İskeletsel Kritik Noktalar ile Şekil Tanıma

Abstract

Son yıllarda görüntü teknolojilerinde meydana gelen gelişmelerle ve internet kullanımının yaygınlaşmasıyla birlikte sanal ortamda çok sayıda resim ve görüntü bulunmaktadır. Sıklıkla büyük veri setleri halinde bulunan bu görüntüler üzerinde arama, indeksleme, gruplama gibi işlemlere ihtiyaç duyulmaktadır. Bilgisayarlı görü teknikleri sayesinde görüntülerdeki nesneler tanınmakta ve bahsedilen işlemler için görüntüler anlamlandırılabilmektedir. Bu çalışmada, orta eksen çizgeleri kullanılarak şekil tanıma alanında yeni bir yaklaşım sunulmuştur. İskeletleri çıkartılan şekillerin çizgelerinde, her bir iskelet noktasının tüm kritik noktalara olan en kısa yol uzaklığı hesaplanarak her bir şekil için çok boyutlu bir dağılım oluşturulmuştur. Önerilen şekil tanıma platformunda bu dağılımlar üzerinde taşıma tabanlı bir uzaklık fonksiyonu kullanılarak şekiller arasındaki benzerlik oranı bulunmuştur. Alınan sonuçlar daha önceden yapılmış benzer çalışmaların sonuçlarıyla karşılaştırılarak önerilen yaklaşımın başarımı gösterilmiştir. Son olarak önerilen yöntemin performansı ileri beslemeli yapay sinir ağlarıyla desteklenmiş ve sonuçlarda dikkate değer iyileşmeler olduğu görülmüştür.

In recent years, with the advances in imaging technologies and widespread use of the internet, a great number of images and video are present in the digital world. Because the number of images and video is very large, the need for searching, indexing and grouping operations is high. With the help of computer vision techniques, the images can be interpreted and their contents can be recognized for the mentioned operations. In this work, we presented a novel shape recognition framework based on medial axis graph. After extracting medial axis graph of a shape, we constructed a multi-dimensional distribution by calculating shortest path distances between each skeleton point and all of the points in the graph. Then similarity rates between these distributions is found by using a transportationbased distance function. We compared our results with results of similar works conducted in the past. Finally, the performance of the proposed method is increased by using feed forward neural network algorithm which provides a fair amount of improvement on classification results.