Применение метода опорных векторов и алгоритмов обработки изображений для выделения границ автомобилей на фотографиях
Введение не найдено
Содержание не найдено
Список литературы:
1. Бурков А. Машинное обучение без лишних слов // Диалектика-Вильямс. 2020. С. 192-193.
2. Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений // Ай-Эс-Эс Пресс. 2009. С. 518-519.
3. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем // Диалектика-Вильямс. 2019. С. 688-689.
4. Howse J., Joshi P., Beyele M. OpenCV: Computer Vision Projects with Python // Packt Publishing Ltd, 2016. P. 558-559.
5. Hill C. Learning Scientific Programming with Python // Cambridge University Press, 2012. P. 1104-1105.
APPLICATION OF THE SUPPORT VECTORS MACHINE METHOD AND IMAGE PROCESSING ALGORITHMS FOR HIGHLIGHTING THE BOUNDARIES OF CARS IN PICTURES
In this paper, an approach to the detection of vehicles in images is considered, based on the use of support vectors machine classification, as well as algorithms for digital image processing. The practical implementation of the system is described using the Python programming language, as well as an efficiency assessment is made.
выполняется на плотной сетке равномерно распределенных ячеек, а для повышения точности обнаружения и уменьшения влияния освещения разных участков изображения используется нормализация перекрывающегося локального контраста. В данной работе в качестве реализации дескриптора гистограмм направленных градиентов используется функция hog библиотеки «Skimage» для языка программирования Python. Пример работы HOG-дескриптора представлен на рисунке 2.
Рис. 2. Пример работы дескриптора
В качестве классификатора изображений используется метод опорных векторов (SVM) [3]. Перед обучением классификатора с помощью признаков изображения необходимо выполнить ряд процедур подготовки данных. Одними из таких этапов является стандартизация данных, проводимой с целью обеспечения возможности корректного сравнения значений наблюдений, собранных одними и теми же методами, но в различных условиях, а также разделение данных на обучающий и тестовый наборы. Длительность обучения зависит от используем