phần Mở đầu, báo cáo đƣợc trình bày trong ba chƣơng, cụ thể nhƣ sau: Chƣơng 1. Nghiên cứu tổng quan đề tài. Trong chƣơng này, báo cáo trình bày các khái niệm, lý thuyết, cấu trúc mô hình và tình hình nghiên cứu trong ngoài nƣớc. Phân tích và nghiên cứu đề tài.
Nội dung chƣơng bao gồm các quá trình thực hiện, cấu trúc và thuật toán đề xuất. Kết quả Chƣơng này trình bày các kết quả đạt đƣợc của hệ thống và đánh giá và so sánh các mô hình đặc trƣng. Cuối cùng là Kết luận, Tài liệu tham khảo và Phụ lục liên quan đến đề tài. 2 CHƢƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI 1.1 Phát hiện và mô tả đặc trƣng ảnh Trong những thập kỷ qua, phát hiện đặc trƣng và mô tả ảnh đã trở thành công cụ phổ biến trong cộng đồng thị giác máy tính.
Các phƣơng pháp đã có đang đƣợc áp dụng rộng rãi trong một lƣợng lớn các ứng dụng nhƣ: khôi phục ảnh, phân lớp và truy xuất ảnh, nhận dạng và đối sánh đối tƣợng, khôi phục cảnh 3D, theo dõi chuyển động đối tƣợng, phân lớp cấu trúc ảnh, định vị rô bốt và hệ thống sinh trắc học, tất cả đều dựa trên biểu diễn sự ổn định và các đặc trƣng đại diện trong ảnh. Do đó, phát hiện và trích chọn đặc trƣng ảnh là bƣớc quan trọng cho các ứng dụng này. Để thiết lập cặp điểm tƣơng ứng giữa hai ảnh thì việc tìm ra điểm nổi bật trên ảnh là rất cần thiết. Trong nhiệm vụ phân lớp, đặc trƣng của ảnh truy vấn s đƣợc đem đi đối sánh với đặc trƣng của các ảnh đã đƣợc huấn luyện, cặp ảnh nào có nhiều đối sánh nhất thì đƣợc coi là đối sánh tốt nhất.
Trong trƣờng hợp này, đối sánh đặc trƣng có thể dựa trên các độ đo khoảng cách nhƣ Euclide hoặc Mahalanobis. Trong khôi phục ảnh, việc hiệu chỉnh những ảnh đƣợc thu nhận ở trong những điều kiện và thời điểm khác nhau là rất cần thiết. Các bƣớc chính để thực hiện khôi phục ảnh hoặc hiệu chỉnh là: mô tả đặc trƣng, đối sánh đặc trƣng, xác định các hàm biến đổi dựa trên các đặc trƣng tƣơng ứng giữa hai ảnh ảnh và khôi phục hình ảnh dựa trên các hàm biến đổi. Trong đối sánh và nhận dạng, bƣớc đầu tiên là phát hiện các điểm đặc trƣng trong các ảnh và mô tả chúng.
Khi các bộ mô tả đƣợc tính toán, chúng có thể đƣợc so sánh với nhau để tìm ra mối quan hệ giữa các ảnh để thực hiện nhiệm vụ đối sánh / nhận dạng. Phát hiện đặc trƣng là một bƣớc quan trọng trong đối sánh ảnh. Ý tƣởng chính của phát hiện đặc trƣng là phát hiện ra các điểm chính, các điểm này bất biến với một lớp biến đổi nào đó. Sau đó, đối với mỗi điểm chính đƣợc phát hiện, Ƣớc lƣợng tập điểm tƣơng đồng giữa hai ảnh dựa trên đối sánh đặc trƣng SIFT xây dựng một véc tơ để biểu diễn đặc trƣng bất biến cho những điểm ảnh xung 3 quanh điểm đƣợc phát hiện.
Các mô tả đặc trƣng đƣợc trích chọn từ ảnh có thể dựa trên thống kê bậc hai, các mô hình tham số, các hệ số thu đƣợc từ một phép biến đổi ảnh, hoặc thậm chí là kết hợp của các độ đo này. Hai kiểu đặc trƣng ảnh có thể trích chọn từ mô tả nội dung ảnh là các đặc trƣng toàn cục và các đặc trƣng cục bộ. Đặc trƣng toàn cục (ví dụ: màu sắc và kết cấu) nhằm mục đích mô tả toàn bộ ảnh và có thể đƣợc giải thích nhƣ là các thuộc tính đặc biệt của tất cả các điểm ảnh trong ảnh. Trong khi đó, các đặc trƣng cục bộ nhằm mục đích phát hiện các điểm chính hoặc các vùng nổi bật trong ảnh và mô tả chúng.
Việc sử dụng các đặc trƣng toàn cục đã đƣợc chứng minh thành công cho việc tìm các hình ảnh tƣơng tự trong cơ sở dữ liệu, trong khi các đặc trƣng có hƣớng cấu trúc cục bộ đƣợc xem nhƣ là phù hợp cho việc phân lớp đối tƣợng hoặc tìm những phần xuất hiện khác của đối tƣợng hoặc một cảnh tƣơng tự. Mặt khác, trên các ứng dụng thời gian thực phải xử lý nhiều dữ liệu hơn hoặc chạy trên các thiết bị di động với khả năng tính toán hạn chế rất cần thiết phải mô tả cục bộ để tính toán nhanh, đối sánh nhanh, sử dụng bộ nhớ hiệu quả và đƣa ra độ chính xác tốt. Hơn nữa, các mô tả đặc trƣng cục bộ đƣợc chứng minh là một lựa chọn tốt cho đối sánh ảnh trên nền tảng di động, nơi xuất hiện những đối tƣợng khuyết cần phải đƣợc xác định. Với những ứng dụng nhƣ phân lớp ảnh, truy xuất ảnh., theo dõi hoặc nhận dạng đối tƣợng, mô tả đặc trƣng cục bộ rất quan trọng để khắc phục các ảnh hƣởng từ những thay đổi về độ sáng, thay đổi góc nhìn hoặc biến dạng ảnh (ví dụ: nhiễu, mờ, hoặc chiếu sáng).
Trong khi đó, những nhiệm vụ tra cứu đặc biệt khác chẳng hạn nhƣ phát hiện khuôn mặt hoặc nhận dạng, cần phải sử dụng các k thuật phát hiện và mô tả đặc biệt. Có rất nhiều phƣơng pháp đƣợc đề xuất để mô tả hình dạng, điển hình nhƣ SIFT (Scale Invariant Feature Transform), SURF (Speeded-up Robust Features). Mô tả SIFT sử dụng cực trị cục bộ ở trong đạo hàm DoG (Difference Of Gaussian) để trích chọn đặc trƣng. Trong khi đó, mô tả SURF đƣợc phát triển dựa trên ý tƣởng của SIFT để tính toán đặc trƣng cục bộ bất biến.
Mô tả này đƣợc tính toán nhanh hơn SIFT và là mô tả đƣợc sử dụng rộng rãi và phổ biến trong rất nhiều ứng dụng.2 Các loại đặc trƣng ảnh 1.1 Đặc trƣng toàn cục và cục bộ Trong xử lý ảnh và thị giác máy tính, trích chọn đặc trƣng và biểu diễn ảnh là rất cần thiết. Con ngƣời có thể dễ dàng trích chọn thông tin từ ảnh thô, tuy nhiên nó không đúng cho trƣờng hợp máy tính. Nói chung có hai kiểu đặc trƣng ảnh có thể trích chọn từ mô tả nội dung ảnh gọi là các đặc trƣng toàn cục và các đặc trƣng cục bộ. Trong mô tả đặc trƣng toàn cục, ảnh đƣợc biểu diễn bằng một véc tơ đặc trƣng mô tả thông tin trong toàn bộ ảnh.
Nói cách khác, phƣơng pháp biểu diễn toàn cục tạo ra một véc tơ đơn với các giá trị độ đo các khía cạnh khác nhau của ảnh nhƣ màu sắc, kết cấu hoặc hình dạng. Thực tế, mỗi ảnh đƣợc biểu diễn một véc tơ đơn, sau đó 2 ảnh có thể đƣợc so sánh với nhau bằng việc so sánh các véc tơ đặc trƣng của chúng. Ví dụ, khi ta muốn phân biệt các ảnh biển (xanh dƣơng) và ảnh rừng (màu xanh lục), thì một bộ mô tả toàn cục về màu sắc s tạo ra các véc tơ hoàn toàn khác nhau cho mỗi loại. Trong ngữ cảnh này, các đặc trƣng toàn cục có thể đƣợc hiểu là một thuộc tính đặc biệt của ảnh liên quan đến tất cả các điểm ảnh.
Thuộc tính này có thể là các biểu đồ màu, kết cấu, cạnh hoặc thậm chí một bộ mô tả đặc biệt đƣợc trích chọn từ một vài bộ lọc đƣợc áp dụng cho ảnh. Mặt khác, mục đích chính của biểu diễn đặc trƣng cục bộ là biểu thị rõ ràng hình ảnh dựa trên một số vùng nổi bật trong khi vẫn bất biến với các thay đổi về góc nhìn và chiếu sáng. Do đó, ảnh đƣợc biểu diễn dựa trên cấu trúc cục bộ của nó bởi một tập các mô tả đặc trƣng cục bộ đƣợc trích chọn từ một tập hợp. Ƣớc lƣợng tập điểm tƣơng đồng giữa hai ảnh dựa trên đối sánh đặc trƣng SIFT các vùng hình ảnh đƣợc gọi là các vùng đặc trƣng (các điểm chính).
Nói chung, việc sử dụng loại đặc trƣng nào là tùy thuộc vào các ứng dụng cụ thể. Ví dụ, một ngƣời có m i lớn hơn và mắt nhỏ hơn, và một ngƣời có m i nhỏ hơn và mắt to hơn có thể có biểu đồ màu hoặc biểu đồ phân bố cƣờng độ tƣơng tự nhau. Vì vậy, các đặc trƣng cục bộ hoặc mẫu toàn cục đƣợc trích ra từ các cụm đặc trƣng cục bộ đƣợc xem nhƣ phù hợp hơn. Trái lại, đối với các tập dữ liệu rất lớn 5 trong ứng dụng đánh chỉ số hình ảnh trên web thì những đặc trƣng toàn cục đƣợc xem nhƣ là thích hợp.
Ƣu điểm của các đặc trƣng toàn cục là chúng đƣợc tính toán nhanh hơn và cô đọng hơn trong khi đó dễ tính toán và thƣờng yêu cầu một lƣợng nhỏ bộ nhớ. Tuy nhiên, các biểu diễn toàn cục có một số hạn chế nhƣ: không bất biến với các biến đổi, nhạy cảm với nhiễu và một phần bị che khuất. Ngƣợc lại, lợi thế của các đặc trƣng cục bộ là có hiệu suất vƣợt trội. Sử dụng các đặc trƣng cục bộ để tìm kiếm ảnh có hiệu suất cao hơn nhiều so với các đặc trƣng toàn cục.
Hơn nữa, vì các cấu trúc cục bộ ổn định hơn các cấu trúc khác ở các vùng ảnh mịn, nên nó đƣợc kỳ vọng s hữu ích hơn cho việc đối sánh ảnh và nhận dạng đối tƣợng. Tuy nhiên, chúng thƣờng đ i hỏi một lƣợng đáng kể về bộ nhớ vì ảnh có thể có hàng trăm đặc trƣng cục bộ.2 Đặc điểm của phát hiện đặc trƣng Tuytelaars và Mikolajczyk đã định nghĩa đặc trƣng cục bộ là một phần hình ảnh khác với vùng lân cận của nó. Vì vậy, họ coi mục đích của các đặc trƣng bất biến cục bộ là cung cấp một biểu diễn cho phép đối sánh hiệu quả các cấu trúc cục bộ giữa các ảnh. Để đáp ứng mục tiêu này, phát hiện và trích chọn đặc trƣng phải có các thuộc tính rõ ràng phụ thuộc vào việc thiết lập những ứng dụng thực trong quá trình thực hiện.
Các thuộc tính sau đây rất quan trọng để sử dụng bộ phát hiện đặc trƣng trong các ứng dụng thị giác máy: - Tính mạnh m : Thuật toán có thể phát hiện ra những vị trí đặc trƣng giống nhau độc lập với các biến đổi, co giãn, tỷ lệ, xoay, dịch chuyển, nén và nhiễu. - Tính lặp lại: Thuật toán phát hiện ra các đặc trƣng tƣơng tự của cảnh hoặc đối tƣợng tƣơng tự đƣợc lặp lại dƣới một loạt những góc nhìn khác nhau. - Tính chính xác: Xác định đƣợc chính xác vị trí các đặc trƣng ảnh (vị trí các điểm ảnh tƣơng tự). - Tính tổng quát: Thuật toán phát hiện đặc trƣng có thể phát hiện các đặc trƣng đƣợc sử dụng trong các ứng dụng khác nhau.
6 - Tính hiệu quả: Thuật toán phát hiện đặc trƣng có thể phát hiện các đặc trƣng trong ảnh mới một cách nhanh chóng để hỗ trợ các ứng dụng thời gian thực.