RECONOCIMIENTO DE RUTAS DE ESCALADA EN PAREDES DE PIEDRA

Tamaño: px

Comenzar la demostración a partir de la página:

Download "RECONOCIMIENTO DE RUTAS DE ESCALADA EN PAREDES DE PIEDRA"

Mercedes Sosa Aguirre
hace 6 años
Vistas:

1 RECONOCIMIENTO DE RUTAS DE ESCALADA EN PAREDES DE PIEDRA PROCESAMIENTO DE IMÁGENES DIGITALES Curso 2013/2014 Carlos Falgueras García David Solís Martín Adrián Fernández Sola

Escalada deportiva: Tiempo de escalada 20-40 min. Altitud: 40 m.

2 1. Introducción Existen varios tipos de escalada: alpina, en hielo, clasica, artificial, en roca (clasica, psicobloc, deportiva). Escalada deportiva: Tiempo de escalada min. Altitud: 40 m. máximo Se pueden hacer varios largos. Se busca la dificultad: cada vez hacer cosas mas dificiles.

3 1. Introducción En una misma pared pueden existir multitud de rutas de muy diversa dificultad. Lo más común son guías en papel: En ocasiones dificil de determinar que ruta es cada una. Se vuelven obsoletas en poco tiempo.

4 1. Introducción En una misma pared pueden existir multitud de rutas de muy diversa dificultad. Lo más común son guías en papel: En ocasiones dificil de determinar que ruta es cada una. Se vuelven obsoletas en poco tiempo. IDEA: APLICACIÓN MOVIL DE REALIDAD AUMENTADA + RECONOCIMIENTO

5 1. Introducción MOTOR DE RECONOCIMIENTO Preprocesado Puntos carácterísticos Descriptores BD de rutas Buscar emparejamiento

6 1. Introducción MOTOR DE RECONOCIMIENTO Preprocesado: cierre, gauss,... FAST FREAK BD de rutas KNN

7 2. Preprocesado Hemos probado varios tipos de preprocesados para suavizar la imágen, eliminar ruido y, sobre todo, reducir puntos clave. Lo que se traduce en una mejora de la velocidad del algoritmo. Todas las imágenes se pasan a escala de grises, se escalan y se ecualiza su histograma, antes de aplicarle el algoritmo de reconocimiento u otro preprocesado.

8 3. Segmentación Imagen completa: Se obtienen los descriptores sobre la imagen completa..

9 3. Segmentación Subdivisión de la imagen: Se subdivide la imagen en una rejilla y se aplican los algoritmos a cada sección.

10 3. Segmentación Regiones sobre la ruta: Se establece como regiones unos cuadrados de tamaño determinado, centrados en los puntos que conforman la ruta.

4.1. FAST-n FAST es un detector de puntos característicos o píxeles esquina en una imagen. 1. 2. 3. 4. Tenemos un píxel p con intensidad Ip.

11 4.1. FAST-n FAST es un detector de puntos característicos o píxeles esquina en una imagen Tenemos un píxel p con intensidad Ip. Escogemos un umbral de intensidad de valor t. Tomamos un círculo de 16 píxeles, con p como centro. p será un punto de interés si n píxeles contiguos de los 16 anteriores tienen una intensidad de Ip+t o Ip-t

12 4.1. FAST-n Por qué usar Fast-n, para n=12? Porque se pueden excluir un gran número de píxeles candidatos a esquina que no son esquina, aumentando así la velocidad de prueba. Para n<12 el algoritmo no funciona bien porque detecta muchos puntos de interés.

13 4.1. FAST-n Problema: Se detectan múltiples esquinas adyacentes entre ellas. Solución: Se aplica supresión no maximal para desechar los puntos de interés innecesarios.

14 4.1. FAST-n 1. Calculamos una función valor V por cada esquina. 2. Comparamos V1 y V2 de dos esquinas adyacentes p1 y p2, respectivamente. 3. Quitamos el p que tenga el V más pequeño.

15 4.2. FREAK FREAK es un algoritmo de descripción y reconocimiento de puntos clave, que se inspira en la morfología de la retina humana.

16 4.2. FREAK 1. Extracción de descriptor. Se usa una máscara/núcleo para analizar el entorno de un punto clave. Se aplica un filtro de Gauss a cada punto central de la zona. Se calcula la diferencias entre las intensidades de estos centros. Si la diferencia supera cierto umbral, se añadirá un 1 a la cadena de bits que conforma el descriptor.

17 4.2. FREAK 2.Entrenamiento de la red: Se utiliza un conjunto de imágenes de entrenamiento. Se extraen los descriptores de todos los puntos claves de todas las imágenes. Para ello se analizan todas las posibles parejas. Se calcula la media (varianza) de las parejas Se ordenan las parejas y se eligen los cuatro primeros grupos con mayor varianza

18 4.2. FREAK 2.Entrenamiento de la red: Las redes de parejas resultantes guardan relación con la morfología de la retina

19 4.2. FREAK 3. Búsqueda en cascada (sacádica). El ojo humano no se mueve de forma continua por una escena, sino que lo hace a pequeños saltos. Este comportamiento se denomina movimiento sacádico.

20 4.2. FREAK 3. Búsqueda en cascada (sacádica) a) objeto a reconocer Mapa distancias primera iteración b) Mejores resultados en la primera iteración Mapa distancias segunda iteración Objetos reconocidos

21 4.2. FREAK OpenCV no realiza una implementación fiel al algoritmo original Usa una aproximación del filtro de Gauss No está implementada la búsqueda sacádica

22 4.2. FREAK OpenCV no realiza una implementación fiel al algoritmo original

23 4.3. KNN Método de clasificación, que se entrena mediante el aprendizaje basado en un conjunto de entrenamiento. Los ejemplos del conjunto de entrenamiento son vectores multidimensionales.

24 4.3. KNN Entrenamiento: Se almacenan los vectores del conjunto de entrenamiento junto con su clasificación. Clasificación: Un punto es asignado a la clase C si ésta es la clase más frecuente entre los k ejemplos de entrenamiento más cercanos. (Se suele usar la distancia euclídea).

25 5. Entorno y metodología de trabajo Nuestro entorno de trabajo es Visual Studio, trabajando en C# y haciendo uso de librerías de opencv. Vamos a ver de manera práctica cómo se reconocen las rutas de escalada en el programa.

26 6. Resultados y conclusiones El sistema de entrenamiento de FREAK no consigue resultados muy significativos. Los tipos de segmentación propuestos no obtienen el resultado esperados. Los filtros de suavizado como el gausiano, producen los mejores resultados, reduciendo el ruido junto los puntos clave, y mejorando el rendimiento.

27 6. Resultados y conclusiones

28 6. Bibliografía [1] Raphael Ortiz, Pierre Vandergheynst, Alexandre Alahi. Freak: Fast retina keypoint. Technical report, Ecole Polytechnique Federale de Lausanne (EPFL), Switzerland. [2] Reid Porter, Tom Drummond, Edward Rosten. Faster and better: A machine learning approach to corner detection. Technical Report VOL.32 pp , IEEE Trans. Pattern Analysis and Machine Intelligence,2010. [3] Wikipedia. Corner detection. Accedido el 16 Marzo de 2011.

29 6. Bibliografía [4] Wikipedia. Knn. Accedido el 08 Enero de [5] Edward Rosten, Tom Drummond. Fusing points and lines for high performance tracking. Technical Report VOL.2 pp , in Proc. Int. Conf. Computer Vision, Octubre [6] Edward Rosten, Tom Drummond. Machine learning for high speed corner detection. Technical Report VOL.1 pp , 9th Euproean Conference on Computer Vision, Noviembre

30 6. Bibliografía [7] [8] [9]

Documentos relacionados

Visión por computadora Computer vision

Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo: