Meta Veri Özellikleri – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Meta Veri Özellikleri

Multimedya veritabanları, doğası gereği ikili olan ve bu nedenle yapılandırılmamış olan görüntüler ve videolar gibi bir dizi farklı ortam türünden oluşur. Saklama ve alma dahil olmak üzere içerik tabanlı işlevselliklere izin vermek için bu ortam nesneleri için uygun bir yorum kümesi türetilmelidir.

Bu yorumlar veya meta veriler, içerilen medya nesnelerine bir dizi özellik çıkarma işlevi uygulanarak oluşturulur. Bu işlevler medyaya bağlıdır (örn. ses, video, resimler) ve her medya türünde (örn. uydu görüntüleri, yüz görüntüleri) bile benzersizdir.

Görüntü nesne tiplerinden özniteliklerin çıkarılması için şu dört adım gereklidir: (1) nesne konumlayıcı tasarımı, (2) öznitelik seçimi, (3) sınıflandırıcı tasarımı ve (4) sınıflandırıcı eğitimi.

Nesne bulucunun işlevi, uygun bir bölümleme algoritması aracılığıyla görüntüdeki ilgilenilen nesneleri izole etmektir. İkinci adımda, ilgilenilen görüntülerde oluşabilecek farklı nesne türlerini tanımlamak için belirli özellikler seçilir.

Sınıflandırıcı tasarım aşaması, tasarlanan özelliklere dayalı olarak farklı nesneleri ayırt etmek için matematiksel bir temel oluşturmak için kullanılır. Son olarak, son adım, çeşitli parametreleri ayarlayarak sınıflandırıcı modülünü eğitmek ve güncellemek için kullanılır.

Önceki bölümlerde, nesne bulucuyu, bir yüz görüntüsü veri tabanı veya görüntülü telefon tipi bir sekans içinde yüz bölgesini otomatik olarak izole edecek ve takip edecek şekilde tasarlamıştık. Şimdi, sınıflandırıcı tasarımı ve eğitim aşamaları için bir meta-veri özellik vektörünün oluşturulmasında kullanılabilecek bir dizi özelliğin kullanılmasını öneriyoruz.

Görüntüdeki yüz bölgelerini belirledikten sonra, içerik tabanlı depolama ve alma amaçları için kullanılabilecek n boyutlu bir özellik vektörü f = (f1 , f2 , … , fn ) oluşturabiliriz. Daha ayrıntılı bir meta veri özellik vektörü içine dahil edilebilecek çeşitli özellikler sunuyoruz. Daha spesifik olarak, ön set olarak saç ve ten rengi ile yüz konumu ve boyutunun kullanılmasını öneriyoruz.

Saç rengi, belirli yüz görüntülerini almak için kullanıcı sorgularında etkili bir şekilde kullanılabilen önemli bir insan özelliğidir. HSV uzayında siyah, gri/beyaz, kahverengi ve sarı saç renklerini sınıflandırmak için bir şema belirledik.

İlk olarak, saç bölgelerinin H, S ve V bileşen histogramları oluşturulur ve daha önce tanımlanan ölçek alanı filtresi kullanılarak yumuşatılır. Her histogramdan elde edilen tepe değerleri daha sonra belirlenir ve uygun sınıflandırmayı oluşturmak için kullanılır. Aşağıdaki bölgeler, çeşitli saç rengi kategorileri için geniş örnek setimizden uygun şekilde bulunmuştur.

Hp, Sp ve Vp karşılık gelen histogramların tepe noktalarını gösterir. Bu nedenle koyu veya siyah saç, düşük yoğunluk değerleri ile, gri veya beyaz saç ise düşük doygunluk ve yüksek yoğunluk değerleri ile karakterize edilir. Öte yandan, kahverengi veya sarı saç renkleri tipik olarak iyi doygunluğa sahiptir ancak yoğunluk değerleri bakımından farklılık gösterir.

Koyu kahverengi saçın beklenen değer bileşeni yaklaşık Vp ≈ %20’de, daha açık kahverengi Vp ≈ %35 civarında ve sarı saç daha yüksek değerlerde, Vp ≥ %40’ta bulunur.

Metadata örnekleri
Meta veri Nedir
YouTube meta veri
Metadata sorgulama
Metadata analizi
Nft metadata Nedir
Metadata analizi sonucu
Metadata silme

Bu nedenle, daha önce çıkarılan yüz bölgelerini uygun şekilde kategorize etmek için bu bilgiyi kullanabiliriz. Gösterildiği gibi sınıflandırma işlemi için her bir yüz alanının üzerinde uygun boyutta bir şablon kullanıyoruz. Şablon, R1 + R2 + R3 bölgelerinden oluşur. Bu, genel açıklamaya hızlı ama iyi bir yaklaşım sağlar.

Kullanmayı önerdiğimiz bir sonraki özellik, yüz bölgesinin ortalama renk tonu değeridir. Daha koyu cilt tiplerinin 0◦’ye doğru kayma eğiliminde olduğunu bulduk (yani, daha koyu cilt tipi örnek seti için ortalama ton = 8◦), oysa daha açık renkli cilt tiplerinin 30◦’ye doğru hareket ettiğini bulduk.

Bununla birlikte, bazı durumlarda, kırmızımsı bir görünüme sahip daha açık cilt tiplerinin ortalama ton değeri biraz daha düşük olabilir (yani, 15◦). Bununla birlikte, ton sektörü, daha açık ve daha koyu cilt tipleri arasında ayrım yapmak için şu şekilde bölünebilir: (1) daha koyu renkli cilt, H < 15◦ ve (2) daha açık, H ≥ 15◦. Bu bize makul bir yaklaşıklık verebilir; ancak, doygunluk ve değer bileşenlerinin bu sonuçlara göre gelişebileceğine inanıyoruz.

Son olarak, her bir yüz bölgesinin konumu ve boyutu (yani, görüntüye göre merkez konumu ve boyutu) bir geri alma sisteminde çok yararlı bilgiler sağlayabilir.

Bu birleştirilmiş özellikler, yüzün portre çekimi mi yoksa vücudun da dahil edilip edilmediği konusunda bize bir fikir verebilir. Buna ek olarak, belirli bir yüz bölgesinin sahnedeki diğer nesneler veya yüzlerle uzamsal ilişkileri hakkında da bilgi sağlayabilir. Bu ikinci alanda daha fazla çalışma yapılmaktadır.

Deneysel Sonuçlar

Ana hatları çizilen şema, bir dizi durağan görüntü ve video dizisinde yüz bölgesini bulmak ve izlemek için kullanıldı. Üç görüntülü telefon tipi diziden (yani, haber programı veya röportaj tipi diziler) elde edilen sonuçlar sunulmaktadır.

Segmentasyon sonuçları, tekniğin çeşitli nesne/arka plan hareketi, aydınlatma ve ölçek varyasyonları durumlarındaki sağlamlığını göstermektedir. Histogramları yumuşatmak için denklemin Gauss fonksiyonunda τ = 2 parametre seçimi yapılmıştır. Bu, yeterli yumuşatma sağladı ve cilt tonu dağılım modelleri için uygun bulundu.

HVC alanında da benzer bir değer önerilmiştir. Şekil ve renk analizi modülü, aday nesneler kümesinden yüz bölgelerini belirlemek için kullanıldı. Bir nesne, genel üyelik fonksiyonu μc, önceden tanımlanmış 0,75 eşiğini aşarsa yüz bölgesi olarak sınıflandırılır.

QCIF Carphone sekansında, gerçekten de yüz bölgesine karşılık gelen lokalizasyon prosedürü ile sadece bir aday bölge çıkarıldı. CIF Miss America dizisinde de benzer bir prosedür izlendi. Bu durumda, önemli boyutta üç nesne çıkarılmış ve bunların sonuçları özetlenmiştir.

Üyelik işlevi değerlerinin toplanmasına bağlı olarak yalnızca ilk nesne seçildi. O2 ve O3 nesneleri, ortalama ton değerleri ve konumlarında düşük puan aldıkları ve oryantasyon ilkelinde düşük üyelik değerlerine sahip oldukları için reddedildi.

Son olarak, yüz bölgesi başarıyla belirlendi ve Akiyo sekansı için izlendi. Bu durumda iki aday nesne çıkarıldı ve bir kez daha toplama değerlerine göre yüz doğru seçildi.

Makale Deniz

Biyografinin Tamamını Gör