Object Recognition Based on Local Steering Kernel and SVM

روش ارايه شده براي تشخيص اشيا بر اساس استفاده از Local Steering Kernels (LSK) به عنوان توصيفگر تكه هاي تصوير مي باشد. به منظور نشان دادن خواص يك نقطه از تصاوير كه در آن تغييرات رخ مي دهد ، پچ مورد استفاده قرار مي گيرد. براي پيدا كردن نقطه مورد نظر، مبتني بر آشكارساز موجي نقطه برجسته استفاده مي شود. سپس، از روش (LSK) به منظور دست يابي به پيكسل مطلوب استفاده مي شود. ويژگي هاي استخراج شده بيش از حد كامل بوده؛ بنابراين، به منظور كاهش ابعاد، تجزيه و تحليل اجزاي اصلي، روش (PCA) اعمال مي شود. علاوه بر اين، نمايش طرز انتشار وفواصل وارتفاع سلول ها بيش از PCA خروجي، از هم پراكنده است. طبقه بندي مورد استفاده در اينجا ماشين بردار (SVM) طبقه بندي پشتيباني است. علامت مشخصه پايگاه داده با استفاده از بانك اطلاعاتي خودرو UIUC است و نتايج به دست آمده رضايت بخش است. نتايج به دست آمده با استفاده از هسته LSK از لحاظ پارامترهاي مختلف مانند اندازه پچ، تعدادي از نقاط برجسته به نسبت پچ ها، پارامترهاي وضوح و پارامتر هاي اندازه قابل مقايسه مي باشد.

The proposed method is to recognize objects based on application of Local Steering Kernels (LSK) as Descriptors to the image patches. In order to represent the local properties of the images, patch is to be extracted where the variations occur in an image. To find the interest point, Wavelet based Salient Point detector is used. Then, Local Steering Kernel is applied to the resultant pixels in order to obtain the most promising features. The features extracted will be over complete; so, in order to reduce dimensionality, Principal Component Analysis (PCA) is applied. Further, the sparse histogram is taken over the PCA output. The classifier used here is Support Vector Machine (SVM) Classifier. Bench mark database used is UIUC car database and the results obtained are satisfactory. The results obtained using LSK kernel is compared by varying parameters such as patch size, number of salient points/patches, smoothing parameter and scaling parameter.