Approche quantique pour l'appariement de formes

Abstract

L'appariement de formes est un sujet important dans la vision par ordinateur, il étudie la mesure de similarité entre les formes, il représente un composant essentiel dans la recherche de formes, la reconnaissance, la classification et le recalage. Dans ce travail, nous avons essayé d’aborder l’appariement de formes comme un problème d'optimisation, à l'aide des algorithmes évolutionnaires quantiques qui ont démontré le pouvoir d'être une amélioration majeure par rapport aux algorithmes évolutionnaires classiques. Nous proposons de combiner le descripteur shape context avec les algorithmes génétiques quantiques afin de définir une nouvelle approche d’appariement et de recherche de formes. L’appariement de formes avec shape context est basé sur l'idée de trouver la meilleure correspondance entre deux ensembles de points échantillonnés à partir des deux formes. Notre approche proposée utilise les algorithmes génétiques quantiques pour trouver la meilleure configuration de points afin d'obtenir le meilleur appariement possible entre les deux formes. Notre algorithme proposé (Quantum Shape Context) est également utilisé pour résoudre une des faiblesses de shape context, sa faible invariance à la rotation et le retournement, où nous utilisons les algorithmes génétiques quantiques pour estimer la meilleure orientation de la forme cible qui permet d’obtenir le meilleur appariement pour les formes avec des rotations et retournements. Les résultats expérimentaux ont montré la supériorité de notre algorithme proposé dans les tâches d’appariement et de recherche de formes par rapport au shape context et d'autres méthodes d'appariement de formes contre divers types de tests.