9 Reconocimiento

16/07/2010
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
Etapas de una aplicación

Visión de bajo nivel Visión de alto nivel
Extracción de Segmentación
características
Transformaciones
morfológicas
Preprocesamiento
Descripción de
objetos
Información sobre
Adquisición de el problema a resolver Reconocimiento o
la imagen clasificación
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
Imagen
Detector de Descriptor
características de objetos
Características Descriptores
Fomación de
hipótesis
Posibles Clasificador
candidatos
Base de
datos
Clasificación Sistemas de Percepción

del objeto José María Armingol
2
16/07/2010
• Es la última etapa dentro de un sistema

de visión por computador
• A partir de las características
encontradas y de los posibles objetos
se clasifican los que hay presentes en
la imagen
• Es lo más complejo y difícil y a menudo
se realizan fuertes simplificaciones para
que funcione con éxito
Características: propiedades
• Discriminación
• Fiabilidad
• Independencia
• Número
3
16/07/2010
Características
• Entrenamiento
•Validación
•Aprendizaje
•Memorización
•Generalización
Enfoques
• Reconocimiento estadístico
• Reconocimiento sintáctico
• Support Vector Machines
• Reconocimiento mediante redes de neuronas
4
16/07/2010
Espacio de características y función discriminante
Función
discriminante
fd
C2
Objeto a
clasificar
O
*
O2 Vectores
prototipo
O1
C1
Características
Reconocimiento probabilístico
C2 C2
C1 C1
5
16/07/2010
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
• 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
6
16/07/2010
Clasificador Bayesiano
P( X | a i ) p(a i )
P(a i | X ) 
p( X )
Probabilidades a posteriori
1,20
1,00
0,80
0,60
0,40
0,20
0,00
p(a 1 )  0.5 p(a 2 )  0.5

p(a 1 )  0.33 p(a 2 )  0.66
p(a 1 )  0.25 p(a 2 )  0.75
7
16/07/2010
Mínimo coste
¿Qué ocurre si el coste de equivocarse muy

distinto al de acertar?
R(a1 | X )  11P(a1 | X )  12 P(a 2 | X )

R(a 2 | X )  21P(a1 | X )  22 P(a 2 | X )
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 )
8
16/07/2010
La función de densidad normal
1  1 
p( X )        1
   
t
n 1
exp  2 X X 
 2  2  2
Función discriminante
gi ( X )  log P( X | ai )  log p(ai )
Distancia de Mahalanobis
gi ( X )  log P( X | a i ) log p(a i )
r 2   X     1  X   
t
9
16/07/2010
Características independientes y desv.típicas iguales
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
• Criterio: distancia euclídea

• Es determinísta y a priori
 Determinísta: se considera que los diversos
patrones tomarán valores fijos (existen
unos valores nominales y los verdaderos no
se alejarán)
 A priori: se supone el conocimiento de toda
la información necesaria y suficiente para la
clasificación (todos los posibles objetos)
10
16/07/2010
Reconocimiento mediante la distancia euclídea
• El vector prototipo de características es la

media
• Exige una dispersión pequeña respecto a
cada patrón prototipo
• Como medida de distancia se usa la euclídea:
Clas. Bayesiano-FD Normal

Características independientes y desv.típicas iguales
C2 fd
O
d2 d1
S2
O1 S1
O2
R2 R1
C1 Sistemas de Percepción
11
16/07/2010
Mínima distancia y reconocedor bayesiano
Mínima distancia y reconocedor bayesiano
MD
RB Sistemas de Percepción
12
16/07/2010
Reconocimiento mediante el N-vecino más próximo
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
Covarianzas idénticas
C2
fd
R1
R2
C
1
13
16/07/2010
Mínima dist. De Mahalanobis
P12
1
2
P23
1
P13
1 2
3
3 2
3
Caso general- Var1 < Var2
Varianzas para las dos

características iguales
Una varianza es mayor

que la otra
14
16/07/2010
Caso general
VarC2(a1)= VarC2(a2)
VarC1(a1)<< VarC1(a2)
(parábolas)
VarC2(a1)>> VarC2(a2)
(hiperparábola)
VarC2(a1)>> VarC2(a2)
(dos rectas)
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
15
16/07/2010
Algoritmo de las distancias encadenadas
• Se tiene una serie de objetos a clasificar, O1,

O2,... On y se escoge uno al azar, Oi
• Se realiza la cadena siendo Oi el primer
elemento, el segundo el elemento más
cercano a él, el tercero el más cercano al
segundo y así sucesivamente
• Se calculan las distancias euclídeas entre
cada elemento y el elemento siguiente
• Si una distancia y la siguiente se diferencia
más de un umbral dado se considera que
existe una nueva clase
Algoritmo de las distancias encadenadas

C 2
C 1
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.
Algoritmo Max-Min
C 2 C
2
dmin
C1 C 1
C 2
C 1
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
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
Obtención desviación típica Distancia entre centroides

Comparan con un valor
Para cada clase desv.t. mayor
Ordenan de menor a mayor
Si Desv. tip mayor umbral Se unen
Nº elemento mayor doble
Nº clases menor mitad
Dispersión media mayor Sistemas de Percepción
media dispersiones Arturo de la Escalera
18

9 Reconocimiento

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

9 Reconocimiento

Uploaded by

Copyright:

Available Formats

16/07/2010

Etapas de una aplicación

Clasificación Sistemas de Percepción

• Es la última etapa dentro de un sistema

Espacio de características y función discriminante

p(a 1 )  0.5 p(a 2 )  0.5

¿Qué ocurre si el coste de equivocarse muy

R(a1 | X )  11P(a1 | X )  12 P(a 2 | X )

La función de densidad normal

gi ( X )  log P( X | ai )  log p(ai )

gi ( X )  log P( X | a i ) log p(a i )

Características independientes y desv.típicas iguales

• Criterio: distancia euclídea

Reconocimiento mediante la distancia euclídea

• El vector prototipo de características es la

Clas. Bayesiano-FD Normal

Mínima distancia y reconocedor bayesiano

Mínima distancia y reconocedor bayesiano

Reconocimiento mediante el N-vecino más próximo

Mínima dist. De Mahalanobis

Caso general- Var1 < Var2

Varianzas para las dos

Una varianza es mayor

Algoritmo de las distancias encadenadas

• Se tiene una serie de objetos a clasificar, O1,

Algoritmo de las distancias encadenadas

Obtención desviación típica Distancia entre centroides

You might also like