Please use this identifier to cite or link to this item:
Title: Ανίχνευση Αντικειμένων Και Ημιαυτόματος Χαρακτηρισμός Εικόνων
Authors: Χρήστος Βαρυτιμίδης
Κόλλιας Στέφανος
Keywords: ανίχνευση αντικειμένων
χαρακτηριστικά τύπου haar
διαδοχικά συνδεδεμένοι ταξινομητές
ημιαυτόματος χαρακτηρισμός εικόνων
object detection
haar-like features
cascade of classifiers
semi-automatic image annotation
Issue Date: 4-Jul-2008
Abstract: Η ανίχνευση αντικειμένων σε εικόνες αποτελεί πεδίο της ανάλυσης εικόνων που ερευνάται έντονα τα τελευταία χρόνια. Σε αυτή τη διπλωματική παρουσιάζεται μία ολοκληρωμένη μέθοδος ανίχνευσης αντικειμένων σε εικόνες, η οποία δημιουργήθηκε από τους Viola και Jones το 2001. Για την περιγραφή των εικόνων χρησιμοποιούνται τα χαρακτηριστικά τύπου Haar, ενώ η ταξινόμηση των υποψήφιων περιοχών της εικόνας γίνεται με τον αλγόριθμο AdaBoost χρησιμοποιώντας διαδοχικά συνδεδεμένους ταξινομητές (ΔΣΤ) για αύξηση της ταχύτητας ανίχνευσης. Χρησιμοποιώντας αυτή τη μέθοδο, εκπαιδεύτηκαν διάφοροι ανιχνευτές για το εσωτερικό και το εξωτερικό μέρος αυτοκινήτων, με εικόνες από το σύνολο LabelMe κ.α. Παρουσιάζουμε και εξηγούμε τις επιλογές που έγιναν για την εκπαίδευση κάθε ανιχνευτή. Τα αποτελέσματα της αξιολόγησης κάθε ανιχνευτή παρουσιάζονται με διαγράμματα ακρίβειας-επανάκλησης και χαρακτηριστικής λειτουργίας δέκτη (ROC). Παρουσιάζονται επίσης συμπεράσματα που βοηθούν στην επίτευξη βέλτιστων αποτελεσμάτων με χρήση της συγκεκριμένης μεθόδου. Στα πλαίσια αυτής της διπλωματικής κατασκευάστηκε ένα πρόγραμμα ημιαυτόματου χαρακτηρισμού εικόνων, το οποίο ανιχνεύει αντικείμενα στην υπό χαρακτηρισμό εικόνα χρησιμοποιώντας τη μέθοδο που παρουσιάζουμε.Object detection in images is a filed of image analysis that is searched intensively during thepast few years. In this diploma thesis we present a complete object detection method whichwas created by Viola and Jones in 2001. Haar-like features are used to describe images, whilethe classification of the candidate regions of an image is performed by a cascade of classifierscreated by the AdaBoost algorithm in order to increase detection speed. By using this method,we trained several detectors for interior parts of a car, as well as its exterior, with sample imagesfrom the LabelMe dataset. We show and explain the choices that were made in every detectortraining. The results of the evaluation of every detector are presented in precision-recall andreceiver operator characteristic (ROC) diagrams. We also present some conclusions in order toachieve the best results from this method. In this diploma thesis we created a program forsemi-automatic annotation of images, which detects objects in images using the presentedmethod.
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2008-0095.pdf2.53 MBAdobe PDFView/Open

Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.