PDF de programación - Técnicas de inteligencia artificial - Visión Artificial - Reconocimiento de objetos

Técnicas de inteligencia artificial

Visión Artificial

Reconocimiento de objetos

Indice
 Introducción
 Reconocimiento mediante características
 PCA

Introducción
 El reconocimiento de objetos consiste en, dado

algún conocimiento (forma, apariencia, etc.) sobre
uno o varios objetos y una imagen, encontrar qué
objetos están en la imagen y dónde

 El reconocimiento es un proceso difícil debido a:

•Presencia de otros objetos no modelados
•Cambio de iluminación
•Cambio de punto de vista del objeto
•Oclusión
•Escala

Ejemplos: reconociento facial
 Ampliamente extendido: cámaras, Picasa
 http://www.youtube.com/watch?v=ryMR8-9RQpw&feature=related
 Se suele reconocer una posible posición en la

imagen para una cara (mediante color de la piel,
identificación de los ojos, etc.) y luego se reconoce la
persona (con técnicas de aprendizaje)

Reconocimiento con características
 Imaginemos que tenemos una imagen de un objeto

a reconocer (modelo)

 Extraemos, por ejemplo, las características SIFT de
dicha imagen. El objeto ahora es representado por
sus características SIFT

 Ahora tenemos una nueva imagen (escena) donde

queremos “buscar” ese objeto

 Extraemos los SIFT de esta nueva imagen
 Encontramos las correspondencias entre las

características del modelo y de la imagen

euclídea del descriptor

 Para cada característica del modelo:

Reconoc. Características: emparejamiento
 Esto se puede hacer calculando la distancia

Encontramos la característica de la escena cuya
distancia euclídea esté por debajo de un cierto
umbral
Ahora tenemos una correspondencia entre los
descriptores del modelo y de la escena

Reconocimiento características: transformación
 Ahora debemos encontrar la transformación entre

el modelo y la escena

 Para simplificar, vamos a ver cómo se puede

obtener la transformación 2D-2D afín:

donde las variables m son los parámetros de
rotación y escala y los t son los de traslación

Reconocimiento características: transformación

 Tenemos un sistema de varias ecuaciones con varias

incógnitas, reescribimos la ecuación de arriba

 Cada emparejamiento introduce dos nuevas filas a

la primera y última matriz. Nombramos las
matrices como:

Reconocimiento características: transformación

 Tenemos un sistema de varias ecuaciones con varias

incógnitas, reescribimos la ecuación de arriba

 Cada emparejamiento introduce dos nuevas filas a

la primera y última matriz. Nombramos las
matrices como:

Reconocimiento características: transformación
 Resolvemos el sistema anterior mediante mínimos

cuadrados

 Consiste en encontrar la matriz x que minimiza el error

cuadrático medio entre todos los emparejamientos

 Se resuelve este sistema:

Reconocimiento mediante PCA
 PCA (Principal Components Analysis): análisis de

componentes principales

 Reduce la dimensionalidad de los datos de entrada
 Proyecta los datos de entrada en un subespacio
 Este subespacio está creado a partir de los

autovectores de la matriz de covarianza de los datos
de entrada

¿En qué consiste?

PCA
 Tenemos un conjunto de entrenamiento: (para el caso de

imágenes, hacemos la imagen como un vector de una
dimensión)

 Cada elemento es un vector:

 Calculamos la media de todo el conjunto de entrenamiento

 Centramos el conjunto de entrenamiento en el origen

restándole la media a cada elemento

Entrenamiento
 Construimos una BD de imágenes intentando tener
la máxima variabilidad y que el fondo no nos afecte

PCA
 Construimos una matriz donde cada columna es un

elemento del conjunto de entrenamiento:



 Calculamos la matriz de covarianza: (matriz NxN, se

obtiene el mismo resultado con XTX, matriz PxP, que suele
ser de menor tamaño)

 La matriz de covarianza Q tiene P autovalores con sus
correspondientes autovectores (pueden ser calculados
mediante la descomposición SVD (Singular Value
Decomposition))

PCA
 Los autovalores y autovectores crean un nuevo

espacio (autoespacio, eigenspace)

 Cada elemento de entrada (imagen) se puede
escribir en función de dichos autovectores (los
elementos e son los autovectores y g son las
coordenadas del elemento en el nuevo espacio):

Valores medios y autovectores
 El resultado será una imagen media y las
correspondientes imágenes para de cada
autovector. Aquí se muestran ordenadas por su
autovalor asociado

PCA
 Resumen del método:

Calculamos imagen media
Se resta la media a cada imagen
Se construye la matriz de covarianza
Se calculan los autovalores y autovectores de dicha
 La clave de este método es que solo los mayores
autovalores son importantes, es decir, podemos
eliminar la información de los autovalores más
pequeños

matriz

PCA
 Antes teníamos lo siguiente:

 Ahora, si tomamos solo los primero k autovalores y

autovectores

PCA
 Para calcular las coordenadas de una imagen en el

nuevo espacio

Reconocimiento
 Primero calculamos las coordenadas de todas las

imágenes de entrenamiento en el nuevo espacio

 Dependiendo de la aplicación, el proceso de

reconocimiento puede variar
Dada una nueva imagen, calculamos sus
coordenadas en el nuevo espacio
Si se trata de varios objetos o clases distintas,
encontramos a qué elemento (o cluster) del
conjunto de entrenamiento se parece más (está
más cerca)

Reconocimiento de caras

Aplicación: reconocimiento de gestos

 Objetivo: reconocer gestos

 Reconocen gestos con PCA y utilizan un

autómata de estados finitos para reconocer el
gesto

Autovectores de todo el conjunto