Детекция объектов
В задаче детекции объектов (object detection) на входном изображении необходимо найти и выделить прямоугольной рамкой все объекты заданных классов, как показано ниже [1]:
Задача детекции активно применяется в различных областях:
-
подсчёт количества участников мероприятия;
-
оценка пассажиропотока в общественном транспорте;
-
детектирование людей в системах безопасности, детектирование запрещённых предметов;
-
детектирование товаров на полках в магазине и на складах в целях оптимизации логистики;
-
детектирование транспортных средств, пешеходов, светофоров и дорожных знаков в машинах с автоматическим управлением (self-driving cars).
Простой подход к детекции
Для детектирования определённого объекта можно задать его изображение-образец и прикладывать этот образец ко всевозможным позициям на входном изображении, вычисляя корреляцию образца с каждым фрагментом входа. Высокая корреляция будет свидетельствовать о наличии интересующего объекта, который помечается рамкой, как показано на рисунке:
Искомый объект может быть разного размера, поэтому нужно применить этот метод ко входному изображению в разных разрешениях.
Указанный подход подходит для случаев, когда распознаваемый объект имеет примерно одинаковый вид - например, когда выделяем определённые буквы и цифры при распознавании печатного текста.
В общем же случае он имеет ограниченную применимость:
-
обрабатываемая фотография могла быть сделана в разное время суток, целевой объект, освещённый по-другому, может уже не выделяться;
-
объект может располагаться под углом, что также снизит корреляцию с образцом;
-
если выделяем более сложный объект, например, машину, то она может быть разных цветов, моделей и форм.
Многообразие вариантов присутствия объекта на изображении не позволяет выделить его, сравнивая с одним или несколькими образцами.
Поэтому для детекции используют нейросети, способные выделять сложные объекты общего вида. Мы рассмотрим базовые методы детекции объектов, такие как YOLO, SSD, RetinaNet, CornerNet, CenterNet и другие.