조명 조건은 크게 컴퓨터 비전 시스템의 성능에 영향을 줄 수 있습니다. Achieving Lighting invariance는 이러한 시스템은 다른 환경과 조명 시나리오를 통해 안정적으로 작동 할 수 있다는 것을 보장합니다. 다양한 방법은 사전 처리, 기능 추출 및 모델 교육 기술에 초점을 맞추고이 도전을 해결하기 위해 개발되었습니다.

이미지 처리 기술

전처리 방법은 기능 추출 전에 조명 변화를 정상화하는 것을 목표로합니다. 히스토그램 동등화는 조명 불순을 줄이기 위해 이미지의 대비를 조정합니다. 감마 개정은 광도 수준을 표준화하기 위해 이미지 발광성을 조절합니다. 또한, 다른 광원에 기인한 색깔 비스코스를 제거하기 위해 색 공존 알고리즘을 사용합니다.

기능 적출 방법

조명 변화에 대한 더 적은 민감하는 기능 추출 시스템 견고성을 향상시킵니다. 로컬 이진 패턴 (LBP)과 같은 기술은 강도보다 훨씬 더 복잡한 조명을 만들기 때문에 질감에 중점을 둡니다. 가장자리와 윤곽과 같은 기온 기반 기능도 조명 변형에 영향을 덜며 인식 작업을 위해 안정적인 큐를 제공합니다.

모델 교육 전략

다양한 조명 조건을 가진 교육 모델은 그들의 invariance를 향상시킵니다. 데이터 낙하는 다양한 조명 시나리오에서 교육 이미지의 합성 변형을 만들 수 있습니다. 기계 학습 모델 내에서 invariant 기능 표현을 사용하여 다양한 데이터 세트에 훈련 된 심층적 네트워크와 같은 조명 변경에 대한 견고성을 향상시킬 수 있습니다.

추가 기술

  • 일러스트 인디케이터:] 조명에 대한 불균형으로 설계된 전문 디텍터의 사용.
  • 다양한 이미징:다른 spectra를 통해 이미지를 매핑하여 조명 효과를 완화한다.
  • 적응 알고리즘: 동적 조명 조건을 변경하는 시스템.