Dense Random Texture Detection using Beta Distribution Statistics

要約

このノートでは、画像エッジでサンプリングされた完全に接続された点を使用して高密度のランダム テクスチャを検出する方法について説明します。
エッジ イメージは点でランダムにサンプリングされ、近傍内のすべての接続された点の間で標準 L2 距離が計算されます。
各点について、その点が画像のエッジと交差するかどうかがチェックされます。
この場合、単位値が距離に追加され、そうでない場合はゼロが追加されます。
これから、[1.0..2.0] の範囲で完全に接続されたエッジ グラフのエッジ超過インデックスが計算されます。1.0 はエッジがないことを示します。
この比率は、未知の確率でサンプリングされたベルヌーイ過程として解釈できます。
確率のベイズ事後推定値は、エッジ交差の数に関連するハイパー パラメーター $\alpha$ および $\beta$ を持つ Beta($\alpha$, $\beta$) 分布である事前共役と関連付けることができます。
。
$\beta$ の値が低いとテクスチャが豊富な領域を示し、値が高いとテクスチャが少ないことを示します。
この方法は、ポイントが追跡ボックス (rois) に限定される、リアルタイムの SLAM ベースの移動物体検出に適用されています。

要約(オリジナル)

This note describes a method for detecting dense random texture using fully connected points sampled on image edges. An edge image is randomly sampled with points, the standard L2 distance is calculated between all connected points in a neighbourhood. For each point, a check is made if the point intersects with an image edge. If this is the case, a unity value is added to the distance, otherwise zero. From this an edge excess index is calculated for the fully connected edge graph in the range [1.0..2.0], where 1.0 indicate no edges. The ratio can be interpreted as a sampled Bernoulli process with unknown probability. The Bayesian posterior estimate of the probability can be associated with its conjugate prior which is a Beta($\alpha$, $\beta$) distribution, with hyper parameters $\alpha$ and $\beta$ related to the number of edge crossings. Low values of $\beta$ indicate a texture rich area, higher values less rich. The method has been applied to real-time SLAM-based moving object detection, where points are confined to tracked boxes (rois).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google