Professional Documents
Culture Documents
9. Reconocimiento de objetos
Nota: Las imágenes que aparecen en esta presentación provienen del libro:
Sistemas de Percepción
Visión por Computador: fundamentos y métodos. Arturo de la Escalera
Arturo de la Escalera Hueso. Prentice Hall. José María Armingol
Extracción de Segmentación
características
Transformaciones
morfológicas
Preprocesamiento
Descripción de
objetos
Información sobre
Adquisición de el problema a resolver Reconocimiento o
la imagen clasificación
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
1
16/07/2010
Reconocimiento de patrones
R2 R3
1.94 E-1 2.08 E-1
6.53 E-3 1.56 E+0
1.02 E-3 0.00 E+0
4.56 E-5 0.00 E+0
4.25 E-9 0.00 E+0
1.70 E-6 0.00 E+0
-8.85 E-9 0.00 E+0
C2
fd
O2
O1
C 1
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Reconocimiento de patrones
Imagen
Detector de Descriptor
características de objetos
Características Descriptores
Fomación de
hipótesis
Posibles Clasificador
candidatos
Base de
datos
2
16/07/2010
Reconocimiento de patrones
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Características: propiedades
• Discriminación
• Fiabilidad
• Independencia
• Número
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
3
16/07/2010
Características
• Entrenamiento
•Validación
•Aprendizaje
•Memorización
•Generalización
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Enfoques
• Reconocimiento estadístico
• Reconocimiento sintáctico
• Support Vector Machines
• Reconocimiento mediante redes de neuronas
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
4
16/07/2010
Función
discriminante
fd
C2
Objeto a
clasificar
O
*
O2 Vectores
prototipo
O1
C1
Características
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Reconocimiento probabilístico
C2 C2
C1 C1
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
5
16/07/2010
Reconocimiento probabilístico
f1(x)
f2(x)
42.0
d() “x es de tipo 3”
1 f3(x)
x=
...
-2
... Regla de
Clase
decisión
Vector de
fm(x)
características
Distancias/probabilidades para las
m clases
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Reconocimiento probabilístico
• Información previa
Probabilidad de que en la clase
i se de un vector de
características X
p X ai
• Medición
El objeto tiene un vector de
características X
• Lo que queremos saber
Probabilidad de que el objeto
de vector de características X P ai X
pertenezca a la clase i
• Teorema de Bayes
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
6
16/07/2010
Clasificador Bayesiano
P( X | a i ) p(a i )
P(a i | X )
p( X )
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Probabilidades a posteriori
1,20
1,00
0,80
0,60
0,40
0,20
0,00
7
16/07/2010
Mínimo coste
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Función discriminante
gi ( X ) P(ai | X )
P( X | a i ) p(a i )
gi ( X )
p( X )
gi ( X ) P( X | ai ) p(ai )
gi ( X ) log P( X | ai ) log p(ai )
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
8
16/07/2010
1 1
p( X ) 1
t
n 1
exp 2 X X
2 2 2
Función discriminante
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Distancia de Mahalanobis
r 2 X 1 X
t
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
9
16/07/2010
r 2 X 1 X
t
x1 1 x2 2
2 2
r
2
21 22
x1 1 x2 2
2 2
r
2
2
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Reconocimiento probabilístico
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
10
16/07/2010
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
C2 fd
O
d2 d1
S2
O1 S1
O2
R2 R1
C1 Sistemas de Percepción
Arturo de la Escalera
José María Armingol
11
16/07/2010
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
MD
RB Sistemas de Percepción
Arturo de la Escalera
José María Armingol
12
16/07/2010
C
2
C 2
O 2
d
2 O
O
2
d
2
O
d 1 d 1
O 1 O 1
C
1
C
1
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Covarianzas idénticas
C2
fd
R1
R2
C
1
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
13
16/07/2010
P12
1
2
P23
1
P13
1 2
3
3 2
3
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
14
16/07/2010
Caso general
VarC2(a1)= VarC2(a2)
VarC1(a1)<< VarC1(a2)
(parábolas)
VarC2(a1)>> VarC2(a2)
VarC1(a1)<< VarC1(a2)
(hiperparábola)
VarC2(a1)>> VarC2(a2)
VarC1(a1)<< VarC1(a2)
(dos rectas)
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Agrupamiento (Clustering)
• El método de la distancias euclidea y el
Bayesiano suponen conocidas todas las
clases
• Los algoritmos de agrupamiento
(clustering) dejan que los datos se
organicen solos
Algoritmo de las distancias encadenadas
Algoritmo Min-Max
Algoritmo K-medias
Algoritmo ISODATA
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
15
16/07/2010
C 1
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
16
16/07/2010
Algoritmo Max-Min
• Se tiene una serie de objetos a clasificar, O1, O2,... On y se
escoge uno al azar, Oi , que se elegirá como primera clase
• Se obtiene la distancia euclídea del resto de los elementos y se
elige el que está más lejano como segunda clase
• Se obtienen las parejas de distancias entre los N-2 puntos
restantes y las dos clases anteriores
• Para cada elemento se toma la mínima de las dos
• De entre ellas se elige la máxima, que si es mayor a un tanto por
ciento de la distancia entre las dos clases se elegirá a dicho
elemento como prototipo de una tercera
• El proceso se vuelve a realizar solo que tomando tres distancias y
obteniéndose la cuarta clase
• Cuando no se obtengan más clases se ordenan el resto de los
objetos según el criterio de mínima distancia.
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
Algoritmo Max-Min
C 2 C
2
dmin
C1 C 1
C 2
Sistemas de Percepción
C 1
Arturo de la Escalera
José María Armingol
17
16/07/2010
Algoritmo K-medias
• Este algoritmo parte del conocimiento a priori del número de clases
pero no de sus características
• De entre la serie a clasificar, O1, O2,... On se escogen K
elementos que constituyen los centroides de cada clase
• El resto de los elementos se asignan a cada clase siguiendo el
criterio de mínima distancia
• Se calculan los centroides de cada clase
• Se vuelven a asignar, ahora todos los elementos, a cada clase con
el criterio de mínima distancia (a los nevos centroides)
• Se vuelven a calcular los centroides
• Si no varían se considera que el algoritmo a terminado, si no, se
vuelve a repetir los pasos
Sistemas de Percepción
Arturo de la Escalera
José María Armingol
ISODATA
Se escogen
K elementos
Algoritmo K-medias
Los elementos se asignan
según mínima distancia
Se eliminan clases con
pocos elementos
Se recalculan los
centroides
Nº clases
mayor de lo
esperado
División Unión
18