Object Recognition We also tested t

Object Recognition We also tested the new features on a practical application, aimed at recognising objects of art in a museum. The database consists of 216 images of 22 objects. The images of the test set (116 images) were taken under various conditions, including extreme lighting changes, objects in reflecting glass cabinets, viewpoint changes, zoom, different camera qualities, etc. Moreover, the images are small (320×240) and therefore more challenging for object recognition, as many details get lost. In order to recognise the objects from the database, we proceed as follows. The images in the test set are compared to all images in the reference set by matching their respective interest points. The object shown on the reference image with the highest number of matches with respect to the test image is chosen as the recognised object. The matching is carried out as follows. An interest point in the test image is compared to an interest point in the reference image by calculating the Euclidean distance between their descriptor vectors. A matching pair is detected, if its distance is closer than 0.7 times the distance of the second nearest neighbour. This is the nearest neighbour ratio matching strategy [18,2,7]. Obviously, additional geometric constraints reduce the impact of false positive matches, yet this can be done on top of any matcher. For comparing reasons, this does not make sense, as these may hide shortcomings of the basic schemes. The average recognition rates reflect the results of our performance evaluation. The leader is SURF-128 with 85.7% recognition rate, followed by U-SURF (83.8%) and SURF (82.6%). The other descriptors achieve 78.3% (GLOH), 78.1% (SIFT) and 72.3% (PCA-SIFT).

Kết quả (Việt) 2:

Object Recognition Chúng tôi cũng đã thử nghiệm các tính năng mới trên một ứng dụng thực tế, nhằm công nhận đối tượng của nghệ thuật trong một viện bảo tàng. Các cơ sở dữ liệu bao gồm 216 hình ảnh của 22 đối tượng. Những hình ảnh của tập kiểm tra (116 ảnh) đã được thực hiện trong các điều kiện khác nhau, bao gồm cả những thay đổi cực ánh sáng, các đối tượng trong tái fl ecting tủ kính, thay đổi quan điểm, zoom, chất lượng camera di ff erent, vv Hơn nữa, những hình ảnh nhỏ (320 × 240) và do đó khó khăn hơn để nhận dạng đối tượng, như nhiều chi tiết bị mất. Để nhận ra các đối tượng từ cơ sở dữ liệu, chúng tôi tiến hành như sau. Những hình ảnh trong tập kiểm tra được so sánh với tất cả các hình ảnh trong các tài liệu tham khảo thiết lập bằng cách kết hợp các điểm quan tâm của mình. Các đối tượng được hiển thị trên hình ảnh tham khảo với số lượng cao nhất của các trận đấu đối với các hình ảnh thử nghiệm với được chọn là đối tượng được công nhận. Việc kết hợp được thực hiện như sau. Một điểm quan tâm đến hình ảnh thử nghiệm được so sánh với một điểm quan tâm trong các hình ảnh tham khảo bằng cách tính toán khoảng cách Euclide giữa vectơ mô tả của họ. Một cặp kết hợp được phát hiện, nếu khoảng cách của nó là gần gũi hơn 0,7 lần khoảng cách của các láng giềng gần nhất lần thứ hai. Đây là tỷ lệ hàng xóm chiến lược phù hợp với khu vực gần [18,2,7]. Rõ ràng, các ràng buộc hình học thêm làm giảm tác động của các trận đấu tích cực sai, nhưng điều này có thể được thực hiện trên đầu trang của bất kỳ khớp. Để so sánh các lý do, điều này không có ý nghĩa, vì chúng có thể che giấu những thiếu sót của chương trình cơ bản. Các mức công nhận trung bình lại fl ect kết quả của đánh giá hiệu của chúng tôi. Các nhà lãnh đạo là SURF-128 với tỉ lệ nhận dạng 85,7%, tiếp theo là U-SURF (83,8%) và SURF (82,6%). Các mô tả khác đạt 78,3% (GLOH), 78,1% (SIFT) và 72,3% (PCA-SIFT).