Tcnicas de inteligencia artificial

Visin Artificial Extraccin de caractersticas

Transformada de Hough Caractersticas: SIFT

Indice

Fundamentos:Motivacin:

Desarrollar tcnicas que permitan identificar primitivas geomtricas sencillas (lneas, crculos, cuadrados.) en la imagen (p.e. tras binarizar el resultado de Canny).

Mecanismo: Espacio paramtrico. Los valores de los parmetros de la

ecuacin paramtrica definen unvocamente a cada primitiva. Por cada parmetro tenemos una dimensin en el espacio paramtrico y cada dimensin se discretiza en celdas.

Proceso de votacin. Cada punto de la imagen votar por aquella ecuacin (combinacin de parmetros, o celda) que cumpla. Daremos como salida las celdas con suficiente soporte o evidencia, esto es, aquellas con un nmero suficiente de votos.

Transformada de Hough

Transformada para la recta:Ecuacin paramtrica:

Transformada de Hough

Algoritmo:

Transformada de Hough

Transformada del crculo:Ecuacin paramtrica:

Algoritmo:

Transformada de Hough

Anlisis:Puntos crticos:

Ineficiencia: la complejidad espacial de la construccin del espacio de parmetros aumenta de forma factorial con el nmero de los mismos: O(N!) Lo mismo sucede con la complejidad temporal del proceso de votacin: O(N-1)!

En consecuencia, el mtodo exhaustivo solamente es aplicable a primitivas sencillas (caracterizadas por pocos parmetros) e incluso en estos casos se hace necesaria una discretizacin muy somera para satisfacer los requerimientos de memoria.

Ajuste de sensibilidad: aunque es un factor de menor importancia, el ajuste del tamao de celda y del nmero mnimo de votos (a menudo seguido de una supresin de no-mximos) es clave para evitar un elevado nmero de falsos positivos.

Transformada de Hough

Caractersticas extendidas

Las caractersticas de una imagen se puede entender como una representacin comprensiva de la imagen, pero reducida

Existen una serie de tareas en visin que necesitan extraer estas caractersticasReconocimiento de objetosReconstruccin 3DSeguimiento de movimientoBsqueda en base de datos de imgenesEtc.

Estas caractersticas necesitaran ser identificadas de manera nica

Ejemplos

http://cvlab.epf.ch/~brown/autostitch/autostitch.html Problemas: cambios de iluminacin, tamao, punto

de vista, oclusiones, etc.

http://cvlab.epfl.ch/~brown/autostitch/autostitch.html

Solucin

Usar, adems de la posicin en la imagen, algn descriptor que identifique el punto de manera nica (o casi nica)

El descriptor contendr algn tipo de informacin de la imagen alrededor del punto

La misma caracterstica, vista desde distintos puntos de vista, con distinta iluminacin, con giros, etc. tendr el mismo descriptor.

Su clculo debe ser eficiente. Existen varias alternativas: SIFT, SURF, MSER,

etc.

SIFT

David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004)

SIFT: Scale Invariant Feature Transform Uno de los primeros en ser usados: el autor deja un

ejecutable que puede ser usado El algoritmo devuelve las caractersticas

encontradas en la imagen Tiene dos pasos:

Encontrar la posicin de los puntos (se podra usar Harris o cualquier otro)

Calcular el descriptor

Localizacin de las caractersticas

Harris podra ser un buen candidatoPor qu?Y en cuanto a la escala?

La idea es intentar que el detector sea invariante a escala. Sift propone una deteccin multiescala

Localizacin multiescala

Cmo se puede elegir la escala?

Localizacin multiescala

La localizacin en la multiescala se consigue con una diferencia de gaussianas (DoG)

Localizacin

Hay que encontrar un mnimo o mximo entre escalas

Eliminacin de puntos inestables

Se encuentran muchos puntos, pero muchos de ellos son inestables

Se eliminan aquellos:Con un contraste bajoQue se encuentran sobre una arista

Iniciales: 832. Finales: 536

Orientacin de la caracterstica

Es necesario encontrar cmo est orientada la caracterstica

Se encuentra el histograma de orientaciones ponderado en la escalacalculada y se calcula la orientacin dominante

0 2

Descriptor

Hasta el momento hemos calculado:Localizacin del punto.Escala.Orientacin.

Debemos encontrar el descriptor que nos permita comparar entre las caractersticas

Se escoge una cierta vecindad del punto a la escala determinada

Debemos hacer una rectificacin de la vecindad para luego calcular descriptor

Descriptor

Se realiza un histograma de orientaciones alrededor del punto.

Ventana 16x16 particionada en 4x4 Se calcula un histograma de 8 posibles orientaciones Descriptor: 4x4x8=128

Ejemplos

Reconocimiento en oclusin

Otro ejemplo

Pgina 1Pgina 2Pgina 3Pgina 4Pgina 5Pgina 6Pgina 7Pgina 8Pgina 9Pgina 10Pgina 11Pgina 12Pgina 13Pgina 14Pgina 15Pgina 16Pgina 17Pgina 18Pgina 19Pgina 20Pgina 21Pgina 22