10.14489/vkit.2014.09.pp.010-014

DOI: 10.14489/vkit.2014.09.pp.010-014

Захаров Р. К.
АЛГОРИТМ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АНАЛИЗА ГЛАВНЫХ КОМПОНЕНТ И ДЕСКРИПТОРОВ HOG-LBP
(с. 10-14)

Аннотация. Рассмотрен вопрос классификации и распознавания объектов различных классов на изображениях. Предложен алгоритм, ос-нованный на объединении дескрипторов HOG (гистограмма ориентированных градиентов) и LBP (локальные бинарные шаблоны) и извлечении из них наиболее информативной части. Описана схема решения задачи для объектов различных классов. Представлены результаты вычислительных экспериментов.

Ключевые слова: распознавание; классификация; машина опорных векторов; гистограмма ориентированных градиентов; локальные бинарные шаблоны; метод главных компонент.

Zakharov R. K.
IMAGE CLASSIFICATION ALGORITHM BASED ON PRINCIPAL COMPONENT ANALYSIS AND HOG-LBP DESCRIPTORS
(pp. 10-14)

Abstract. In this work solved the problem of the multi-class classification. In this paper focuses on the classification and recognition of different classes of objects on images. We investigate the proposed algorithm based on a combination of descriptors HOG (Histogram of oriented gradients) and LBP (Local binary patterns) and the extraction of the most informative parts. Extraction informative parts of the image is made using the method PCA. The scheme of solving the problem for different classes of objects.Presented results of computational experiments. Experimental results based on the image data PASCAL Visual object challenge-2007. The investigated method to test data shows typically better results. One of the advantages of the proposed method is to increase the correctly classified objects. Another advantage of the method is to reduce the dimension of the descriptor. With obtain the descriptor calculations are performed faster than with the descriptors without dimensionality reduction.

Keywords: Machine learning; Image recognition; Support vector machine; Histogram of oriented gradients; Local binary patterns; Prinсipal component analysis.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

Р. К. Захаров (Самарский государственный аэрокосмический университет им. акад. С. П. Королева) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

R. K. Zakharov (S. P. Korolyov Samara State Aerospace University (National Research University))

+ - Библиографический список (References) Click to collapse

Рус

1. VOC-2007 [Электронный ресурс]. URL: http:// pascallin.ecs.soton.ac.uk/challenges/VOC (дата обращения: 28.06.2014).
2. Dalal N., Triggs W. Histograms of Oriented Gradients for Human Detection // IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR05. 2005. V. 1(3). P. 886 – 893.
3. Pietikäinen M., Zhao G. Local Binary Pattern Descriptors for Dynamic Texture Recognition // Proc. of the 18th International Conference on Pattern Recognition (ICPR 2006). Hong Kong, 2006.
4. Lowe D. G. Object Recognition from Local Scale-invariant Features // Proc. of the International Conference on Computer Vision. V. 2. P. 1150 – 1157. DOI:10.1109/ICCV. 1999.790410.
5. Robust Wide Baseline Stereo from Maximally Stable Extremal Regions / J. Matas et al. // Proc. of British Machine Vision Conference. 2002. Р. 384 – 396.
6. Lienhart R., Maydt J. An Extended Set of Haar-like Features for Rapid Object Detection // ICIP02. 2002. V. I. Р. 900 – 903.
7. Viola Р., Jones М. Rapid Object Detection Using a Boosted Cascade of Simple Features // Computer Vision and Pattern Recognition. 2001.
8. Miranda A. A., Le Borgne Y.-A., Bontempi G. New Routes from Minimal Approximation Error to Principal Components // Neural Processing Letters. 2008. June. Springer. 2008. V. 27, N 3.
9. Vapnik V. N. The Nature of Statistical Learning Theory. Springer-Verlag, 1995.

Eng

1. VOC-2007. Available at: http://pascallin.ecs.soton. ac.uk/challenges/VOC (Accessed: 28.06.2014).
2. Dalal N., Triggs W. (2005). Histograms of oriented gradients for human detection. IEEE Computer Society Con-ference on Computer Vision and Pattern Recognition CVPR05, 1(3), pp. 886-893.
3. Pietikäinen M., Zhao G. (2006). Local Binary Pat-tern Descriptors for Dynamic Texture Recognition. Proceed-ings of the 18th International Conference on Pattern Recog-nition (ICPR 2006). Hong Kong.
4. Lowe D. G. Object Recognition from Local Scale-invariant Features. Proceedings of the International Confer-ence on Computer Vision. Vol. 2, pp. 1150 – 1157. Available at: DOI:10.1109/ICCV.1999.790410.
5. Matas J. et al. (2002). Robust Wide Baseline Stereo from Maximally Stable Extremal Regions. Proceedings of British Machine Vision Conference. pp. 384-396.
6. Lienhart R., Maydt J. (2002). An extended set of Haar-like features for rapid object detection. ICIP02, (I), pp. 900-903.
7. Viola Р., Jones М. (2001). Rapid Object Detection Using a Boosted Cascade of Simple Features. Computer Vision and Pattern Recognition.
8. Miranda A. A., Le Borgne Y.-A., Bontempi G. (2008). New routes from minimal approximation error to principal components. Neural Processing Letters, 27(3), pp. 197-207. doi: 10.1007/s11063-007-9069-2
9. Vapnik V. N. (1995). The Nature of Statistical Lear-ning Theory. Springer-Verlag.

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/vkit.2014.09.pp.010-014

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/vkit.2014.09.pp.010-014

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

Please specify the article DOI in the order comments.