘rtburchak belgilar ko‘rsatilgan, ular Xaar primitivlari deb ataladi.