SIFT Yöntemini Kullanarak Madeni Para Tanıma

EEB 2016 Elektrik-Elektronik ve Bilgisayar Sempozyumu, 11-13 Mayıs 2016, Tokat TÜRKİYE
SIFT Yöntemini Kullanarak Madeni Para Tanıma
Mustafa ORAL¹
1,2
Mashar Cenk GENÇAL²
Çukurova Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Bilgisayar Mühendisliği Bölümü
¹[email protected]
²[email protected]
Görüntü işleme tabanlı madeni para tanıma sistemlerinin en
önemli avantajları, diğer sistemlerde var olan karmaşık,
mekanik ve elektronik donanımlara ihtiyaç duymamaları ve
geliştirilebilecek hafif mobil uygulamalarla, günlük hayatta
yaygın kullanımı bulunan mobil cihazlar kullanılarak
tanımanın gerçekleştirilebilecek olmasıdır.
Özet
Günümüzde, ticari işlemlerde kullanılan paraların, bir sistem
tarafından tanınması, var olan parasal işlemlerin daha kısa
zaman almasını sağlayacağından büyük önem arz etmektedir.
Geliştirmiş olduğumuz tanıma sistemi, Scale Invariant
Feature Transform
(SIFT) yöntemini kullanarak bir
fotoğrafta var olan madeni para ya da paraları tanımaktadır.
SIFT, bir resmin, aydınlatma, döndürme ve ölçeklendirmeye
karşı değişmeyen bölgesel özelliklerini belirleyip tanımlayan
bir algoritmadır. Algoritma tanıma işlemini şu şekilde
gerçekleştirir: Resimde var olan bölgesel özellikler ile eğitim
kümesinde var olan örnekler SIFT tanımlayıcıları yardımıyla
kıyaslanır ve en çok doğru eşleşmenin olduğu örneğe göre
tanıma işlemi tamamlanır. Sistem farklı koşullar; hiç madeni
para bulunmayan resimler, sadece para/paralar olan
resimler, üst üste gelmiş ya da sadece bir parçası gözüken
para/paralar olan resimler, üzerine diğer nesnelerin gölgesi
düşmüş para/paralar olan resimler ve renk değişimine
uğramış paraların olduğu resimler, göz önünde
bulundurularak test edilmiş ve tanıma, performans açısından
tatmin edici sonuçlar ürettiği gözlemlenmiştir.
Toytman ve Jonathan[4] ve Hasanuzzaman ve arkadaşları[5]
para tanıma sistemi için bir çok uygulama sunmuşlardır. Bu
uygulamalarında, özellikle, görme engelli insanların paraları
tanımasına yardımcı olabilecek bir sistem geliştirmeye
odaklanmışlardır. İki çalışmada da, para tanıma işlemi
yapılırken, aydınlık ve buruşukluk gibi farklı koşullarda test
yapılmış ve daha önceki çalışmalarına göre daha başarılı
sonuçlar elde ettiklerini savunmuşlardır. Sevkli ve
arkadaşları[6], çalışmalarında tümevarımsal öğrenme
yöntemini kullanarak para tanıma sistemi geliştirmişlerdir.
Bremananth ve arkadaşları[7] para tanıma sistemine sinirsel
model analizi yöntemini kullanarak yeni bir yaklaşım
sunmuşlardır. Roomi ve Jayanthi[8] sinir ağları kullanarak
madeni paraları tespit edip tanıyan bir algoritma
geliştirmişlerdir. Kullanmış olduğumuz tanıma sistemi SIFT
yöntemini kullanarak verilen bir fotoğrafta var olan madeni
paraları tanıyıp sınıflandırmaktadır. Sistem, farklı koşullar
altında test edilerek olumlu sonuçlar alınmıştır. Bildiri,
aşağıdaki şekilde organize edilmiştir:
1. Giriş
Madeni para tanıma sistemlerini günlük yaşantımızda
bankamatik, satış makineleri ve süper market gibi yerlerde
yaygın olarak kullanmaktayız. Bununla birlikte, bazı müzeler,
tarihi madeni paraları sınıflandırmak için de para tanıma
sistemine ihtiyaç duymaktadırlar[1]. Günümüzde madeni
para tanıma sistemlerine olan ihtiyaç farklı metotlarla
sistemlerin geliştirilmesine yol açmıştır. Mekanik tabanlı
madeni para tanıma sistemleri, paranın çapı ve ağırlığı gibi
fiziksel özelliklerini kullanarak tanıma yaparlar[2]. Bir diğer
yöntem grubu ise paranın yapıldığı madenin elektro-fiziksel
özelliklerini ölçerek tanıma yapan elektromanyetik madeni
para tanıma sistemleridir[3]. Bunların yanı sıra, bu
çalışmanın da içinde bulunduğu üçüncü grup yöntemler,
görüntü işleme tabanlı sistemlerdir.
İkinci bölümde SIFT yöntemi tanıtılmıştır. Üçüncü bölümde
yapmış olduğumuz yaklaşım detaylı bir şekilde açıklanmıştır.
Dördüncü bölümde yapılan testler gösterilmiştir. Beşinci
bölümde ise sonuç ve gelecek çalışmalarla ilgili öneriler
verilmiştir.
2. Ölçek - Değişimsiz Özellik Dönüşümü (SIFT)
SIFT (Scale Invariant Feature Transform), bir resmin,
aydınlatma, döndürme ve ölçeklendirmeye karşı değişmeyen
bölgesel özelliklerini belirleyip tanımlayan bir algoritmadır.
Algoritma, tanıma işlemini şu şekilde gerçekleştirir:
55
EEB 2016 Elektrik-Elektronik ve Bilgisayar Sempozyumu, 11-13 Mayıs 2016, Tokat TÜRKİYE
anahtar noktaların etrafındaki komşu bölgede yer alan her
piksel için, eğimin büyüklüğüne ve yönüne bakılır. Her bir
kutusu 10 derece içeren 36 kutuluk bir histograma bulunan
değerler yerleştirilir. Histogramın zirve noktası, aradığımız
oryantasyonu belirtir.
2.1 Ölçek Uzayındaki Ekstremumları Bulma
İşleme ilk olarak anahtar noktalarını(keypoints) bularak
başlanır. Bunun için, verilen resme farklı ölçeklerde Gaussian
filtresi uygulanır. Gaussian filtresi ile bulanık hale gelen bu
resimler arasındaki farklar alınır. Farklı ölçeklerde alınan
Gaussian farkının(DoG) ekstremum noktaları bize anahtar
noktalarını verir.
2.4 Anahtar Nokta Tanımlayıcıları
İlk olarak, her biri 8 kutu içeren 4x4 piksel komşuluğunda
oryantasyon histogramları oluşturulur. Anahtar nokta
etrafındaki 16x16 lık bir bölgede yer alan, oryantasyon ve
büyüklük ile ilgili bilgi veren histogramlar hesaplanır. Her bir
histogram gerçek komşuluk bölgesinin 4x4 lük bir alt
bölgesini içerir. Her biri 8 kutu içeren, 16(4x4) histogramlar,
toplamda 128 adet vektör belirtmiş olurlar. Bu vektörler,
anahtar nokta tanımlayıcılarıdır.
Şekil 1: Ölçek Uzayda DoG
2.2 Anahtar Noktanın Yerini Belirleme
a
Ölçek uzayındaki ekstremumları bulma yöntemi, aralarında
yeri konusunda kararsız olan çok sayıda anahtar nokta sunar.
Algoritmanın bir sonraki adımı, düşük zıtlığa sahip ya da iyi
bir şekilde yerleşememiş noktaları elemine etmemize
yardımcı olur.
b
Şekil 2: a) Büyüklük ve Oryantasyonları b) Anahtar nokta
tanımlayıcıları
3. Kullanılan Metot
2.2.1 Komşu Veriye İnterpolasyon Yaparak Doğru Pozisyonu
Bulma
Uygulamış olduğumuz metot, verilen bir resimde mevcut
olan madeni paraları, değerini gösteren kısma bakarak tespit
etmektedir. İlk olarak, verilen resme Hough dönüşümü
uygulanarak, resimde var olan daire şekilleri tespit edilir.
Daha sonra, SIFT yöntemini kullanarak, resimde var olan
bölgesel özellikler ile eğitim kümesinde var olan örnekler
anahtar nokta tanımlayıcıları yardımıyla kıyaslanır ve en çok
doğru eşleşmenin olduğu örneğe göre tanıma işlemi
tamamlanır.
Başlangıçta, her bir anahtar nokta adayına interpolasyon
uygulanarak yerinin doğru bir şekilde tespiti sağlanır.
İnterpolasyon uygulandıktan sonra tespit edilen yeni bölge,
anahtar noktanın bulunması gereken yer olarak atanır. Daha
sonra, bu işlem anahtar nokta adayının ölçeği değiştirilerek,
herhangi bir değişim olmayana kadar tekrar edilir.
3.1 Hough Dönüşümü
2.2.2 Kenar Tepkilerini Elimine Etme
Hough dönüşümü, verilen bir resimde var olan herhangi bir
şekli belirlemek için kullanılan bir yöntemdir. Bu yöntemde,
her pikselin, bulunduğu yerin özelliklerini belirten nitelikleri,
büyüklük ve derece açısından, kullanılarak oylama yöntemi
yardımıyla bu bilgiler bir tabloda toplanır. Toplanan bu bilgi,
resimde var olan şeklin nerede olduğunu gösterir niteliktedir.
Uygulamış olduğumuz bu metotta, Hough dönüşümü
kullanarak resimde var olan daire şekilleri tespit edilir.
Aday anahtar noktalar, küçük miktardaki parazitlere karşı
zayıf dahi olsalar, DoG fonksiyonu, bu noktaları tespit
edecektir. Bu durumu düzeltmek için, kenara güçlü tepki
veren, fakat konumu koşunda karasız olan anahtar noktaları
elimine etmemiz gerekir. İkinci dereceden Hessian matrisinin
Eigen değerleri kullanılarak elimine işlemi yapılır[1].
2.3 Oryantasyonu Belirleme
3.2 Eğitim Kümesi
Bu adımda, her bir anahtar noktaya, yerel resimdeki eğim
yönüne bakılarak bir ya da daha fazla oryantasyon atanır.
Gaussian uygulanarak bulanık hale gelmiş bu resimde,
Metodun önemli kısımlarından birisi de uygun eğitim kümesi
seçebilmektir. Paranın orta kısmının, bir madeni parayı
56
EEB 2016 Elektrik-Elektronik ve Bilgisayar Sempozyumu, 11-13 Mayıs 2016, Tokat TÜRKİYE
tanımada yeterli olduğunu varsayımıyla, paranın tamamı
yerine orta kısımlarını alarak bir eğitim kümesi oluşturduk.
yöntem test edildi. Aksi takdirde, paranın tura kısmı da
kullanılmış olsaydı, paranın niteliği ile bilgi vermek için,
SIFT yöntemini kullanmak yeterli olamayacaktı. Hiç madeni
para bulunmayan resimler, sadece para/paralar olan resimler,
üst üste gelmiş ya da sadece bir parçası gözüken para/paralar
olan resimler gibi örneklerle sistemin çalışması test
edilmiştir:
5. Sonuç
Kullanmış olduğumuz metot SIFT yöntemini kullanarak
verilen bir fotoğrafta var olan madeni paraları tanıyıp
sınıflandırmaktadır. Bu uygulamayı gerçekleştirirken test
resimlerinde kullanmış olduğumuz paralar ile eğitim
kümesindeki paraların aynı koşullarda olmasına özen
gösterilmiştir.
Şekil 3: Örnek Küme Elemanları
3.3 SIFT Yöntemini Kullanarak Eşleştirme
SIFT yöntemi yardımıyla, resimde var olan anahtar noktalar
ve bu noktaların tanımlayıcıları tespit edilir. Aynı işlem,
eğitim kümesindeki tüm elemanlara uygulanır. Resimdeki
tanımlayıcılar ile eğitim kümesi elemanlarının tanımlayıcıları
karşılaştırılarak eşleştirme yapılır. Bu eşleştirme sonucunda
yöntem, resimde madeni para var mı, varsa kaç kuruş/lira
olduğunu söyler.
Şekil 5: Metodun Uygulandığı Resimler
Şekil 4: Uygulanan Metot
Aşağıda metodun 1 lira için vermiş olduğu sonuçlar
gösterilmiştir:
4. Yapılan Testler
Şekil 6 da görüldüğü üzere, yapılan tanıma işleminin, tatmin
edici sonuçlar ürettiği gözlemlenmiştir. Ancak, üst üste gelme
Bir resimde madeni para mevcut ise, resimde mevcut olan
paranın sadece yazı kısmının göründüğü varsayımıyla
57
EEB 2016 Elektrik-Elektronik ve Bilgisayar Sempozyumu, 11-13 Mayıs 2016, Tokat TÜRKİYE
durumunda, Şekil 6 da 3.resimde olduğu gibi, 1 lirayı
tanıyamadığını gözlemlenmiştir. Altta kalan 1 lira üzerine
gölge düşmüş olması ve eski bir para olması, eğitim
kümesindeki aynı koşullarda olmayan 1 lira ile
eşleşmemesine neden olmuştur. Bunun sebebi ise diğer
paralar için belirlenmiş olan eşik değerinin, bu 1 lira için
tutmuyor olmasıdır.
[3] Steed, E., “Coin Identification Through Natural
Frequency
Analysis”,
https://me363.byu.edu/sites/me363.byu.edu/files/Emerson_Ste
ed_CoinIdentification.pdf
[4] Toytman, I. ve Thambidurai J., “Banknote Recognition on
Android
Platform”,
Stanford
University,
2011,
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.20
8.3502&rep=rep1&type=pdf
Gelecekteki çalışmalarımızda, Speeded up Robust Features
(SURF) yönteminin madeni paraları tanımada becerisi
ölçülecek ve SIFT yöntemiyle karşılaştırılacaktır.
[5] Hasanuzzaman, F.M. , Yang, X. ve Tian, Y.L., “Robust
and effective component-based banknote recognition for the
blind,” Systems, Man, and Cybernetics, Part C: Applications
and Reviews, IEEE Transactions, 42- 6, 1021-1030, 2012.
[6] Sevkli, M. , Turkyilmaz, A. ve Aksoy, M.S., “Banknote
Recognition Using Inductive Learning”, International
Conference On Fuzzy System and Software, 122-130, 2002.
[7] Bremananth, R., Balaji, B., Sankari, M. ve Chitra, A., “A
New Approach to Coin Recognition using Neural Pattern
Analysis”, IEEE Indicon Conference, 366-370, 2005.
[8] Roomi, S. ve Jayanthi Rajee, R.B.,“Coin Detection and
Recognition Using Neural Networks”, International
Conference on Circuit, Power and Computing Technologies,
1-6, 2015.
[9] Lowe, D.G., “Object recognition from local scaleinvariant features”, International Conference on Computer
Vision, 1150–1157, 1999.
[10] Roushdy, M., “Detecting Coins with Different Radii
based on Hough Transform in Noisy and Deformed Image”,
In the proceedings of GVIP Journal, 7-1, 2007.
[11] Chen, C., Zhang, S. ve Chen, Y., "A Coin Recognition
System with Rotation Invariance", International Conference
on Machine Vision and Humanmachine Interface, 755-757,
2010.
[12] Gupta, V., Puri, R., Verma, M., “Prompt Indian Coin
Recognition with Rotation Invariance using Image
Subtraction Technique”, International Conference on
Devices and Communications, 2011.
Şekil 6: Metodun 1 lira için vermiş olduğu sonuçlar
6. Kaynaklar
[1] Modi, S. ve Bawa, S., “Automated Coin Recognition
System using ANN”, International Journal of Computer
Applications, 26-4, 2011.
[2] Lei, G., Yin X. ve Liu X.F., "Research on Performance
Influence of the Coin Recognition Device by Coil Parameters
Based on Mechanical Properties", Advanced Materials
Research, 42-46, 2013.
58