Framework Heurístico para la Implementación de Sistemas Activos de Reconocimiento de Objetos

E. González, A. Adán, V. Feliú

Resumen

Este trabajo presenta un framework para el desarrollo de sistemas activos de reconocimiento de objetos de forma libre. El framework propuesto aborda el problema de incertidumbre presente en los sistemas de reconocimiento de objetos basados en visión monocular mediante un modelo heurístico que permite usar cualquier tipo de vector de características para representar la información de las vistas. De esta manera, se pueden emplear vectores de características que estimen la pose del objeto con mayor precisión que en los tradicionales sistemas estocásticos. La estrategia empleada para el desarrollo del sistema de reconocimiento activo propuesto se basa en agrupar las vistas de los objetos de la base de datos en clusters y, a partir del estudio de la información contenida en ellos, desarrollar de manera eficiente las tareas de clasificación, selección de las posiciones del sensor y el cálculo de la evidencia. El algoritmo de clasificación emplea una máquina de soporte vectorial (SVM) dotando al sistema de reconocimiento de robustez ante pequeñas deformaciones en la apariencia de los objetos por ruido, cambios de iluminación, variaciones en el punto de vista etc. Para la estimación de las posiciones del sensor se utiliza una D-Sphere con el objetivo de reducir la incertidumbre empleando el menor número de movimientos. Además, cada cluster es modelado como una D-Sphere lo que permite de manera off-line evaluar las diferencias de apariencia, entre objetos ambiguos, según el punto de vista desde el que se les observe . Este método ha sido experimentado en un entorno real con un robot manipulador dotado de una webcam en su efector final.

Palabras clave

Reconocimiento de objetos de forma libre; sistema activo de reconocimiento de objetos; SVM; clustering; selección de la próxima vista

Texto completo:

PDF

Referencias

Abdi, H., Williams, L. J., 2010. Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics 2 (4), 433–459.

Borotschnig, H., Paletta, L., Pinz, A., 1999. A comparison of probabilistic, possibilistic and evidence theoretic fusion schemes for active object recognition. Computing 62 (4), 293–319.

Bramao, I., Reis, A., Petersson, K. M., Faísca, L., 2011. The role of color information on object recognition: A review and meta-analysis. Acta Psychologica 138 (1), 244 – 253.

Campbell, R. J., Flynn, P. J., 2001. A survey of free-form object representation and recognition techniques. Computer Vision and Image Understanding 81, 166–210.

Cristianini, N., Shawe-Taylor, J., 2010. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press.

Deinzer, F., Denzler, J., Derichs, C., Niemann, H., 2006. Integrated Viewpoint Fusion and Viewpoint Selection for Optimal Object Recognition. In: British Machine Vision Conference 2006. Vol. 1. pp. 287–296.

Deinzer, F., Denzler, J., Niemann, H., 2003. Viewpoint Selection - Planning Optimal Sequences of Views for Object Recognition. In: Petkov, N., Westenberg, M. A. (Eds.), Computer Analysis of Images and Patterns - CAIP ’03. Lecture Notes in Computer Science. -, pp. 65–73.

Flusser, J., 2000. On the independence of rotation moment invariants. Pattern Recognition 33 (9), 1405 – 1410.

González, E., Adán, A., Batlle, V. F., 2012. 2d shape representation and similarity measurement for 3d recognition problems: An experimental analysis. Pattern Recognition Letters 33 (2), 199–217.

González, E., Adán, A., Feliú, V., 2004. Descriptores de fourier para la identificación y posicionamiento de objetos en entornos 3d. XXV Jornadas de automática.

González, E., Adán, A., Feliú, V., Sánchez, L., June 2008a. Active object recognition based on fourier descriptors clustering. Pattern Recogn. Lett. 29, 1060–1071.

González, E., Adán, A., Feliú, V., Sánchez, L., 2008b. A solution to the next best view problem based on d-spheres for 3d object recognition. In: Proceedings of the Tenth IASTED International Conference on Computer Graphics and Imaging. CGIM ’08. ACTA Press, pp. 286–291.

Gremban, K. D., Ikeuchi, K., 1994. Planning multiple observations for object recognition. International Journal of Computer Vision 12 (2-3), 137–172.

Hu, M.-K., february 1962. Visual pattern recognition by moment invariants. Information Theory, IRE Transactions on 8 (2), 179 –187.

Janoos, F., 2006. A perceptual study of shape metrics.

Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., Wu, A. Y., July 2002. An efficient k-means clustering algorithm: Analysis and implementation. IEEE Trans. Pattern Anal. Mach. Intell. 24, 881–892.

Kopp-Borotschnig, H., Paletta, L., Prantl, M., Pinz, A., 2000. Appearancebased active object recognition. Image Vision Comput. 18 (9), 715–727.

Kovacic, S., Leonardis, A., Pernus, F., 1998. Planning sequences of views for 3-d object recognition and pose determination. Pattern Recognition 31 (10), 1407–1417.

Kragic, D., Christensen, H. I., 2002. Survey on visual servoing for manipulation. Tech. rep., Computational Vision and Active Perception Laboratory.

Liu, C.-H., Tsai, W.-H., May 1990. 3d curved object recognition from multiple 2d camera views. Comput. Vision Graph. Image Process. 50, 177–187.

Rai, P., Singh, S., October 2010. Article:a survey of clustering techniques. International Journal of Computer Applications 7 (12), 1–5, published By Foundation of Computer Science.

Roy, S. D., Chaudhury, S., Banerjee, S., 2004. Active recognition through next view planning: a survey. Pattern Recognition 37 (3), 429–446.

S.A., H., A.C, K., 1999. Strategies Using Dempster-Shafer Belief Accumulation.

Sipe, M. A., Casasent, D., 2002. Feature space trajectory methods for active computer vision. IEEE Trans. Pattern Anal. Mach. Intell. 24 (12), 1634– 1643.

Steinwart, I., Christmann, A., 2008. Support Vector Machines, 1st Edition. Springer Publishing Company, Incorporated.

UCLM, 2011. 3dsl: Dataset object models. URL: http://isa.esi.uclm.es/descarga-objetos-adan/

Yuan, D., Street, W. N., 2007. Hacs: Heuristic algorithm for clustering subsets. In: SDM.

Zahn, C. T., Roskies, R. Z., March 1972. Fourier descriptors for plane closed curves. IEEE Trans. Comput. 21, 269–281.

Zitova, B., Flusser, J., 2003. Image registration methods: a survey. Image Vision ´ Comput. 21 (11), 977–1000.

Abstract Views

420
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912