Ein Segmentation-basiertes Objekt Erkennung System für Bilder

Abstract

Das Ziel dieser Masterarbeit ist die Anerkennung und Klassifizierung von Objektklassen in Bildern mit der Hilfe vom Bag of Keypoints Algorithmus und Segmentierung Verfahren. Im Einzelnen, zuerst wir übersegmentieren die vorhandenen Bilder, extrahieren von jeder segmentierten Region Farbe Information und gruppieren diese Information mit der Hilfe vom kmeans Verfahren. Als Segmentierungsverfahren benutzen wir die volumic extraction und Wasserfall Verfahren, welche auf der Minimum Spanning Tree Methode basiert sind. Für die Extraktion der Farbeinformation benutzen wir zwei verschiedene Farbräume, die Opponent und HSI Farbräume. Das Gruppierung Ergebnis ist unsere Merkmale - Wortschatz für das Bag of Keypoints. Der näcste Schritt ist Histogramme zu erstellen, die von der Auftretennummer vom jeden Keypoint nach der Gruppierung der Bilder gebildet sind. Schließlich, wir benutzen die Histogramme, um Support Vector Machines tu trainieren, deren Nummer gleich mit der Nummer der Klassen ist, und mit denen unbekannte Objekte in Bildern zu erkennen und klassifizieren. Für das Training und Testen von den Klassifikatoren benutzen wir die PASCAL Datenbank 2006. Für unser Auswertungverfahren wir benutzen die Receiver Operating characteristic, auch bekannt als ROC Kurve. Unsere Ergebnisse sind ausreichend und vergleichbar mit den offiziellen Ergebnissen von der 2006 VOC Challenge.

The aim of this master thesis is the recognition and classification of object classes in images using the bag of keypoints algorithm and the segmentation approach. In more detail, we first over-segment the available images, extract from every segmented region color information and cluster this information using the known kmeans approach. As segmentation method we use the volumic extinction and waterfall approaches, which are both based on the Minimum Spanning Tree method. For the color information extraction we use two different color spaces, the opponent and HSI color spaces. The clustering result is our features - vocabulary for the bag of keypoints. The next step is to build histograms formed by the number of occurrences of every keypoint from the clustering in the images. Finally, we use the histograms to train Support Vector Machines equal to the number of the available classes and use them for the recognition and classification of unknown objects in images. For the training and testing of the classifiers we use the PASCAL database 2006. As our evaluation technique we use the Receiver Operating characteristic, also known as ROC curve. Our results are adequate and are comparable with the official Results from the 2006 VOC Challenge.