ओरिएंटेड विस्थापनों का हिस्टोग्राम

विस्थापनों का उन्मुखी हिस्टोग्राम ( HOD ) एक फीचर डिस्क्रिप्टर है कंप्यूटर विज़न में जो दो क्रमागत इमेज फ्रेम्स के बीच पिक्सल की गति का सारांश प्रस्तुत करता है। यह विस्थापन वेक्टरों के वितरण को उनके उन्मुखीकरण और परिमाण को हिस्टोग्राम में वर्गीकृत करके पकड़ता है, जो दृश्य गतिशीलता का एक संक्षिप्त प्रतिनिधित्व प्रदान करता है। HOD आमतौर पर क्रिया पहचान, पैदल यात्री का पता लगाना, और वीडियो निगरानी जैसे कार्यों में लागू किया जाता है, जहां यह ऑप्टिकल-फ्लो-आधारित विधियों जैसे उन्मुखी ग्रेडिएंट्स के हिस्टोग्राम( HOG ) या ऑप्टिकल फ्लो के हिस्टोग्राम( HOF ) के विकल्प के रूप में कार्य करता है।

डिस्क्रिप्टर पहले प्रत्येक पिक्सल या कीपॉइंट के विस्थापन का अनुमान लगाकर कार्य करता है फ्रेम्स के बीच, आमतौर पर ब्लॉक मिलान या विरल ऑप्टिकल फ्लो तकनीकों का उपयोग करके। ये विस्थापन फिर उन्मुखीकरण बिन्स में परिमाणित किए जाते हैं( जैसे, 360 डिग्री को कवर करने वाले 8 या 16 बिन्स) और वैकल्पिक रूप से परिमाण-भारित होते हैं। परिणामी हिस्टोग्राम को वैश्विक पैमाने परिवर्तनों के प्रति अपरिवर्तनशीलता प्राप्त करने के लिए सामान्यीकृत किया जाता है, जिससे यह वस्तु आकार और कैमरा ज़ूम में भिन्नताओं के प्रति मजबूत बनता है। सघन ऑप्टिकल फ्लो के विपरीत, HOD को विरल फीचर बिंदुओं पर कुशलतापूर्वक गणना किया जा सकता है, जिससे कम्प्यूटेशनल लागत घटती है जबकि विभेदक शक्ति बनी रहती है।

ऐतिहासिक विकास

हिस्टोग्राम-आधारित डिस्क्रिप्टरों की अवधारणा ने प्रारंभिक 2000 के दशक में HOG की सफलता के साथ प्रमुखता प्राप्त की। HOD एक गति-विशिष्ट विस्तार के रूप में उभरा, पहली बार शैक्षणिक साहित्य में लगभग 2008-2010 के आसपास दिखाई दिया। Carnegie Mellon University और MIT CSAIL जैसे संस्थानों के शोधकर्ताओं ने मानव क्रिया पहचान में इसके उपयोग की खोज की, जहां यह नियंत्रित प्रयोगों में कच्चे ऑप्टिकल फ्लो हिस्टोग्राम से बेहतर प्रदर्शन करता था। 2012 तक, HOD को बड़े वीडियो विश्लेषण पाइपलाइनों में एकीकृत किया गया, अक्सर स्थैतिक और गतिशील दोनों विशेषताओं को पकड़ने के लिए HOG जैसे दिखावट डिस्क्रिप्टरों के साथ संयुक्त किया गया।

कम्प्यूटेशनल दृष्टिकोण

HOD गणना में तीन मुख्य चरण शामिल हैं: विस्थापन अनुमान, हिस्टोग्राम निर्माण, और सामान्यीकरण। विस्थापन अनुमान आमतौर पर लुकास-कनाडे विधि या फेज़ सहसंबंध का उपयोग करके प्रति-पिक्सल गति वेक्टर खोजने के लिए किया जाता है। प्रत्येक वेक्टर के लिए, उसका कोण N उन्मुखीकरण बिन्स में से एक में परिमाणित किया जाता है, और उसका परिमाण उस बिन की गिनती में योगदान देता है, या तो द्विआधारी वोट के रूप में या परिमाण-भारित। पैमाने भिन्नताओं को संभालने के लिए, हिस्टोग्राम को L1- या L2-सामान्यीकृत किया जाता है। व्यवहार में, एक स्थानिक पिरामिड लागू किया जा सकता है, इमेज को कोशिकाओं में विभाजित करके और प्रति-कोशिका हिस्टोग्राम को जोड़कर, HOG के ब्लॉक संरचना के समान

मशीन लर्निंग में अनुप्रयोग

Machine learning और Artificial intelligence में, HOD फीचर्स को अक्सर सपोर्ट वेक्टर मशीनों या रैंडम फॉरेस्ट जैसे वर्गीकरणकर्ताओं में फीड किया जाता है। इनका उपयोग निगरानी प्रणालियों में मानव गतिविधि पहचान के लिए किया गया है, जहां डिस्क्रिप्टर चलने या हाथ हिलाने जैसे आवधिक गति पैटर्न को पकड़ता है। HOD स्वायत्त ड्राइविंग अनुसंधान में भी दिखाई देता है, सड़क दृश्यों में विस्थापन हिस्टोग्राम की तुलना करके गतिशील बाधाओं का पता लगाने में सहायता करता है। Deep learning के उदय के साथ, HOD को बड़े पैमाने पर कन्वोल्यूशनल न्यूरल नेटवर्क से सीखे गए फीचर्स द्वारा प्रतिस्थापित किया गया है, लेकिन यह वीडियो समझ कार्यों के लिए एक उपयोगी हस्त-निर्मित आधार रेखा बना हुआ है, विशेष रूप से संसाधन-सीमित वातावरणों में

संबंधित डिस्क्रिप्टरों के साथ तुलना

HOD का HOF से घनिष्ठ संबंध है, जो सीधे ऑप्टिकल फ्लो वेक्टरों को वर्गीकृत करता है। मुख्य अंतर यह है कि HOD फ्रेम्स के बीच विस्थापनों पर कार्य करता है, जिसे सघन फ्लो अनुमान के बिना गणना किया जा सकता है, जिससे यह तेज़ बनता है। हालांकि, HOD कैमरा गति के प्रति संवेदनशील है, क्योंकि वैश्विक बदलाव हिस्टोग्राम पर हावी हो जाते हैं। इसे कम करने के लिए, कुछ कार्यान्वयन विस्थापनों की गणना से पहले एक वैश्विक गति मॉडल( जैसे, एफाइन परिवर्तन) को घटाते हैं। गति इतिहास छवियों जैसे अस्थायी टेम्पलेट्स की तुलना में, HOD एक अधिक संक्षिप्त और घूर्णन-अपरिवर्तनशील प्रतिनिधित्व प्रदान करता है, हालांकि यह स्थानिक लेआउट जानकारी खो देता है जब तक स्थानिक पूलिंग के साथ संयुक्त न किया जाए

सीमाएं और विस्तार

HOD की एक प्राथमिक सीमा कम-बनावट या तेज़-गतिशील क्षेत्रों में सटीक विस्थापन अनुमान पर इसकी निर्भरता है, जहां ब्लॉक मिलान विफल हो जाता है। विस्तारों ने बहु-पैमाने दृष्टिकोणों का उपयोग करके या रंग और गहराई संकेतों को शामिल करके इसका समाधान किया है। एक और विस्तार, परिमाण-भारित विस्थापनों का उन्मुखी हिस्टोग्राम, शोर के प्रति मजबूती में सुधार करता है। हाल के वर्षों में, HOD को Data Augmentation पाइपलाइनों में उपयोग के लिए अनुकूलित किया गया है, जहां मजबूत मॉडलों को प्रशिक्षित करने के लिए सिंथेटिक विस्थापन उत्पन्न किए जाते हैं। गहन शिक्षण के प्रभुत्व के बावजूद, HOD की सरलता और व्याख्यात्मकता इसे एज कम्प्यूटिंग और रीयल-टाइम प्रणालियों में प्रासंगिक बनाए रखती है

यह भी देखें

• histogram-of-oriented-gradients( यदि उपलब्ध हो)
• optical-flow( यदि उपलब्ध हो)
• Computer vision( यदि उपलब्ध हो)
• action-recognition( यदि उपलब्ध हो)

संदर्भ

• Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection.
• Laptev, I., et al. (2008). Learning realistic human actions from movies.
• Wang, H., et al.