RECONOCIMIENTO DE OBJETOS

Presentación del tema: "RECONOCIMIENTO DE OBJETOS"— Transcripción de la presentación:

1 RECONOCIMIENTO DE OBJETOS
Visión de Máquina Ingeniería en Automática Industrial

2 Procesamiento de Imágenes
imagen de entrada objetos separados Patrón de características Imagen acondicionada A la aplicación SEGMENTACIÓN EXTRACCIÓN DE CARACTERÍSTICAS PRE PROCESAMIENTO RECONOCIMIENTO CLASIFICACIÓN INTERPRETACIÓN DE LA ESCENA tipos de objeto

3 Reconocimiento de Objetos
Los objetos son descritos mediante un vector de características o bien mediante una representación estructural a partir de la cual se pretende su reconocimiento. Reconocimiento ⇔ Clasificación Agrupación de objetos con una representación conocida (PATRONES) a alguno de los grupos representativos (CLASES).

4 Ejemplo Reconocimiento de Objetos
Si C < 14.3 entonces objeto = Circulo Si 14.3 < C < 18.4 entonces objeto = Cuadrado Si 18.4 < C entonces objeto = Triangulo

5 Ejemplo Reconocimiento de Objetos
Supóngase una cinta transportadora transparente por la que circulan tornillos, arandelas y tuercas. Se precisa desarrollar un sistema que cuente cuántas unidades de cada tipo hay en cada momento en un intervalo de la cinta. Se supone que la iluminación se realiza a contraluz con lo que se obtienen las siluetas Se debe pues construir un sistema que identifique cada silueta como correspondiente a una de las tres clases de objetos.

6 Ejemplo Reconocimiento de Objetos
En este caso se propone usar como características el número de agujeros presentes en la figura . Y la desviación típica de las distancias del perímetro al centro del objeto.

7 Ejemplo Reconocimiento de Objetos
Valores de estas características para una muestra aleatoria obtenida durante 10 minutos de operación del sistema.

8 Enfoques Reconocimiento de Objetos
Clasificación de Objetos. Enfoque geométrico Métodos Estadísticos: Optimización de probabilidades en la asignación de los objetos a clases (Distancia de Mahalanobis) Métodos No-paramétricos: Se particiona el espacio de acuerdo con objetos cuya clasificación es conocida a priori (Perceptrón) Enfoque Sintáctico: Identificación de las partes constituyentes

9 Enfoque Geométrico Clasificación de los objetos (vector de características) de acuerdo con una determinada partición del espacio de características.

10 Enfoque Geométrico Propiedades a tener en cuenta en la elección y prueba de las características: 1ª.- Poder discriminante 2ª.- Fiabilidad 3ª.- Independencia 4ª.- Tiempo de computo aceptable 5ª.- Número de características

11 Método Sintáctico Válido para reconocer objetos excesivamente complejos debido a un número excesivo de características o de clases Una vez seleccionado un espacio de características es necesario inferir una gramática que regule las posibilidades de relación de éstas.

12 Funciones de Decisión Funciones de decisión lineales
Espacio de parámetros Funciones de decisión generalizadas Interpretación geométrica de las fronteras de decisión

13 Funciones de Decisión Lineales
Decidir la pertenencia del objeto a las clases Dado un vector de características x,

14 Funciones de Decisión Lineales
Caso n-dimensional Vectores de pesos y características

15 Funciones de Decisión Lineales
Las clases cuya envolvente conexa no se corte se pueden separar mediante funciones de decisión lineales

16 Espacio de Parámetros Considere dos clases C1, C2 con dos patrones cada una Si las clases son linealmente separables ⇒ encontrar w=(w1,w2,w3)T tal que,

17 Espacio de Parámetros Si se considera el problema en el espacio de los parámetros en lugar del espacio de características. Cada inecuación representa la cara positiva de un plano que pasa por el origen de coordenadas. Cualquier vector w que caiga en la cara positiva de los patrones determinados por la clase 1 y en la negativa de los planos asociados a la clase 2 es solución válida del sistema de inecuaciones.

18 Espacio de Parámetros El número de planos viene limitado por el número de inecuaciones. Esta región (poliedro convexo) se generaliza a (n+1) dimensiones para vectores de dimensión n

19 Funciones de Decisión Generalizadas
Las clases cuya envolvente conexa no se corte se pueden separar mediante funciones de decisión lineales

20 Funciones de Decisión Generalizadas
Generalizar las funciones de decisión lineales Transformando las características x en x* mediante las funciones fi(x), el problema se reduce a una representación lineal.

21 Funciones de Decisión Generalizadas
Funciones de decisión lineales: Funciones de decisión cuadráticas (polinomio de grado 2) De forma lineal,

22 Clasificadores Paramétricos
Visión de Máquina Ingeniería en Automática Industrial

23 Clasificadores Paramétricos
Las funciones de decisión se determinan a partir de las distribuciones estadísticas que caracterizan las clases. Dado un patrón desconocido x, este puede ser clasificado como perteneciente a una clase j de un conjunto de M clases. Esto se puede hacer usando un clasificador estadístico; como el clasificador de Bayes como función discriminante para dividir el espacio de características.

24 Clasificador de Bayes Objetivo: Minimizar la probabilidad de error en la asignación a clases, Pérdida Media en la decisión j = 1, 2,… M

25 Clasificador de Bayes La decisión a tomar es aquella que minimice la pérdida media. Se toma como función de pérdida

26 Clasificador de Bayes Regla de Decisión: Asignar a la clase Cl la que tenga una probabilidad a posteriori mayor. Asignar x a la clase Cj tal que:

27 Clasificadores No Paramétricos Entrenables
Visión de Máquina Ingeniería en Automática Industrial

28 Perceptrón Para n componentes

29 Perceptrón

30 Funciones de Decisión con RN

31 TEMAS DE EXPOSICIÓN TEMA FECHA DE PRESENTACIÓN Visión estéreo
Diciembre 10 Reconstrucción 3D Flujo óptico Diciembre 11 Visual Servoing Filtro de Kalman en el seguimiento de objetos Diciembre 17 Block Matching Lógica difusa y procesamiento de imágenes Diciembre 18