Распознавание дорожных знаков с помощью метода опорных векторов и гистограмм ориентированных градиентов
Лисицын С.О., Байда О.А.

Аннотация:
В работе рассмотрена задача распознавания изображения дорожных знаков с помощью метода опорных векторов и признакового описания на основе гистограмм ориентированных градиентов. Для построения системы распознавания используются две ранее представленные в литературе формулировки задачи обучения классификатора на основе опорных векторов: формулировка Вестона–Уоткинса, сведённая с помощью преобразования Кеслера к более изученной задаче оптимизации, и формулировка Краммера–Зингера, допускающая приме­нение модифицированного метода покоординатного спуска. Для построения спрямляющих пространств используются ядерные функции Йенсена–Шеннона и пересечения гистограмм. В качестве вычислительно эффективной линейной аппроксимации признакового пространства решающей функции предлагается использование отображений в пространство со скалярным произведением, соответствующим однородной аддитивной ядерной функции. Представлен сравнительный анализ рассматриваемых методов на экспериментальных данных.

Ключевые слова :
распознавание образов, гистограммы ориентированных градиентов, метод опорных векторов.

Литература:

  1. Lowe, D.G. Object recognition from local scale-invariant features / D.G. Lowe // Proceedings of the Seventh IEEE International Conference on Computer Vision. – 1999. – Vol. 2. – P. 1150-1157.
  2. Ojala, T. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions / T. Ojala, M. Pietikainen, D. Harwood // Proceedings of the 12th IAPR International Conference. – 1994. – Vol. 1 – P. 582-585.
  3. Dalal, N. Histograms of Oriented Gradients for Human Detection. / N. Dalal, W. Triggs // IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR05. – 2005. – Vol. 1(3). – P. 886-893.
  4. Ke, Y. PCA-SIFT : A More Distinctive Representation for Local Image Descriptors / Y. Ke, R. Sikthankar. – Computer Vision and Pattern Recognition, 2004.
  5. Вапник, В.Н. Теория распознавания образов (статистические проблемы обучения) / В.Н. Вапник, А.Я. Чер­воненкис. – М.: Главная редакция физико-математи­ческой литературы изд-ва «Наука», 1974. – 416 с.
  6. Wang, X. An HOG-LBP Human Detector with Partial Occlusion Handling / X. Wang, T.X. Han // IEEE Computer Engineering. – 2009. – P. 32-39.
  7. Ruta, A. In-vehicle camera traffic sign detection and recognition / A. Ruta, F. Porikli, S. Watanabe, Y. Li // Machine Vision and Applications. – 2011. – Vol. 22(2) – P. 359-375.
  8. Шапиро, Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман, под ред. С. Соколова, пер. с англ. Андрей Богуславский. – М.: Бином. Лаборатория знаний. – 2006. – 752 c.
  9. Bordes, A. Solving multiclass support vector machines with LaRank / A. Bordes, L. Bottou, P. Gallinari, J. Weston // Proceedings of the 24th International Conference on Machine Learning. – 2007. – P. 89-96.
  10. Franc, V. Multi-class Support Vector Machine / V. Franc, V. Hlavac // IEEE Communication. – 2002. – Vol. 2(1) – P. 5-8.
  11. Митчелл, Б.Ф. Нахождение ближайшей к началу координат точки многогранника / Б.Ф. Митчелл, В.Ф. Демь­янов, В.Н. Малоземов // Л.: Вестник ЛГУ. – 1971. – № 19. – С. 38-45.
  12. Crammer, K. On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines / K. Crammer, Y. Singer // Journal of Machine Learning Research. – Vol. 2. – P. 265-292.
  13. Keerthi, S.S. A sequential dual method for large scale multi-class linear SVMs / S.S. Keerthi, S. Sundararajan, K.-W. Chang, C.-J. Hsieh, C.-J. Lin // Proceeding of the 14th ACM SIGKDD international conference on Knowedge discovery and data mining KDD. – 2008. – P. 408-413.
  14. Айзерман, М.А. Метод потенциальных функций в теории обучения машин / М.А. Айзерман, Э.М. Бра­верман, Л.И. Розоноэр. – М: Главная редакция физико-математической литературы изд-ва «Наука», 1970. –384 с.
  15. Barla, A. Histogram intersection kernel for image classification. / A. Barla, F. Odone, A. Verri // Proceedings of International Conference on Image Processing. – 2003. – Vol. 2(1). – P. 513.
  16. Martins, A.F.T. Nonextensive entropic kernels / A.F.T. Mar­tins, M.A.T. Figueiredo, P.M.Q. Aguiar, N.A. Smith, E.P. Xing // Proceedings of the 25th International Conference on Machine Learning. – 2008. – P. 640-647.
  17. Maji, S. Classification using intersection kernel support vector machines is efficient / S. Maji, A.C. Berg, J. Malik // IEEE Conference on Computer Vision and Pattern Recognition. – 2008. – P. 1-8.
  18. Vedaldi, A. Efficient Additive Kernels via Explicit Feature Maps / A. Vedaldi, A. Zisserman // IEEE Engineering. – 2011. – Vol. 10(3) – P. 3539-3546.
  19. Иосида, К. Функциональный анализ / К. Иосида, пер. с англ. В.М. Волосова. – М.: Мир, 1967. – 616 с.
  20. Sonnenburg, S. The SHOGUN Machine Learning Toolbox / S. Sonnenburg, G. Raetsch, S. Henschel, C. Widmer, J. Behr, A. Zien, F. De Bona // Journal of Machine Learning Research. – 2010. – Vol. 11(5). – P. 1799-1802.
© 2009, ИСОИ РАН
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 332-56-22, факс: +7 (846) 332-56-20