To Örebro University

oru.seÖrebro University Publications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Undersökning av lokala bildfeatures för klassificering av reflektiva objekt
Örebro University, School of Science and Technology.
Örebro University, School of Science and Technology.
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Evaluation of local image features for classification of reflective objects (English)
Abstract [sv]

Ämnet som denna rapport tar upp är hur reflektiva objekt fångas upp med en infraröd kamera. Dessa objekt extraheras som attribut, vilket är objekten av intresse i en bild. Från dessa attribut extraheras vektorer, vilket beskriver hur attributen ser ut.  Målet med den infraröda kameran är att uppfatta reflexvästar. Det kan dock uppstå problem när detta ska göras, eftersom kameran uppfattar andra reflektiva objekt som reflexvästar. Dessa objekt kan vara metalliska föremål som speglar ljus in i kameran, eller reflexer som systemet inte skall klassificera som en reflexväst. Den nuvarande lösningen är baserad på en algoritm som heter FREAK. I vanliga bilder fungerar detta system, men systemet är inte anpassat att fungera med sensorn.  Sensorn som används idag innehåller två kameror som tar bilder i infrarött ljus. Dessa kameror placeras i en låda som sedan monteras på fordonet. Ursprungsalgoritmen beräknar beskrivande vektorer och ger dem ett binärt värde, vilket gör att dessa beräkningar kan göras fort. Beräkningen som ursprungsalgoritmen gör kollar på två punkter, punkt A och punkt B, och undersöker sedan om A är ljusare än B. Punkterna är uppstrukturerade på ett specifikt mönster som är specificerat i algoritmen. Detta kan resultera i problem vid beräkning av beskrivande objekt, eftersom algoritmen inte tar hänsyn till vilken pixelintensitet punkterna antar, utan bara om A är ljusare än B. Detta gör att brus i en bild kan göra stor påverkan på hur de beskrivande vektorerna för ett attribut ser ut.  Lösningen som projektet föreslår är en förändring i hur de beskrivande vektorerna för ett attribut beräknas. Istället för att kolla om en punkt är ljusare än en annan punkt i mönstret föreslås istället att införa ett tröskelvärde som alla punkter kollas mot. Om punkterna är över detta tröskelvärde räknas punkten som att det är en reflexväst. Utöver att införa ett tröskelvärde vid beräkning av de beskrivande objekten utfördes även tester på mönstret som punkterna sitter på. Under projektet har olika mönsterstrukturer förändrats i syftet att försöka göra algoritmen bättre än den ursprungliga.  Resultatet av denna rapport talar för att den förändrade algoritmen presterar bättre än den ursprungliga algoritmen, på alla tre tester som genomförts.   

Abstract [en]

The subject this report covers is how reflective objects is captured with an infrared camera. These objects are extracted as features, which is objects of interest in an image. From these features descriptors are extracted, which describes what the feature looks like.  The goal with the infrared camera is to catch reflective clothing. Problems can occur when this is done, since the camera can catch other reflective objects as reflective clothing. These objects can be metallic objects which reflect light into the camera, or reflexes that the system is not supposed to classify as reflective clothing.  The current solution is based on an algorithm called FREAK. In regular images this system works fine, but the algoritm is not adapted to work with the sensor. The sensor currently in use contains two cameras that take images in infrared light. These cameras are placed in a case, which is mounted on a vehicle. The original algoritm calculates descriptors and gives them a binary value, which means that these calculations can be done quickly. The computation that the original algorithm does checks two points, point A and point B, and then looks if point A is brighter than B. The points are structured after a certain pattern that is specified in the algorithm. This can result in a problem when the descriptors are calculated, since the algorithm does not take the pixel intensity of a point into account, but only if point A has a higher value than point B. This means that noise in an image can greatly affect how the descriptors for a feature looks.  The solution that the project proposes is a change in how descriptors for a feature is computed. Instead of checking if a point is brighter than another point in the pattern, the algorithm will instead compare a point to a threshold. If the point has a higher value than the threshold that means that the point is a reflective piece of clothing. Beyond the threshold value used for computing the descriptors, there were also tests on how the pattern used for the points affected the result. During the project different patternstructures have been tested with the purpose of trying to make the result better than the original algorithm. The result from this report shows that altered algoritm performs better than the original algoritm, on the three tests that were done. 

Place, publisher, year, edition, pages
2019. , p. 45
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:oru:diva-76566OAI: oai:DiVA.org:oru-76566DiVA, id: diva2:1352855
Subject / course
Computer Engineering
Supervisors
Examiners
Available from: 2019-09-20 Created: 2019-09-20 Last updated: 2019-09-20Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Science and Technology
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 108 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf