As aforementioned, these methods ar

As aforementioned, these methods are studied due to their effectiveness in classification problem. For each method, we proposed to recognize each object by a learning a binary classifier. At classification phase, sliding window technique is used to scan the whole image;each window candidate will be passed through feature extraction module then the computed descriptor will be passed into the corresponding binary classifier as shown Fig. 12. For details of each method, the readers are invited to read the original papers

In this work, we are interested to detect and recognize four classes of obstacles: {Potted plant, Trash, Extinguisher, and Human}. For training and testing detection and recognition methods, we have built a dataset containing 2104 images. The resolution of images is 600x400 pixels. Each object class has 526 images under daylight condition in a corridor of a build. This dataset is very challenge because objects are taken under different views point and distances. Some examples are presented in the Fig. 13. All images in the database are annotated manually and organized in the directory. We divide the database into 2 parts: 504 images for training and 1600 images for testing.
To evaluate detection and recognition algorithms, there are many measures such as Recall, Precision, and Accuracy [8]. In our context, as we know the distribution of positive and negative examples (the ratio between positive and negative is 1/4) so we propose to evaluate our system by Precision criterion, which is defined as follows:
The following table gives the precision for each object class and average precision. There methods run on a computer with the following configurations (CHIP Intel(R) Core(TM) i52520M CPU @ 3.2 GHz x 2, RAM 8GB). We can observe that the human detection rate
is very high (90%) while other classes detection rate is smaller, mostly with Trash class because many object with rectangular appearance could be classified as Trash. Fig. 14 show some examples of test results. For moving obstacles (human class), the system could be able to detect human at minimum distance 2m.
Various vision-based approaches, which utilize different types of low level features and classifiers have been presented in the literature. In this section, we evaluate three different approaches for object classifications. This study is to select the best one which could lead to a reliable solution for object classifications. The framework for object detection and recognition is shown Fig. 12.

Kết quả (Việt) 1:

Như đã nói ở trên, những phương pháp này được nghiên cứu do hiệu quả của họ trong phân loại vấn đề. Đối với mỗi phương pháp, chúng tôi đề xuất để nhận ra từng đối tượng bằng cách học hỏi một nhị phân loại. Ở giai đoạn phân loại, trượt cửa sổ kỹ thuật được sử dụng để quét toàn bộ ảnh; mỗi ứng cử viên cửa sổ sẽ được thông qua thông qua tính năng khai thác mô-đun sau đó mô tả tính sẽ được thông qua vào nhị phân loại tương ứng gọi Hiển thị hình 12. Chi tiết về mỗi phương pháp, các độc giả được mời để đọc các bài báo ban đầuTrong tác phẩm này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp học của những trở ngại: {chậu cây trồng, thùng rác, bình và nhân}. Đối với đào tạo và thử nghiệm phát hiện và phương pháp công nhận, chúng tôi đã xây dựng một tập dữ liệu có chứa hình ảnh 2104. Độ phân giải hình ảnh là 600 x 400 pixel. Mỗi đối tượng lớp có 526 hình ảnh trong điều kiện ánh sáng ban ngày trong một hành lang của một xây dựng. Số liệu này là rất thách thức bởi vì các đối tượng được thực hiện theo các quan điểm khác nhau điểm và khoảng cách. Một số ví dụ được trình bày trong hình 13. Tất cả hình ảnh trong cơ sở dữ liệu được chú thích bằng tay và tổ chức trong thư mục. Chúng tôi chia cơ sở dữ liệu thành 2 phần: 504 hình ảnh cho hình ảnh đào tạo và 1600 để thử nghiệm.Để đánh giá phát hiện và các thuật toán công nhận, có rất nhiều biện pháp như thu hồi, độ chính xác và độ chính xác [8]. Trong bối cảnh của chúng tôi, như chúng ta biết sự phân bố của tích cực và tiêu cực ví dụ (tỷ lệ giữa tích cực và tiêu cực là 1/4) do đó, chúng tôi đề xuất để đánh giá hệ thống của chúng tôi bằng tiêu chí chính xác, được định nghĩa như sau:Bảng dưới đây cho độ chính xác cho mỗi đối tượng lớp và trung bình là chính xác. Có phương pháp chạy trên một máy tính với các cấu hình sau đây (CHIP Intel(R) Core(TM) i52520M CPU @ 3.2 GHz x 2, RAM 8GB). Chúng tôi có thể quan sát mà tỷ lệ phát hiện con ngườilà rất cao (90%) trong khi tỷ lệ phát hiện các lớp học khác là nhỏ hơn, chủ yếu là với thùng rác lớp vì nhiều đối tượng với sự xuất hiện hình chữ nhật có thể được phân loại như thùng rác. Hình 14 Hiển thị một số ví dụ về các kết quả thử nghiệm. Để di chuyển trở ngại (con người lớp), Hệ thống có thể có thể để phát hiện con người ở khoảng cách tối thiểu 2m.Các tầm nhìn dựa trên phương pháp tiếp cận, mà sử dụng các loại khác nhau của tính năng cấp thấp và máy phân loại đã được trình bày trong các tài liệu. Trong phần này, chúng tôi đánh giá ba cách tiếp cận khác nhau để phân loại đối tượng. Nghiên cứu này là để chọn một trong những tốt nhất mà có thể dẫn đến một giải pháp đáng tin cậy cho phân loại đối tượng. Nền tảng để phát hiện đối tượng và sự công nhận Hiển thị hình 12.

Kết quả (Việt) 2:

Như đã nói ở trên, các phương pháp này được nghiên cứu do hiệu quả của họ trong vấn đề phân loại. Đối với mỗi phương pháp, chúng tôi đề nghị công nhận lẫn đối tượng của một học một phân lớp nhị phân. Ở giai đoạn phân loại, kỹ thuật trượt cửa sổ được sử dụng để quét toàn bộ hình ảnh, mỗi ứng cử viên cửa sổ sẽ được chuyển qua mô-đun tính năng khai thác sau đó mô tả tính sẽ được chuyển vào phân lớp nhị phân tương ứng như hình. 12. Đối với các chi tiết của từng phương pháp, các độc giả được mời đọc báo ban đầu Trong công trình này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp của những trở ngại: {cây chậu, Thùng rác, chữa cháy và Nhân}. Đối với đào tạo và kiểm tra phát hiện và nhận dạng các phương pháp, chúng tôi đã xây dựng được một tập dữ liệu chứa 2.104 hình ảnh. Độ phân giải của hình ảnh là 600x400 pixel. Mỗi lớp đối tượng có 526 hình ảnh trong điều kiện ánh sáng ban ngày trong một hành lang của một xây dựng. Bộ dữ liệu này là rất thách thức vì các đối tượng được lấy theo điểm nhìn khác nhau và khoảng cách. Một số ví dụ được thể hiện trong hình. 13. Tất cả các hình ảnh trong cơ sở dữ liệu được chú thích bằng tay và tổ chức trong các thư mục. Chúng tôi chia các cơ sở dữ liệu thành 2 phần:. 504 hình ảnh cho đào tạo và 1600 hình ảnh để thử nghiệm để đánh giá phát hiện và nhận dạng các thuật toán, có rất nhiều biện pháp như Recall, chính xác, và chính xác [8]. Trong bối cảnh của chúng tôi, như chúng ta biết sự phân bố của các ví dụ tích cực và tiêu cực (tỷ lệ giữa tích cực và tiêu cực là 1/4) vì vậy chúng tôi đề xuất để đánh giá hệ thống của chúng tôi bằng chính xác tiêu chuẩn, được định nghĩa như sau: Bảng dưới đây cung cấp cho độ chính xác cho mỗi lớp đối tượng và độ chính xác trung bình. Có phương pháp chạy trên một máy tính với cấu hình như sau (CHIP Intel (R) Core (TM) i52520M CPU @ 3.2 GHz x 2, RAM 8GB). Chúng ta có thể quan sát thấy tỷ lệ phát hiện con người là rất cao (90%) trong khi các lớp khác tỷ lệ phát hiện là nhỏ hơn, chủ yếu là với lớp Trash vì nhiều đối tượng với sự xuất hiện hình chữ nhật có thể được phân loại là rác. Vả. 14 cho thấy một số ví dụ về kết quả xét nghiệm. Để di chuyển các chướng ngại vật (class nhân), hệ thống có thể có thể phát hiện con người ở khoảng cách tối thiểu 2m. Cách tiếp cận dựa trên tầm nhìn khác nhau, trong đó sử dụng các loại khác nhau của các đặc trưng cấp thấp và phân loại được trình bày trong các tài liệu. Trong phần này, chúng tôi đánh giá ba cách tiếp cận khác nhau cho các loại đối tượng. Nghiên cứu này là lựa chọn tốt nhất mà có thể dẫn đến một giải pháp đáng tin cậy cho các loại đối tượng. Khuôn khổ cho đối tượng phát hiện và nhận dạng được thể hiện hình. 12.