Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Hands-on Image ProcessingHOIP 2011
Análisis cognitivo de la escena mediante técnicas de procesado de imagen en tiempo real.
5ª Conferencia Internacional sobre Procesamiento de Imágenes y Visión Artificial
2
Índice Introducción.
Detección de personas.
Prestaciones.
Resultados.
Detección de áreas libres de obstáculos.
Caminos libres.
Resultados.
Conclusiones.
3
Introducción
CASBliP: Cognitive Aid System for Blind People. Proyecto Europeo: 6th FP.
4
Introducción
Análisis cognitivo de la escena: Detección de objetos:
Personas, objetos en movimiento.
Detección de caminos libres: Detección de áreas libres de obstáculos Evitar colisiones.
Tiempo real.
5
Detección de personas Métodos de extracción de características:
Características Haar-like Basadas en la diferencia de la intensidad media entre grupos de
pixels adyacentes. Histograms of Oriented Gradients (HOG)
Vector de características que contiene el histograma de los gradientes orientados de cada bloque de pixels.
Métodos de clasificación: Boosting
Cascada de clasificadores Rápidos e imprecisos
Support Vector Machine Dos sets of vectores de datos mapeados a un espacio v-
dimensional, separados mediante hiperplano Alta precisión
6
Bases delalgoritmo
7
Tiempos
Recursos: Mínimo 1Gb RAM, uso 100% tiempo. Procesador 2 GHz. CPU 100% tiempo.
Precisión número etapas, tiempo procesado, detección número etapas, precisión, tiempo procesado Combinación entre precisión y coste temporal
Clasificador Boosting con 40 etapas.
Kernel: gamma=0.17520 etapas 25 etapas 30 etapas 35 etapas 40 etapas 45 etapas
Ada_candid 8.84 4.80 3.24 2.27 1.97 1.64
Ada tiempo 0.0488 0.0484 0.0490 0.0473 0.0492 0.0482
Sift tiempo 0.139 0.064 0.060 0.056 0.047 0.046
SVM tiempo 0.101 0.056 0.05 0.046 0.034 0.034
TOTAL 0.2888 0.1624 0.1590 0.1493 0.1302 0.1282
Resultados
Resultados Secuencia 1
Predicción BoostingSolapando predicciones Boostingcon HOG+SVM
Resultados Secuencia 2
Predicción Boosting Solapamiento predicciones Boostingcon HOG+SVM
10
Detección de áreas libres de obstáculos Robótica y navegación.
Detección y clasificación de obstáculos Detección de áreas libres
Usando imágenes estéreo Suma de Diferencias Absolutas Tiempo de impacto a los objetos de la escena Medida de costes (Travel Cost Map)
Elección del camino con menor coste asociado. Occupancy grids
Verosimilitud de estar ocupado Applicación de umbrales dependientes de la distancia Representación del suelo como una superficie parametrizada
por B-splines
11
Detección de caminos libres
Objetivo: Algoritmo para detectar los caminos libres mediante mapas de disparidad, integrándolo en CASBliP.Detección del espacio libre de obstáculos con
aplicación a la navegaciónTiempo real
Mínimo coste computacional Reutilización de información del sistema: mapas
de disparidad
12
Estereovisión: mapas de disparidad Ejemplos:
0 50 100 150 200 25030
40
50
60
70
80
90
100
110
120
Número de fila
Valo
r del
niv
el d
e gr
is
Imagen cámara izquierda Imagen cámara derecha
Mapa de disparidad Row number
Gre
y le
vel
13
Detección de caminos libres Niveles de disparidad linealmente
decrecientes. Ajuste por mínimos cuadrados a un modelo lineal:
Para reducir coste computacional: Procesamiento del 25% de las filas del mapa de
disparidad. Zona por la que el usuario caminará primero.
Promediado de grupos de píxels
0,)( 110 axaaxP
14
Ajuste de parámetros 3 parámetros a optimizar:Número de columnas a promediar.Umbral del índice de correlación.Umbral del gradiente del ajuste lineal.
Imágenes de entrenamiento: Groundtruth.Cada pixel indica si corresponde a espacio libre o
a objeto.Escenarios comunes en diferentes condiciones
de iluminación Coches, peatones, caminos libres, paredes,
postes…
15
Ajuste de parámetros Medida objetiva de las prestaciones:
Precision: proporción de True Positives para las detecciones de camino libre.
Accuracy: proporción de detecciones correctas (tanto True Positives como True Negatives).
Nuevo estadístico para medirlas conjuntamente:
TP = ‘True Positives’, FP = ‘False Positives’, TN = ‘True Negatives’, FN = ‘False Negatives’
FPTPTPP
FNFPTNTPTNTPACC
2ACCPPACC
16
Resultados
Prestaciones: Precision: 0.9926 Accuracy: 0.7121 PACC: 0.8523
Procesado en tiempo real: Tprocesado < 40ms
17
Conclusiones y trabajo futuro Trabajo futuro (personas):
Métodos de tracking: suavizado de trayectorias de cada candidato
Filtrado de Falsos Positivos de aparición repentina Base de datos: Mejora mediante la inclusión de más muestras y
mejora de las prestaciones de la SVM
Trabajo futuro (áreas libres): Mejora de las prestaciones del algoritmo. Inclusión de coherencia temporal.
Hands-on Image ProcessingHOIP 2011
Análisis cognitivo de la escena mediante técnicas de procesado de imagen en tiempo real.
5ª Conferencia Internacional sobre Procesamiento de Imágenes y Visión Artificial