Reconeiximent d'objectes

El reconeiximent d'objectes en visió per computadores és la tasca per a trobar i identificar objectes en una image o seqüència de video. Els humans reconeixem una multitut d'objectes en imàgens en poc esforç, a pesar del fet que l'image de l'objecte pot variar una miqueta en diferents punts de vista, en diferents tamanys o escala i inclús quan estan traslladats o rotados. Els objectes poden ser reconeguts quan estan parcialment obstruïts des d'una vista. No obstant esta tasca és un desafiu per als sistemes de visió per computadores. Per a este problema s'han implementat molts métodos durant múltiples décades.

Aproximació basada en models d'objectes com CAD

• Detector de vores
• Primal sketch
• Marr, Mohan and Nevatia
• Lowe
• Olivier Faugeras

Reconeiximent per parts

• Cilindres Generalisats (Thomas Binford)
• Geons (Biederman)
• Dickinson, Forsyth and Ponce

Métodos basats en apariència

- Usa imàgens d'eixemple (cridades plantilles o prototips) dels objectes per a realisar

- Els objectes es veuen diferents baixe una varietat de condicions:

• Canvis en l'allumenament o color
• Canvis en la direcció d'observació
• Canvis en tamany / forma

- És improvable per a un sol prototip tindre èxit de font fidedigna. No obstant és impossible representar totes les apariències d'un objecte

1. Emparejamiento de vores

• Usa tècniques de detecció de vores, tals com Algoritme de Canny, per a trobar les vores.
• Canvis en l'allumenament i color usualment no té molt efecte en les vores de l'image
• Estratègia:

1. Detecta vores en la plantilla i l'image
2. Compara les vores de l'image per a trobar la plantilla
3. Deu considerar el ranc de les possibles posicions de la plantilla

• Mida:

• Bo – conta el número de vores superpostes. No és robust a canvis en la forma
• Millor – Conta el número d'pixel de la vora de la plantilla en alguna distància d'una vora en l'image de busca
• Òptim – Determina la distribució de provabilitat de la distància per a la vora pròxima en l'image de busca (si la plantilla esta en posició correcta). Estima la provabilitat de cada posició de la plantilla generant image

2. Busca Dividix i Venceràs

• Estratègia:

• Considera totes les posicions com un conjunt (una cela en l'espai de les posicions)
• Determina el bot menor en la puntuació en la millor puntuació de la cela
• Si el bot és molt llarc, poda la cela
• Si el bot no és molt llarc dividix la cela en subceldas i tractes cada subcelda recursivamente
• Pares quan la cela siga “suficientment menuda”

• Distint a la busca multi-resolució, esta tècnica garantisa trobar totes les parelles que complixquen el criteri (assumint que el menor bot és exacte)

• Trobant el bot:

• Per a trobar el menor bot sobre la millor puntuació, considerant la puntuació per a la posició de la plantilla representada pel centre de la cela
• Sostraga el canvi màxim de la posició “central” per a qualsevol posició en la cela(ocorre en els cantons de la cela)

• Les complexitat es generen a partir de la determinació dels bots en la distància

3. Emparejamiento per escala de grises

• Els cantons són (en la seua major part) robust a canvis en l'allumenament, no obstant desperdicien molta informació
• Deus computar la distància d'pixel com una funció de la posició de l'pixel i l'intensitat del

mateix * Pot ser aplicat a imàgens en colors també

4. Emparejamiento del gradient

• Una atra forma de ser robust als canvis de l'allumenament sense desperdiciar molta informació per a comparar el gradient de les imàgens
• El emparejamiento es realisa com el emparejamiento per escala de grises
• Alternativa simple: Usa la correlació (normalisada)

5. Histograma de les respostes receptives del camp

• Evita explícits camps de correspondència
• Relaciones entre distints punts de l'image implícitament codificat en les respostes receptives del camp

• Swain and Ballard (1991), Schiele and Crowley (2000), Linde and Lindeberg (2004, 2012)

6. Grans modelbases

• Un acostament cap a la busca eficient de la base de senyes per a una image específica per a usar eigenvectors de les planillas (cridats eigenfaces)
• Modelbases són una colecció de models geomètrics de l'objecte que vols reconéixer

Vore també

• OpenCV
• Scale-invariant feature transform (SIFT)
• SURF

Bibliografia

• Elgammal, Ahmed "CS 534: Computer Vision 3D Model-based recognition", Dept of Computer Science, Rutgers University;
• Hartley, Richard and Zisserman, Andrew "Multiple View Geometry in computer vision", Cambridge Press, 2000, ISBN 0-521-62304-9.
• Roth, Peter M. and Winter, Martin “Survey of Appearance-Based Methods for Object Recognition”, Technical Report ICG-TR-01/08, Inst. for Computer Graphics and Vision, Graz University of Technology, Àustria; January 15, 2008.
• Collins, Robert "Lecture 31: Object Recognition: SIFT Keys", CSE486, Penn State
• IPRG [1] archivat en Wayback Machine. Image Processing - Online Open Research Group
• O. Ahmad, J. Debayle, and J. C. Pinoli. "A geometric-based method for recognizing overlapping polygonalshaped and semi-transparent particles in gray tone images", Pattern Recognition Letters 32(15), 2068–2079,2011.
• O. Ahmad, J. Debayle, N. Gherras, B. Presles, G. Févotte, and J. C. Pinoli. "Recognizing overlapped particles during a crystallization process from in situ video images for measuring their size distributions.",In 10th SPIE International Conference on Quality Control by Artificial Vision (QCAV), Saint-Etienne, France,June 2011.
• O. Ahmad, J. Debayle, N. Gherras, B. Presles, G. Févotte, and J. C. Pinoli. "Quantification of overlapping polygonal-shaped particles based on a new segmentation method of in situ images during crystallization.",Journal of Electronic Imaging, 21(2), 021115, 2012.
• This outline displayed as a mindmap, at wikimindmap.com
• Scholarpedia article on scale-invariant feature transform and related object recognition methods