Visión SURF

7/25/2019 Visin SURF

1/10

UNIVERSIDAD POLITCNICADE MADRID

MASTER EN AUTOMTICA Y ROBTICA

MADRID, 13 DE ENERO DE 2016

VISIN POR COMPUTADORGABRIEL VINICIO MOREANO SANCHEZ

NMERO DE MATRCULA: M15128TRABAJO DE LA ASIGANTURA


2/10


3/10

Visin por Computador

Figura 1. a) Imagen original adquirida con la cmara. B) Imagen despus de realizado el

algoritmo descrito.

Para el conteo de objetos se utiliza la diferencia de colores de gran tamao que tiene la

imagen y para la deteccin de bordes se hace un barrido de los cambios de color entre

un pixel y su vecindad.

3.1.- Dificultades del mtodo

Inestabilidad en la captacin, es decir, que est muy ligado al posicionamiento

de la cmara y del fondo, si se captan partes de que no pertenezcan al fondo

verde puede dar problemas en el conteo de piezas. Dificultad de iluminacin, puede variar los bordes de las fichas.

Dificultad para identificar las fichas, se puede utilizar un sistema de colores que

implicara conocer la mayora de color en cada ficha, o un sistema de superficie

que tambin implicara conocer las superficies de todas las fichas. EL problema

en ambas posibilidades es que se tiene demasiada ambigedad entre las fichas

ya que todas tienen una superficie parecida y mezcla de colores tambin similar.

4.- Detectores y descriptores

4.1.- Introduccin

Una imagen proporciona mucha informacin, parte de la cual puede no ser til, cuando

hablamos de caractersticas, nos referimos a cualquier informacin que nos permita

tratar la imagen de manera reducida: aristas, esquinas, etc. En la literatura, las

caractersticas visuales hacen referencia a ciertos elementos de la imagen con dos

componentes:

Un punto en la imagen. Se suele usar el trmino detector, el detector hace una

interpretacin e informa cobre algn punto de inters de la imagen.


4/10


Cierta informacin extrada de la vecindad del punto, se usa el trmino

descriptor, el descriptor codifica la informacin interesante.

Existen multitud de mtodos de deteccin de caractersticas y algunos menos de

descriptores. Tanto los detectores como los descriptores deben ser invariantes a escala,

posicin, luminosidad y rotacin lo que brinda mayor robustez en comparacin a una

tcnica de pre-procesamiento y es muy comn que se utilicen para encontrar

correspondencias entre imgenes (estreo, flujo ptico, reconocimiento de objetos)

Los mtodos conocidos son:

SIFT

SURF

FAST

MSER

ORB

4.1.2.- SURF

De sus siglas en ingles Speeded-Up Robust Features (Caractersticas Robustas

Aceleradas), es un mtodo de deteccin y descripcin de caractersticas de imgenes

que se basa en la deteccin de puntos de inters, este mtodo es muy similar al mtodo

SIFT con la ventaja de tener una mayor velocidad de procesamiento y mayor eficacia de

deteccin, factor por el cual se decidi usar este mtodo para el presente trabajo.

El detector SURF para promediar la imagen utiliza un filtro de caja (box filter) intentando

encontrar un mnimo o mximo entre escalas. El filtro de caja puede ser calculado

eficientemente con una imagen integral.

La imagen integral es la suma de la imagen original dentro de un rectngulo D de la

imagen. I (x, y) sumada sobre el rea seleccionada requiere 4 evaluaciones de S (x, y) (A,

B, C, D) (ver Figura 2).

Figura 2. Imagen integral.


5/10


Un ejemplo del filtro de caja se puede ver en la Figura 3.

Figura 3. Ejemplo funcionamiento filtro de caja.Surf cambia el tamao del filtro a aplicar, acelerando considerablemente el resultado,

es importante saber que se pueden aplicar filtros en paralelo (GPUSurf). Se calculan

mximos y mnimos igual que con el detector SIFT.

Para la orientacin SURF tambin usa la imagen integra, determina las caractersticas

Haar, que es una forma rpida de calcular el gradiente, esto se hace para cada punto del

entorno del punto de inters y ya que el entorno cambia en funcin de la escala en la

que se haya encontrado la caracterstica se puede determinar la orientacin de la

imagen.

El descriptor busca proporcionar una descripcin nica y robusta de un conjunto.

Describe la distribucin de intensidad del contenido dentro del punto de inters de los

puntos vecinos. Es generado basndose en el rea circundante de un punto de inters,

por lo que, realmente, se obtiene un vector descriptor para cada punto de inters.

La dimensin del descriptor tiene un impacto directo con el tiempo de adquisicin que

se toma. De modo que, pocas dimensiones son indeseables por el "matching"

(correspondencias) de los puntos de inters, aunque proporciona menos distinciones

que una dimensin mayor.

4.2.- Utilizacin del modelo SURF con Matlab

Matlab incorpora en su toolbox de visin por computador todas las herramientas

necesarias para desarrollar un programa en base a la deteccin de puntos de inters por

el modelo SURF, en el presente trabajo se utiliz esta herramienta y vamos a observar

paso a paso como se hace la deteccin y correspondencia de pares de puntos.

El algoritmo completo de adquisicin e identificacin de caractersticas cumplen la

siguiente secuencia, se incluir el cdigo en Matlab para cada paso realizado.


6/10


1. Adquisicin de imagen de referencia y transformacin a escala de grises, Figura

4.

Figura 4. Imagen referencial del objeto a identificar.

2.

Obtencin de las caractersticas por el mtodo SURF de la imagen referencial,Figura5.

Figura 5. Caractersticas de inters de la imagen referencial.

%% Leer pieza de base de datos% la letra O sigifica que es la imagen de la base de datos

pieza1O = imread('pieza5.jpg'); % leerpieza1OG = rgb2gray(pieza1O); % A escala de grisespuntos1O = detectSURFFeatures(pieza1OG); % Caractersticas SURF[Cp1O,Pp1O] = extractFeatures(pieza1OG,puntos1O); % Arreglo de

caracterisiticas y puntos clavefigure, imshow(pieza1O); % Muestra imagen originalhold on; plot(puntos1O.selectStrongest(50)); % Muestra puntos del SURF

En la figura 6 se puede observar los cuadros de 25 caractersticas obtenidas, para poder

conocerlas con ms detalle.

Figura 6. 25 caractersticas de la imagen referencial.


7/10


%% Muestra caractesticas individualesfigure;subplot(5,5,3); title('Primeros 25 puntos clave')fori = 1:25

escala = puntos1O(i).Scale;imagen = imcrop(pieza1O,[puntos1O(i).Location-10*escala 20*escala20*escala]);

subplot(5,5,i);imshow(imagen);hold on;rectangle('Position',[5*escala 5*escala 10*escala

10*escala],'Curvature',1,'EdgeColor','g');end

3. Adquisicin de la escena mediante la cmara, obtencin de caractersticas con

el mismo proceso del punto dos, Figura 7.

Figura 7. Escena nueva y obtencin de caractersticas.

%% Adquiriendo nueva imagenpieza1 = getsnapshot(camara);pieza1G = rgb2gray(pieza1);puntos1 = detectSURFFeatures(pieza1G);[Cp1,Pp1] = extractFeatures(pieza1G,puntos1); % Arreglo de

caracterisiticas y puntos clavefigure, imshow(pieza1); % Muestra imagen originalhold on; plot(puntos1.selectStrongest(300)); % Muestra puntos del SURF

4. Correspondencia de puntos de inters entre los puntos de la imagen referencial

y la imagen adquirida de la cmara, Figura 8.

Figura 8. Correspondencia de puntos.


8/10


pares = matchFeatures(Cp1O,Cp1); % busca correspondenciasPtsCO = Pp1O(pares(:,1)).Location; % obtiene la localizacin puntosPtsC = Pp1(pares(:,2)).Location; % obtiene la localizacin puntosfigure, showMatchedFeatures(pieza1,pieza1O,PtsC,PtsCO,'montage')

%dibuja las coincidencias

5. Eliminacin de falsas correspondencias, Figura 9.

Figura 9. Eliminacin de falsas correspondencias.

Para la eliminacin de falsas correspondencias se utiliza el mtodo RANSAC que permite,

de manera iterativa, estimar los parmetros de un modelo de manera robusta. Matlab

incluye una instruccin para la elaboracin del modelo y la creacin de la matriz de la

matriz rotacin.

%% (Transformacin Geomtrica para asegurar coincidencias)gte = vision.GeometricTransformEstimator; %inicializan RANSACgte.Method = 'Random Sample Consensus (RANSAC)';[MatrizdeTrans,identificacion] = step(gte,PtsCO,PtsC);%Matriz RotacinPtsRansacO = PtsCO(identificacion,:); %arma nuevo vector de puntosPtsRansac = PtsC(identificacion,:); %arma nuevo vector de puntosfigure,

showMatchedFeatures(pieza1,pieza1O,PtsRansac,PtsRansacO, 'montage')

%dibuja las coincidencias nuevas

6. Localizacin e Identificacin del objeto en la escena, Figura 10.

Figura 10. Localizacin e identificacin del objeto.


9/10


%% Seleccionar las esquinas (bordes de la pieza) para localizarlaforma = maketform('affine',double(MatrizdeTrans));[ancho,largo,aux] = size(pieza1O);esquinas = [0,0;largo,0;largo,ancho;0,ancho];

esquinasNuevas = tformfwd(forma,esquinas(:,1),esquinas(:,2));figure,imshow(pieza1);patch(esquinasNuevas(:,1),esquinasNuevas(:,2),[0 1

0],'EdgeColor','green','FaceColor','none','LineWidth',2);

5.- Desarrollo del programa

Por lo expresado en el apartado 3 y las caractersticas robustas que entrega el mtodo

SURF ante cambios de escala, iluminacin y orientacin se decidi realizar el trabajo en

base a este modelo. El programa desarrollado se trata de una interfaz de usuariodesarrollada en Matlab como se ve en la Figura 11, los pasos del funcionamiento del

programa son:

1. Configuracin de la cmara.

En este punto se despliega un men para escoger la cmara que se usar en la

aplicacin y bajo que parmetros de resolucin se utilizar.

Figura 11. Interfaz de Usuario del Programa.

2. Activar la cmara en funcin de video para poder observar el espacio de trabajo

en tiempo real.

3. La deteccin se realiza en base a coincidencias entre pares de puntos

pertenecientes a una base de datos de dos puzzles distintos y la imagen actual

de la cmara.

4. La identificacin se realiza automticamente y de forma continua.

5. Se puede detener la identificacin de piezas cuando se considere oportuno.


10/10


6.- Conclusiones y Recomendaciones:

La visin por computador ha alcanzado niveles muy altos en los ltimos aos ypor tanto se dispone muchas herramientas computacionales y tcnicas a fin de

desarrollar aplicaciones basadas en visin por computador, lo mejor es intentar

identificar la herramienta adecuada para cada tarea que se desee realizar.

Los algoritmos de visin por computador son tericamente los mismo para los

paquetes computacionales ms populares Matlab y Open CV diferencindose

nicamente en como cada paquete usa sus instrucciones para cumplir dichos

algoritmos.

La iluminacin es un factor sumamente importante para una aplicacin de visinpor computador ya que puede afectar a la deteccin de caractersticas como

ayudar tambin en casos de deteccin de bordes, el color de la luz tambin

infiere sobre el trabajo y se debe cuidar este aspecto con mucha seriedad.

7.- Bibliografa:

https://moodle201314.ua.es/moodle/pluginfile.php/70421/mod_page/content/15/4.%20caracter

C3%ADsticas3D.%20Ransac.pdf Index de Matlab y Guide.

Visión SURF

Documents

Transcript of Visión SURF