Classe 9 Visió

20391: Visió per Computador
Apunts de l’assignatura

Classe 9
Reconeixement
d’Objectes (I)

Jordi Vitrià 20391: Visió per Computador 1


Quin és el problema?

Problema: Equivalència entre estímuls.

1 objecte ↔ ∞ imatges
Causes: escala, orientació, etc. Cal trobar característiques
invariants!




Problema: Equivalència entre estímuls
(il·luminació).





En alguns casos podem trobar mecanismes
simples de reconeixement associats a
característiques més o menys simples de les
imatges i que constitueixen senyals no ambigus
de la presència de l’objecte.

Però en la majoria dels casos no hi ha una altre
camí que l’aprenentatge de descripcions
complexes.





“The Cubist are destined... To give back
to painting its true aim, which is to
reproduce... objects as they are.
Lighting must be eliminated because ... it
is the sign of a particular instant... As
well, perspective must be eliminated
because ... it is accidental a think like
lighting”

J.Rivière. Present tendencies in painting.
Revue d’Europe et Amérique, Paris, March 1912.




Diferència entre classificar i identificar.




Perquè és útil el reconeixement de classes?

Reconeixement de nous objectes dins d’una classe:
• Podem inferir les propietats (usos, perills, …) de coses que no
hem vist mai! (Imaginem el primer europeu que va veure un
tigre!);
• Restringeix el nombre de models per identificar (indexació);
• Permet l'ús d’informació específica de la classe per identificar
(p.e. neutralitzar expressions facials);
• Fa possible la generalització des d’informació molt parcial
(p.e. La Mona Lisa!).




(Alguns) Mètodes:

Classificació de les característiques de la imatge.

Ajust de Models geomètrics a la imatge.

Aparença o reconeixement basat en vistes.


Mètodes

Classificació de les característiques de la
imatge.
Objectiu: Definir un espai de característiques de la
imatge que permeti representar els objectes a partir
del seu aspecte (o d’un conjunt de característiques
locals) en la imatge.
Hi ha 3 parts:

• Definició d’una representació adequada. Normalment
intentarem reduir la dimensió de les dades de forma que es
conservin les invariancies i s’eliminin les altres dimensions.

• Aprenentatge, a partir d’un conjunt d’exemples.

• Reconeixement, a partir del model après.

Mètodes



Mètodes


Classificació entre túbul i interstici en una biòpsia
renal a partir de característiques texturals.


Mètodes


Usarem com a operacions bàsiques la dilatació (∂ B (k ))
i erosió (ε B (k )) morfològiques
amb elements estructurants que són cercles de radi k:
B(k )

La seva combinació crea una nova operació:
l’apertura.

I o B(k ) = δ B ( k ) (ε B ( k ) ( I ))


Mètodes

Efecte de l’apertura en una imatge:


Mètodes


Llavors definim per a cada punt (x,y) de la imatge el
següent vector:
G ( x, y ) = {vol ( I o B(1)) − vol ( I o B(2)),K,
vol ( I o B( n − 1)) − vol ( I o B( n ))}
On vol ( I ( x, y )) = ∑ I ( x '− x, y '− y )
( x , y )∈B ( n )

Aquest vector, que anomenem GRANULOMETRIA (o
la seva derivada!) representa el comportament de
l’entorn de cada punt respecte a l’operació apertura, i
és un bón descripció de textura!


Mètodes



Mètodes
Resultat de classificar la granulometria de cada punt
amb una xarxa neural.


Mètodes

Classificació de les característiques de la imatge: SEEMORE.


Mètodes



Mètodes

Ajust de Models Rígids.

Disposem d’una mostra de
l’objecte, en forma de de
corba o de model de “filferro”
+ les transformacions que són
admissibles.


Mètodes

Ajust de Models Rígids.

Correspondència: Donada una imatge, hi ha molts
llocs i moltes maneres per a provar de fer
correspondre l’objecte!

Representació: Com representem internament els
objectes per a que el procés de correspondència sigui
eficient? Un model per a tot? Un model per a cada
vista?...

Semblança: Com decideixo que he trobat una
correspondència?


Mètodes

Ajust de Models Rígids: Reconeixement per
alineació.

Es basa en buscar la correspondència entre una vista
2D d’un objecte rígid i un model 3D. L’objecte vist pot
tenir una posició 3D, orientació i escala arbitràries, i
pot estar semiocult.

Dividim el problema en dos parts:
• Aliniació
• Transformació i comparació.


Mètodes

Ajust de Models Rígids: Reconeixement per alineació.

Alineació del model amb la imatge a partir d’un
conjunt reduït de punts del model i de la imatge.

Si assumim que l’objecte es pot representar bé amb
una “projecció ortogonal+escala”, llavors es pot
demostrar que:

“..donats tres punts del model sobre un pla
paral·lel al pla imatge i tres punts a la imatge, hi
ha una única transformació que posa en
correspondència els punts del model i els de la
imatge”.


Mètodes


Imatge model i punts Punts característics Resultats amb un
característics detectats en una nivell de semblança
escena. suficient.
Hi ha forces
correspondències
possibles!


Mètodes



Mètodes


Però, com comparem?
Hi ha diverses solucions: funció distància entre
característiques binàries.

A cada punt de la imatge li assignem un valor
equivalent a la distància que hi ha entre aquest
punt i la característica més propera.

Quan projectem les característiques del model,
sumem els valors de la funció distància del píxels
sobre els que han caigut les característiques. Com
menor sigui el valor, més correspondència!


Mètodes

Un cas interessant: detecció de cares.
Processament de cares:

Detection i tracking

Alineament i
normalització.

Representació i modelat
d’identitats.


Mètodes
cares

La imatge es divideix en un gran conjunt de Calculem mesures locals
finestres (solapades). Cada finestra és classificada
a la imatge
com a “cara” o “no cara”, basant-se en un conjunt
de mesures locals.

Classificador
Cara/No cara


Mètodes

cares
Partim d’un GRAN conjunt d’exemples
i contraexemples.


Mètodes


Estratègia:

Preprocessament &
Normalització de mida

Canonical Face Pattern
Model

Finestra analitzada
Comparació

Finestra normalitzada

Classificador Cara/No Cara


Mètodes



Classe 9 Visió

Recomendados

Recomendados

Más contenido relacionado

Más de Universitat de Barcelona

Más de Universitat de Barcelona (6)

Classe 9 Visió