Тема: Исследование эффективности дескрипторов особых точек на различных типах изображений

Основной задачей компьютерного зрения является распознавание различных объектов на изображениях. В настоящее время много нерешенных проблем кроется в области распознавания лиц: например, алгоритмы плохо распознают лица в условиях низкой освещённости или лица с окклюзиями (очки, маски, шапки). За точность распознавания лица на изображениях отвечают специальные дескрипторы особых точек, которые находят и описывают ключевые черты конкретного лица. Различные алгоритмы с разным успехом справляются с той или иной проблемой, но единого решения до сих пор не найдено. Более того, при разработке и публикации нового дескриптора, авторы не указывают его эффективность относительно других алгоритмов, заставляя пользователей самому выяснять это опытным путем.
Актуальность и научная значимость настоящего исследования заключается в отсутствии готовой модели для быстрого сравнения многочисленных дескрипторов особых точек.
Объектом исследования является сравнительный анализ дескрипторов особых точек.
Предметом исследования является оптимизация процесса сравнения дескрипторов особых точек.
Целью исследования является разработка подхода для сравнения эффективности работы дескрипторов особых точек на различных наборах изображений.
Гипотеза исследования состоит в том, что дескрипторы особых точек можно объективно и быстро сравнить, если будет разработана и реализована соответствующая математическая модель для их исследования.
Для достижения поставленной цели необходимо решить следующие задачи:
- проанализировать состояние предметной области - алгоритмов сравнения дескрипторов особых точек;
• обозначить и сформулировать задачи для решения найденных проблем;
• проанализировать алгоритмы работы и сформулировать математические модели дескрипторов особых точек;
• составить собственную математическую модель для сравнительного анализа дескрипторов особых точек;
• проанализировать существующее программное обеспечение для решения поставленных задач;
• выбрать набор программ и библиотек для реализации алгоритма сравнения дескрипторов особых точек;
• реализовать алгоритм для исследования эффективности особых точек в виде программного кода;
• сформулировать и проанализировать полученные результаты.
Методы исследования: анализ дескрипторов особых точек, вычислительный эксперимент на основе построенной модели.
Научная новизна исследования заключается в использовании нового алгоритма сравнения дескрипторов особых точек.
Работа состоит из введения, 3 разделов, заключения, содержит 56 рисунков, 6 таблиц, 12 формул, список использованной литературы. Основной текст работы изложен на 73 страницах.
Купить

Данная магистерская работа посвящена исследованию эффективности дескрипторов особых точек. Задача распознавания лиц актуальная во многих сферах нашей жизни. Однако дескрипторы особых точек, использующиеся для этих задач, имеют свои преимущества и недостатки. Отсутствие точной информации о нюансах работы каждого из дескрипторов значительно снижают эффективность и точность систем распознавания лиц. Благодаря данной работе получены новые результаты работы дескрипторов особых точек, а также разработано программное обеспечение для быстрого и эффективного сравнения.
В первом разделе рассматривается предметная область исследования и проводится постановка задачи.
Во втором разделе раскрываются основные этапы работы дескрипторов особых точек, а также формулируется математическая модель для каждого из дескрипторов и всей системы в целом.
В третьем разделе описывается программная реализация математической модели и фиксируются результаты работы различных дескрипторов особых точек. На основе этих результатов можно сделать следующие выводы:
• дескриптор AKAZE является самый быстрым и точным дескриптором на большинстве наборах изображений;
• дескриптор BRIEF является наименее точным и наиболее медленным среди всех рассматриваемых дескрипторов;
• чувствительность и точность всех дескрипторов существенно падает при наличии окклюзий на изображении;
• на конкретных наборах изображений точность дескриптора SIFT значительно падает по сравнению с другими дескрипторами.
Купить