Pattern Recognition from Image

katedra: ITE; přílohy: 1 DVD; rozsah: 56Tato práce se zabývá problematikou vyhledávání a rozpoznávání vzorů v obraze. V její první části byla vytvořena rešerže metod, která popisuje současný stav této problematiky. Algoritmy jsou zde rozděleny do tří skupin na metody založené na postupném prohledávání, geometrické metody a metody založené na lokálních deskriptorech. Každá z těchto skupin je poté zkoumána a jsou posuzovány výhody a nevýhody konkrétních metod. Na základě této rešerže jsou poté vybrány a detailně popsány algoritmy vhodné pro řešení automatického vyhledávání a rozpoznávání vzorů v obraze. Je zde pospána metoda Speeded Up Robust Features (SURF), sloužící k vyhledávání zájmových bodů, jsou posuzovány a popsány metody náhodnostních k-d stromů a hierarchických k-means stromů pro efektivní vyhledávání nejbližšího souseda ve velké databázi, jsou zde vysvětleny pojmy afinní a projektivní transformace a jejich odhad z nalezených dvojic párů pomocí metod Random Sample Consensus (RANSAC) a nejmenšího mediánu čtverců (Least Median of Squares, LMS). V praktické části jsou implementované algoritmy otestovány na databázi několika desítek objetků a je vyhodnocena celková úspěšnost systému. Dále je demonstrováno využití algoritmů pro autmatické vyhledávání reklamních log. V rámci této práce je také vytvořen počítačový program s grafickým uživatelským rozhraním, který umožňuje efektivní vyhledávání zadaných vzorů na testovacích obrázcích, přičemž je určena pozice, orientace a měřítko hledaného vzoru a zárověň je odhadnuta geometrická transformace aproximující případné otočení vzoru v prostoru a to až do přibližného úhlu 30°.This work deals with the problem of automatic object detection and recognition. It reviews the current state-of-the-art algorithms, which can be divided into three main categories. These categories include appearance based methods, geometrically based methods and local features approach. Each of these categories is then examined in detail. The appropriate methods for automatic object detection and recognition are chosen based on the evaluation of advantages and disadvantages of the stated methods. The selected algorithms are then explained in detail. These include the Speeded-Up Robust Features interest point detector and descriptor, fast approximative nearest neighbor searching methods such as multiple randomized k-d trees and hierarchical k-means trees and defition and estimation of affine and projective transformations using Random Sample Consensus (RANSAC) or Least Median of Squares (LMS). The applied part of this work consists of implementing and testing the selected methods. These methods are evaluated on the database of 40 objects. Also the use of the methods in the task of automatic detection of advertisements and commercial logos is demonstrated. An application with a graphical user interface has been created, which allows for a simple parameter setting. This application is capable of efficient recognizing of a set of chosen flat objects based on provided training images. It robustly estimates the position, orientation and scale of the obejct up to roughly 30 degrees of affine rotation