Various vision-based approaches, wh

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.
Three methods for object detection are studied:
 Haar and Adaboost [29]
 HoG and SVM [7]
 GIST and k-NN [24], [22]
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;
16
T¤p chí Khoa håc và Kÿ thuªt - Håc vi»n KTQS - Sè 164(10-2014)
Input
image/video
Windows
sliding
Feature
extraction
Recognition (Adaboost,
SVM, KNN)
Haar,
HoG,
Gist
Result
Database
Preprocessing
Feature
extraction
Training (Adaboost,
SVM, KNN)
Trained
models
Training phase Recognition phase
Fig. 12. Generic framework of object recognition for comparative study
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.

Kết quả (Việt) 1:

Các tầm nhìn dựa trên phương pháp tiếp cận, mà sử dụng các loại khác nhau của tính năng cấp thấp vàMáy phân loại đã được trình bày trong các tài liệu. Trong phần này, chúng tôi đánh giá ba khác nhauphương pháp tiếp cận cho phân loại đối tượng. Nghiên cứu này là để chọn một trong những tốt nhất mà có thể dẫn đến mộtđáng tin cậy giải pháp để phân loại đối tượng. Nền tảng để phát hiện đối tượng và sự công nhậnHiển thị hình 12.Ba phương pháp để phát hiện đối tượng được nghiên cứu:Haar và Adaboost [29]Con heo và SVM [7]GIST và k-NN [24], [22]Như đã nói ở trên, những phương pháp này được nghiên cứu do hiệu quả của họ trong phân loạivấn đề. Đối với mỗi phương pháp, chúng tôi đề xuất để nhận ra từng đối tượng bằng cách tìm hiểu một một nhị phânloại. Ở giai đoạn phân loại, trượt cửa sổ kỹ thuật được sử dụng để quét toàn bộ ảnh;16T¤p chí Khoa håc và Kÿ thuªt - Håc vi» n KTQS - Sè 164(10-2014)Đầu vàohình ảnh/videoWindowsTrượtTính năngkhai thácCông nhận (Adaboost,SVM, KNN)Haar,Con heo,GistKết quảCơ sở dữ liệuTiền xử lýTính năngkhai thácĐào tạo (Adaboost,SVM, KNN)Đào tạoMô hìnhGiai đoạn công nhận đào tạo giai đoạnHình 12. Các khuôn khổ chung của đối tượng công nhận cho nghiên cứu so sánhmỗi ứng cử viên cửa sổ sẽ được thông qua thông qua tính năng khai thác mô-đun sau đó các tínhMô tả sẽ được thông qua vào nhị phân loại tương ứng gọi Hiển thị hình 12. Để biết chi tiếtmỗi phương pháp, các độc giả được mời để đọc các bài báo ban đầu.Trong tác phẩm này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp học của những trở ngại: {chậuplant, Trash, Extinguisher, and Human}. For training and testing detection and recognitionmethods, we have built a dataset containing 2104 images. The resolution of images is 600x400pixels. Each object class has 526 images under daylight condition in a corridor of a build. Thisdataset 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 manuallyand organized in the directory. We divide the database into 2 parts: 504 images for trainingand 1600 images for testing.

Kết quả (Việt) 2:

Phương pháp 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 khác nhau ba
cách tiếp cận để phân 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.
Ba phương pháp để phát hiện đối tượng được nghiên
cứu:? Haar và AdaBoost
[29]? HOG và SVM
[7]? GIST và k-NN [24], [22]
Như đã nói ở trên, các phương pháp này được nghiên cứu do hiệu quả của họ trong phân loại
vấn đề. Đối với mỗi phương pháp, chúng tôi đề nghị công nhận lẫn đối tượng của một học một nhị
phân. Ở giai đoạn phân loại, kỹ thuật trượt cửa sổ được sử dụng để quét toàn bộ hình ảnh;
16
T¤p chí Khoa hắc and ky thuªt - hac vi »n KTQS - SE 164 (10-2014)
Input
hình ảnh / video
của Windows
trượt
Tính năng
khai thác
Recognition (AdaBoost ,
SVM, KNN)
Haar,
con heo,
Gist
quả
cơ sở dữ liệu
tiền xử lý
tính năng
khai thác
Đào tạo (AdaBoost,
SVM, KNN)
Được đào tạo
mô hình
giai đoạn đào tạo công nhận giai đoạn
hình. 12. Generic khuôn khổ của sự công nhận đối tượng cho nghiên cứu so sánh
mỗi ứng cử viên cửa sổ sẽ được chuyển qua mô-đun tính năng khai thác thì các tính toán
mô tả sẽ được chuyển vào phân lớp nhị phân tương ứng như hình. 12. Để biết chi
tiết. Của mỗi 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: {chậu
cây, 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. Đây
bộ dữ liệu 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.