Comments 15
а расскажите как вы применяете это дело? какие результаты?
0
Ну пока что никак почти. В данный момент в моем модуле только распознавание лиц на видео с использованием Adaboost на слабых классификаторах этого метода (собственно то, что реализовано в OpenCV). Метод понравился, решил чуть лучше изучить вопрос и поделиться здесь. Сейчас нахожусь в процессе понимания способа построения слабых классификаторов и сильного классификатора на их базе. Об этом с примерами и результатами я обязательно расскажу позже.
0
Очень интересно. Спасибо. Интересный способ.
Думаю не хватает картинки и результата рядом. Придется самому смотреть — проверять что получится.
Для визуального отображения результата можно попробовать использовать полученный 8-битный результат переведя его в ч/б цвет. Что получится?
Думаю не хватает картинки и результата рядом. Придется самому смотреть — проверять что получится.
Для визуального отображения результата можно попробовать использовать полученный 8-битный результат переведя его в ч/б цвет. Что получится?
0
А как этот оператор дружит с масштабированием и поворотом изображения? что-то мне кажется, что поворот уже на 5 градусов кардинально изменит гистограмму
0
Для инвариантности к вращению используются uniform patterns. При этом, к рассмотрению берутся только паттерны вида:
10000000
11000000
11100000
11110000
11111000
11111100
11111110
11111111
И все их циклические сдвиги (всего 58 кодов).
Поскольку каждый uniform patterns является сдвигом одной из перечисленных комбинаций, то каждому из этих паттернов можно присвоить номер комбинации (8 штук). И этот номер уже будет инвариантным к вращению.
10000000
11000000
11100000
11110000
11111000
11111100
11111110
11111111
И все их циклические сдвиги (всего 58 кодов).
Поскольку каждый uniform patterns является сдвигом одной из перечисленных комбинаций, то каждому из этих паттернов можно присвоить номер комбинации (8 штук). И этот номер уже будет инвариантным к вращению.
+1
Для инвариантности к масштабированию используют одновременно несколько операторов разных масштабов. Например lbp(8,1), lbp(16,2), lbp(24,3). После чего точно так же проводят классификацию. Но чаще просто производят масштабирование текущего региона поиска (или классифицируемого изображения) к фиксированному размеру.
0
Через некоторое время было выяснено, что больше всего информации несут так называемые uniform patterns (к сожалению я так и не смог это перевести на русский язык, чтобы не резало слух).
Однородные паттерны (шаблоны)?
0
Автор, тема интересная, но не раскрытая. Нужны примеры гистограмм, картинки, примеры классификации. Ведь этот метод на самом деле очень мощный (особенно вместе с HOG). Например, было бы интересно увидеть программу для автоматической классификации изображений. Это как раз та задача, с которой LBP хорошо справляется.
0
В этой статье я попытался не касаться вопроса классификации, потому что не до конца разобрался со всеми основными методами классификации, использующими этот оператор. А рассказывать только о поиске по гистограммам было бы не очень хорошо с точки зрения разбиения темы на логические части.
0
Интересно было бы посмотреть как метод работает на стереопарах. Может попробуете.
0
Что бы Вы хотели от этого метода в приминении к стереопарам? Быть может это будет интересно.
0
Стандартная задача нахождения соответствия. Хорошо расписано здесь. Нужно искать одинаковые фрагменты на двух фотографиях, снятых с различных ракурсов.
0
Sign up to leave a comment.
Оператор Local Binary Patterns в задаче классификации текстур