МЕТОД ДЕТЕКЦИИ ХАРАКТЕРНЫХ ТОЧЕК ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ ЗНАКОВОГО ПРЕДСТАВЛЕНИЯ

  • А. Н. Каркищенко Южный федеральный университет
  • В. Б. Мнухин Южный федеральный университет
Ключевые слова: Цифровое изображение, обработка изображений, графы, знаковые представления, характерные точки, группа, функция яркости, монотонные преобразования, спектр, собственный вектор

Аннотация

Целью исследования является разработка метода детекции характерных точек
цифрового изображения, обладающего устойчивостью по отношению к определенному
классу преобразований яркости. Необходимость в подобном методе обусловлена потреб-
ностями выделения ключевых точек изображений в системах видеонаблюдения и распозна-
вания лиц, зачастую работающих в условиях меняющейся освещенности. Особенностью
предлагаемого метода, отличающего его от ряда известных подходов к проблеме выделе-
ния характерных точек, является использование так называемого знакового представле-
ния изображений. В отличие от обычного задания цифрового изображения дискретной
функцией яркости, при знаковом представлении изображение задается в виде ориентиро-
ванного графа, соответствующего бинарному отношению увеличения яркости на множе-
стве пикселей. Тем самым, знаковое представление определяет не единственное изобра-
жение, а множество изображений, функции яркости которых связаны строго монотон-
ными преобразованиями яркости. Именно это свойство знакового представления опреде-
ляет его эффективность для решения задач, обусловленных поставленной выше целью.
Особенностью рассматриваемого метода является особый подход к интерпретации ха-
рактерных точек изображения. Это понятие в теории обработки изображений не явля-
ется строго определенным; можно сказать, что характерная точка отличается повышен-
ной «сложностью» структуры изображения в её окрестности. Поскольку знаковое пред-
ставление изображения может быть представлено в виде ориентированного графа, в дан-
ной работе для оценки меры сложности локальной окрестности его вершин предложено
использовать известный в спектральной теории графов метод ранжирования, основанный
на теореме Перрона-Фробениуса. Его суть состоит в том, что в качестве меры сложности
вершины выступает значение компоненты так называемого перроновского собственного
вектора матрицы смежностей данного графа. Для проведения экспериментальных исследований предложенного подхода был разработан комплекс программ, результаты работы которых подтверждают работоспособность метода и демонстрируют, что с его помощью
удается на модельных примерах получать близкие к ожидаемым результаты. В работе
предложен также ряд рекомендаций по применению данного метода.

Литература

1. Kirby M., Sirovich L. Application of the Karhunen-Loeve procedure for characterization of
human faces, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, Vol. 12,
pp. 23-35.
2. Sirovich L., Kirby M. Low-dimensional procedure for characterization of human face, Journal
of the Optical Society of America, 1987, Vol. 4, pp. 519-524.
3. Turk M., Pentland A. Eigenfaces for recognition, Journal of Cognitive Neuroscience, 1991,
Vol. 3, pp. 72-86.
4. Liu C., Wechsler H. A shape- and texture-based enhanced fisher classifier for face recognition,
IEEE Transactions Image Processing, 2001, Vol. 10, pp. 598-608.
5. Swets D.L., Weng J. Using discriminant eigenfeatures for image retrieval, IEEE Transactions
on Pattern Analysis and Machine Intelligence, 1996, Vol. 18, pp. 831-836.
6. Moghaddam B., Pentland A. Probabilistic visual learning for object representation, IEEE
Transactions on Pattern Analysis and Machine Intelligence, 1997, Vol. 19, pp. 696-710.
7. Lin S.H., Kung S.Y., Lin L.J. Face recognition/detection by probabilistic decision-based neural
network, Transactions on Neural Network, 1997, Vol. 8, pp. 114-132.
8. Liu C., Wechsler H. Evolutionary pursuit and its application to face recognition, IEEE Transactions
on Pattern Analysis and Machine Intelligence, 2000, Vol. 22, pp. 570-582.
9. Cox I.J., Ghosn J., Yianilos P.N. Feature-based face recognition using mixture distance, Computer
Vision and Pattern Recognition, 1996, pp. 209-216.
10. Nefian A.V., Hayes M.H. Hidden Markov models for face recognition, Acoustics, Speech and
Signal Processing, 1998, Vol. 5, pp. 2721-2724.
11. Samaria F., Young S. HMM-based architecture for face identification, Image and Vision
Computting, 1994, Vol. 12, pp. 537-543.
12. Pentland A., Moghaddam B., Starner T. View-based and modular eigenspaces for face recognition,
Computer Vision and Pattern Recognition, 1994, pp. 84-91.
13. Penev P., Atick J. Local feature analysis: A general statistical theory for object representation,
Computation in Neural Systems, 1996, No. 7, pp. 477-500.
14. Lanitis A., Taylor C.J., Cootes T.F. Automatic face identification system using flexible appearance
models, Image and Vision Computing, 1995, Vol. 13, pp. 393-401.
15. Weyrauch B., Heisele B., Huang J., Blanz V. Component-Based Face Recognition with 3D
Morphable Models, Computer Vision and Pattern Recognition Workshop, 2004, pp. 85-93.
16. Goncharov A.V., Karkishchenko A.N. Vliyanie osveshchennosti na kachestvo
raspoznavaniya frontal'nykh lits [Effects of illumination and quality of frontal faces recognition],
Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2008,
No. 4 (81), pp. 82-92.
17. Goncharov A., Gubarev V. Comparison of high-level and low-level face recognition methods,
Proc. Pattern recognition and image analysis: new information technologies (PRIA-9-2008),
2008, pp. 178-181.
18. Goncharov A.V. Issledovanie svoystv znakovogo predstavleniya izobrazheniy v zadachakh
raspoznavaniya obrazov [Investigation of properties of images sign representation in the pattern
recognition problems], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2009, No. 8 (97), pp. 178-188.
19. Bronevich A.G., Goncharov A.V. Znakovoe predstavlenie izobrazheniy i ego informativnost'
[Sign representations of images and its informativity], 14-ya Vserossiyskaya konf.
Matematicheskie metody raspoznavaniya obrazov [Proceedings of 14th All-Russia scientific
conference of mathematical methods for images recognition]. Moscow: MAKS Press, 2009,
pp. 309-312.
20. Goncharov A.V. Raspoznavanie lits na osnove mnogomasshtabnogo znakovogo prestavleniya
izobrazheniy [On face recognition based on multiscale sign representations of images],
Tsifrovaya obrabotka signalov [Digital signal processing], 2010, Vol. 1, pp. 10-13.
21. Grechukhin I.A., Karkishchenko A.N. O metode postroeniya kharakternykh tochek na osnove
variatsii yarkostnogo profilya [On a method for key points construction based on brightness
cross-section variations], Tr. OAO «NIIAS». Sb. nauchnykh trudov [Proceedings of JSC
NIIAS]. Issue 9. Moscow: Izd-vo OOO «Gruppa IDT», 2011, pp. 203-220.
22. Karkishchenko A.N., Goncharov A.B. Geometriya znakovogo predstavleniya izobrazheniy i ee
prilozhenie k issledovaniyu ustoychivosti k shumam [Sign reprsentations geometry applied for
noise stability investigations], Mezhdunarodnaya konferentsiya Intellektualizatsiya obrabotki
informatsii (IOI-8): Sb. dokladov [Proceedings of International conference on intellectualization
of images processing (IIP-8)]. Moscow: MAKS Press, 2010, pp. 335-339.
23. Karkishchenko A.N., Goncharov A.V. Issledovanie ustoychivosti znakovogo predstavleniya
izobrazheniy [Stability investigation of the sign representation of images], Avtomatika i
telemekhanika [Automation and Remote Control], 2010, Vol. 9, pp. 57-69.
24. Myasnikov V.V. Opisanie izobrazheniy s ispol'zovaniem konfiguratsionnogo otnosheniya
ekvivalentnosti [Description of images based on configurational equivalence relation],
Komp'yuternaya optika [Computer Optics], 2018, Vol. 42, No. 6, pp. 998-1007.
25. Pyt'ev Yu.P., Chulichkov A.I. Metody morfologicheskogo analiza izobrazheniy [Methods for
Morphological Analysis of Images]. Moscow: Fizmatlit, 2010, 336 p.
26. Bronevich A.G., Karkishchenko A.N., Lepskiy A.E. Analiz neopredelennosti vydeleniya
informativnykh priznakov i predstavleniy izobrazheniy [Uncertainty analysis of informational
features selection and images representations]. Moscow: Fizmatlit, 2013, 308 p.
27. Cvetković D.M., Doob M., Sachs H. Spectra of Graphs – Theory and Application. Berlin,
1980, 368 p.
28. Gantmakher F.R. Teoriya matrits [Theory of Matrices]. Moscow: Nauka, 1988, 552 p.
29. Khorn R., Dzhonson Ch. Matrichnyy analiz [Matrix Analysis]. Moscow: Mir, 1989, 655 p.
Опубликован
2020-11-22
Выпуск
Раздел
РАЗДЕЛ I. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И НЕЧЕТКИЕ СИСТЕМЫ