کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4970195 1450033 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Object recognition under severe occlusions with a hidden Markov model approach
ترجمه فارسی عنوان
به رسمیت شناختن عدسی در انفجار شدید با یک مدل پنهان مارکف
کلمات کلیدی
شدید انسداد مدل مخفی مارکف، تبدیل موجک، تشخیص شی،
ترجمه چکیده
طبقه بندی فرم دارای برنامه های متعدد است. در صحنه های واقعی، اشکال ممکن است دارای انسداد شدید، شناسایی اشیا را سخت تر کند. در این مقاله روشی برای تشخیص شیوه در انسداد شدید پیشنهاد شده است. اکلوژن با جداسازی اشکال به قسمت ها از طریق نقاط انحنای بالایی برخورد می شود، سپس امضای نقطه زاویه ای برای هر بخش پیدا می شود و تبدیل موجک پیوسته برای هر امضا محاسبه می شود. سپس، بهترین شیء تطبیق برای هر بخش با استفاده از ضریب همبستگی پیرسون به عنوان اندازه گیری شباهت بین موجک های بخش و احتمال ترین اشیاء در پایگاه داده محاسبه می شود. برای هر کلاس احتمالی، یک مدل مارکف پنهان در یک گروه از طریق آموزش با رویکرد یک کلاس ایجاد می شود. برای اعتبارسنجی فرضیه ها، دو محدودیت محدوده تعیین شده برای افزایش عملکرد تشخیص است. آزمایشات با 1500 نمونه نمونه تست با سناریوهای مختلف انسداد جسم انجام شد. نتایج نشان داد که این روش نه تنها قادر به شناسایی اشکال بسیار بسته شده (60 تا 80٪ همپوشانی) بود، بلکه مزایای متعددی را نسبت به روش های قبلی نشان داد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
به رسمیت شناختن عدسی در انفجار شدید با یک مدل پنهان مارکف
چکیده انگلیسی
Shape classification has multiple applications. In real scenes, shapes may contain severe occlusions, hardening the identification of objects. In this paper, a method for object recognition under severe occlusion is proposed. Occlusion is dealt with separating shapes into parts through high curvature points, then tangent angle signature is found for each part and continuous wavelet transform is calculated for each signature. Next, the best matching object is calculated for each part using Pearson's correlation coefficient as similarity measure between wavelets of the part and of the most probable objects in the database. For each probable class, a hidden Markov model is created in an ensemble through training with the one-class approach. For hypotheses validation, two area restrictions are set to enhance recognition performance. Experiments were conducted with 1500 test shape instances with different scenarios of object occlusion. Results showed the method not only was capable of identifying highly occluded shapes (60%-80% overlapping) but also present several advantages over previous methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 86, 15 January 2017, Pages 68-75
نویسندگان
, ,