Аналіз продуктивності методів
Було проведено аналіз продуктивності методів КА та Віоли-Джонса. При тестуванні було взято 1000 зображень, на яких був зображений цільовий об’єкт в різних масштабах, кутах нахилу та рівні освітлення. Тестування показало що КА дає не погані результати детектування об’єкта в різних масштабах та кутах нахилу але не при поганому освітленні. Результати тестування можна побачити в таблиці 8.1 та на рисунку 8.1.
Метод Віоли-Джонса, показав дуже погані результати. Детектовано 135 зображень із 1000 але жодного помилкового виявлення не було. З результатів видно що нейронна мережа була перенавчена. Результати тестування Віоли-Джонса можна побачити в таблиці 8.2 та на рисунку 8.2. А переваги і недоліки обох методів представлені в таблиці 8.3.
Таблиця 8.1 – Продуктивність методу КА
Ім’я файла |
Детектовано |
Не детектовано |
Детектовано помилково |
0001_0172_0148_0152_0229.jpg |
1 |
0 |
0 |
0002_0492_0116_0160_0240.jpg |
1 |
0 |
0 |
0003_0207_0226_0099_0149.jpg |
0 |
1 |
0 |
0004_0158_0108_0248_0373.jpg |
1 |
0 |
0 |
0005_0074_0050_0206_0309.jpg |
1 |
0 |
0 |
. . . |
|||
1000_1110_1159_1147_1371.jpg |
1 |
0 |
0 |
Всього: |
726 |
274 |
0 |
Таблиця 8.2 – Продуктивність методу Віоли-Джонса
Ім’я файла |
Детектовано |
Не детектовано |
Детектовано помилково |
0001_0172_0148_0152_0229.jpg |
1 |
0 |
0 |
0002_0492_0116_0160_0240.jpg |
0 |
1 |
0 |
0003_0207_0226_0099_0149.jpg |
0 |
1 |
0 |
0004_0158_0108_0248_0373.jpg |
1 |
0 |
0 |
0005_0074_0050_0206_0309.jpg |
1 |
0 |
0 |
. . . |
|||
1000_1110_1159_1147_1371.jpg |
0 |
1 |
0 |
Всього: |
135 |
865 |
0 |
Рисунок 8.1 – Продуктивність методу Контурного Аналізу
Рисунок 8.1 – Продуктивність методу Віоли-Джонса
Таблиця 8.3 – Переваги і недоліки обох методів
Контурний Аналіз |
Віоли-Джонса |
||
Переваги |
Недоліки |
Переваги |
Недоліки |
Інваріантність до обертання |
|
|
Максимальний кут обертання об’єкта 30о |
Інваріантність до масштабу |
|
Інваріантність до масштабу |
|
|
Погане розпізнавання при поганому освітленні |
Стабільне розпізнавання майже при будь-кому освітленні |
|
Швидка робота алгоритму |
|
|
Великі обчислювання приводять до затримок |
Легке додавання нового об’єкта у базу |
|
|
Потрібен досить великий час для навчання нейронної мережі при додаванні нового об’єкта у базу |
|
При встановленні порога схожості об’єктів в досить велике значення, існує ризик помилкового виявлення об’єктів |
|
Існує ризик перенавчання нейронної мережі, наслідком цього є збільшення кількості помилкових виявлень |
Легко можна переналаштувати для поточного приміщення |
|
|
Немає можливості ручного покращення якості детектування |