綜合比較

能有很大的差異，所以資料在抽取特徵後同類並不會全部聚集在一起，仍可能會 三三兩兩散佈，因此若取太大的 K 值會使辨識準確率下降，在類別數上升時的情 況也相同，K 值上升依然造成辨識準確率的下降，但 K 值下降的幅度卻有趨緩的 情形。上圖我們還可發現當類別數越大，物件辨識的複雜度越高，辨識準確率也 越來越低，但類別數上升時，辨識準確率的下降值有減小的趨勢。

圖 4.5 分類器不同 K 值對辨識準確率的影響

4.3 綜合比較

在此節我們想比較各種不同方法的辨識結果，藉以觀察本文提出的物件辨識 演算法是否明顯提升辨識準確率，我們將比較加入醒目性偵測前後的差異及單獨 使用一種特徵，或結合不同特徵來辨識圖片，以及增加類別數目時各種方法的辨 識準確率變化，藉以分析本演算法的優缺點。

以下我們將列出在資料庫70 類中隨機抽取 20 類、30 類、40 類…至 60 類 10

44

次，各種方法的辨識結果，我們所選用的參數為色彩特徵直方圖柱數=8 ，LPB 特³ 徵的半徑=1，周圍取點數=8，一致性=2，LBP 卡方距離權重=0.9 及選取 K=5 來做 最鄰近分類法，圖4.6 為我們隨機抽取不同類別數 10 次所得到的平均準確率值。

最上方藍色曲線為本文提出的演算法辨識結果，紅色曲線為對圖片做偵測醒目性 且抽取LBP 特徵的辨識結果，綠色曲線為不對圖片做醒目性偵測直接抽取 LBP 特 徵的辨識結果，黑色曲線為對圖片偵測醒目性並抽取色彩特徵的辨識結果，紫色 曲線為不對圖片做醒目性偵測直接抽取色彩特徵的辨識結果。

圖 4.6 各種辨識方法的辨識準確率

45

圖 4.7 各種辨識方法的辨識準確率(取中位數)

由圖4.6 可發現本文提出的演算法(藍色曲線)明顯改善辨識準確率，在類別數

=20 時辨識準確率為 53%，隨著類別數上升至 60 辨識準確率剩下 46%，顯示當類 別數上升時資料分類難度變高辨識準確率隨之下降，但觀察藍色曲線其下降幅度 卻有趨緩的情形，且此情形較其他曲線來的更明顯，推測由於醒目性的偵測及卡 方距離的結合，使得同類圖片的相似度上升，即使類別數增大，同類間的相似度 夠大以致不受新加入的類別影響，因此造成類別數上升時，辨識準確率下降的幅 度趨緩，也可明顯的觀察出本文提出的演算法與其他方法準確率在類別上升時差 距更大。

再來觀察加入醒目性偵測前後的結果差異，加入醒目性偵測並以LBP 特徵分 類(紅色曲線)的辨識準確率比未偵測醒目性的綠色曲線、紫色曲線結果佳，但加入 醒目性偵測並以色彩特徵做分類的黑色曲線準確率卻比未偵測醒目性的綠色曲線 準確率差，由於綠色曲線抽取的是LBP 特徵，黑色曲線抽取的是色彩特徵，由前 幾小節的推論得知，當類別數上升時，色彩特徵的辨識結果比LBP 特徵不理想，

46

47

本文以 Caltech256 資料庫做物件辨識實驗，在醒目性偵測方面，利用多種醒 目特徵來做醒目區域偵測能正確找出物件在圖片的區域，藉由醒目性偵測的結果

48

片的相似度降低，且若同類圖片的背景十分相似，再加入醒目性偵測的結果 不一定優於不加入醒目性偵測。

2. 對一張圖片做醒目性偵測需花費 30 秒左右，若要對訓練資料庫的每張圖片做

醒目性偵測將十分費時，因此如何有效降低醒目性偵測執行時間仍是此方法 的重點。

3. 色彩直方圖只能描述色彩分佈的情形，但無法描述其色彩在圖片中的位置情 形，只靠色彩分佈的描述十分容易造成取偽的現象。

4. LBP 特徵在描述同一材質時十分可靠，但一個物體可能由各種材質構成，因 此以LBP 特徵來做相似度比較也具有一定風險，若同類物體的變異太大將導 致辨識結果不佳。

49

參考文獻

[1] J. Swain and H. Ballard, “Color Indexing,” International Journal of Computer Vision, 7:1, pp.11 - 32 , 1991.

[2] T. Leung and J. Malik, “Representing and Recognizing the Visual Appearance of Materials using Three-dimensional Textons” International Journal of Computer Vision 43(1), pp.29 - 44, 2001.

[3] T. Ojala, M. Pietikainen, and T. Maenpaa, “Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns” IEEE Trans.

on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, 2002.

[4] S. Belongie, J. Malik, and J. Puzicha, “Shape Matching and Object Recognition Using Shape Contexts” IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 24, no. 24, 2002.

[5] G. Lowe, “Distinctive Image Features from Scale-Invariant keypoints,”

International Journnal of Computer Vision 60(2), pp. 91 - 110, 2004.

[6] H. Bay, Andreas Ess, T. Tuytelaars, L.V. Gool, “SURF: Speeded Up Robust Features,” Computer Vision and Image Understanding (CVIU), vol. 110, no. 3, pp.346 - 359, 2008.

[7] C. Gu, J.J. Lim, P. Arbelaez and J. Malik, “Recognition using Regions,” Computer Vision and Pattern Recognition, 2009.

[8] L.–J. Li, R. Socher and L.–F. Fei, “Towards Total Scene Understanding : Classification, Annotation and Segmentation in an Automatic Framework,”

Computer Vision and Pattern Recognition (CVPR), 2009.

[9] O. Russakovsky, Y. Lin, K. Yu and L.-F. Fei, “Object-centric spatial for image classification,” European Conference on Computer Vision (ECCV),2012.

50

[10] T. Liu, Z. Yuan, J. Sun, J. Wang, and N. Zheng, “Learning to Detect a Salient Objects,” IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 33, no. 2, 2011.

[11] M. Haralick, K. Shamugam, and I. Dinstein, “Textural Features for Image Classification,” IEEE Trans. on Systems, Man, and Cybernetics. SMC-3 (6), pp.610 – 621, 1973.

[12] T. Ojala, M. Pietikainen, and D. Harwood, ”Performance evaluation of texture measures with classification based on Kullback discrimination of distributions”, Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR), vol. 1, pp. 582 – 585, 1994.

[13] T. Ojala and M. Pietikainen, “Unsupervised texture segmentation using feature distributions,” Pattern Recognition Society, vol. 3, pp. 477 – 486, 1999.

[14] V. Takala, T. Ahonen, and M. Pietikainen,“Block-based methods for image retrieval using Local Binary Patterns,” In Proc. 14th Scandinavian Conference on Image Analysis (SCIA), pp.882 – 891, 2005

[15] T. Ahonen, A. Hadid, and M. Pietikainen, “ Face Description with Local Binary Patterns: Application to Face Recognition,” IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 28, no. 12, 2006

[16] A. Hadid, M. Pietikainen, and T. Ahonen, “A Discriminative Feature Space for Detecting and Recognizing Faces,” Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition .