Σχηματική και χρωματική αναγνώριση προτύπων.

Abstract

Με βάση το σύστημα που αναπτύξαμε το συμπέρασμά μας για τον αλγόριθμο SIFT είναι ότι είναι κατάλληλος για την εξαγωγή χαρακτηριστικών σε αντικείμενα όπου μας ενδιαφέρει το σχήμα των αντικειμένων που απεικονίζονται. Αυτό που ισχύει για τις διαφορετικές κατηγορίες των οχημάτων είναι ότι διαφέρουν ως προς το σχήμα και αυτό μπορεί να καθοριστεί με τους περιγραφείς SIFT οι οποίοι είναι ανεξάρτητοι από τον φωτισμό της σκηνής την περιστροφή ή το μέγεθος της εικόνας. Η ανεξαρτησία του SIFT σε τέτοιες συνθήκες είναι απαραίτητες για την περίπτωσή μας καθώς οι φωτογραφίες γίνονται σε εξωτερικό χώρο καθ’ όλη τη διάρκεια της ημέρας και τα οχήματα μπορεί να φωτογραφηθούν σε διαφορετική απόσταση από την κάμερα οπότε να υπάρχουν διαφορετικά μεγέθη καθώς και διαφορετικοί προσανατολισμοί των οχημάτων. Αυτές οι διαφορές λοιπόν στις διάφορες φωτογραφίες ίδιων οχημάτων ξεπερνιούνται με τα σημεία ενδιαφέροντος SIFT. Έχοντας λοιπόν κάνει ορθή επιλογή των χαρακτηριστικών επειδή η διάστασή τους είναι υψηλή και άρα υπάρχει μεγάλος όγκος δεδομένων που σημαίνει μεγάλες απαιτήσεις σε μνήμη του υπολογιστή και χρονοβόρα διαδικασία έπρεπε αυτή τη διάσταση να τη μειώσουμε. Η μέθοδος KPCA plus LDA ήταν απαραίτητη στο σύστημά μας αλλιώς θα ήταν αδύνατη η υλοποίηση του συστήματος και ο έλεγχός του από έναν προσωπικό ηλεκτρονικό υπολογιστή. Η kernel συνάρτηση που χρησιμοποιήθηκε στην KPCA μέσα από τα πειράματα ήταν η πολυωνυμική και η γκαουσσιανή. Τα πειράματα έδειξαν ότι στις περισσότερες περιπτώσεις είναι πιο σίγουρη η επιλογή της γκαουσσιανής συνάρτησης ώστε να δώσει ορθά αποτελέσματα. Ο ταξινομητής πλησιέστερου γείτονα αποδείχθηκε αποδοτικός για το σύστημά μας για αυτό δεν κάναμε περαιτέρω πειράματα για άλλους ταξινομητές.