Post on 03-Apr-2015
Reconnaissance d’objets par SVM et descripteurs de Fourier
Descripteurs de Fourier
Originels(contour de longueur L)
Généralisés (image en niveaux de gris, «motion descriptors», Gauthier et al., Fonga)
‣ Une famille de descripteurs invariants par similitude directe (rotation, translation, échelle) peut être (presque) trivialement déduite‣ Une forme = un ensemble de MD|DF = un vecteur de
Support Vector Machines (SVM)
Méthode d’apprentissage utilisant:• les noyaux (reformulation d’un problème de séparation non linéaire en un problème linéaire - fonction ci-dessous) • les théories de généralisation et dimensionalité de Vapnik-Chervonenkis
Classifier en 2 classes revient à trouver l’hyperplan séparant au mieux l’ensemble des x (classe 1) et o (classe 2)Idée = utiliser les DF pour classifier les images !
Travail demandé
‣ Au minimum :
Implémenter les descripteurs de Fourier
Trouver (et justifier) un noyau judicieux pour classifier des images dans une base d’une centaine d’objets (COIL100)
Validation sur base COIL100 et images réelles
‣ Idéalement :
Aller plus loin, en ajoutant d’autres descripteurs très classiques : invariants algébriques de Hu, moments de Zernike, complémentaires des DF (fusion N classifieurs faibles -> 1 classifieur fort)
‣ Environnement de développement :
Intégralement sous Matlab (+toolbox SVM), et/ou langage C (libSVM et/ou SVMlight), au choix.
Contact, questions, précisions : x.hilaire@esiee.fr , ou jeudis 13h30-20h00 bureau 5352
2 étudiants2 étudiants
3 étudiants3 étudiants