Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada
Upcoming SlideShare
Loading in...5
×
 

Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada

on

  • 893 views

Salvador Ruiz Correa (https://www.cimat.mx/~src/), Jean Bernard Hayet (https://www.cimat.mx/~jbhayet/) and Diego Jiménez Badillo (http://archaeology.asu.edu/tm/Pages/equipodiego.html). ...

Salvador Ruiz Correa (https://www.cimat.mx/~src/), Jean Bernard Hayet (https://www.cimat.mx/~jbhayet/) and Diego Jiménez Badillo (http://archaeology.asu.edu/tm/Pages/equipodiego.html).

Resumen:
La capacidad de reconocer objetos en tiempo real es de gran utilidad en aplicaciones en visión computacional. Por ejemplo en aplicaciones de Realidad
Aumentada, la cual estudia las técnicas que permiten integrar, en tiempo real, contenido virtual con el mundo real, a través de un
dispositivo, como una computadora portátil o un dispositivo móvil.

El presente trabajo propone una metodología para el reconocimiento de objetos, utilizando descriptores SIFT para representar a un objeto y un
esquema de vecino más cercano para clasificar aquellos puntos sobresalientes en una escena que correspondan a un objeto, para posteriormente estimar la ubicación del mismo.

Al conocer una estimación de la ubicación del objeto, podemos crear diferentes aplicaciones que utilicen la ubicación estimada para realizar alguna
acción. En particular desarrollamos un sistema de Realidad Aumentada como parte de nuestro trabajo de investigación. Este sistema funge de asistencia a visitantes de museos, particularmente el Museo del Templo Mayor de la Ciudad de México.

El sistema diseñado cuenta con una interfaz gráfica, la cual utiliza la ubicación del objeto para dibujar sobre su contorno un polígono complejo
para señalizar que el objeto ha sido reconocido. De esta forma la interacción del usuario con el sistema es natural y dinámica.

La interacción se da cuando el usuario selecciona al objeto, en ese momento se despliega información acerca del objeto a través de una
página web que contiene elementos multimedia, mapas satelitales, visión de calle y vídeos.

Como parte de nuestros resultados generamos diferentes vídeos donde se muestra el funcionamiento del sistema, estos se pueden consultar en la
siguiente dirección web (http://mariomgck.awardspace.com/).

Statistics

Views

Total Views
893
Views on SlideShare
893
Embed Views
0

Actions

Likes
0
Downloads
25
Comments
2

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • No creo que sea lo más robusto pero si me resulto efectivo para varios objetos que probé. Me sorprendió mucho que varias piezas de la sala 5 del templo las detectará. Te paso los vídeos ;)
    Are you sure you want to
    Your message goes here
    Processing…
  • ¿ De verdad SIFT es lo más robusto ? Ya desde 2003 se debatía esa certeza......
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada Presentation Transcript

  • Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada Mario G. Canul Ku1 Página web: http://mariomgck.awardspace.com Dr. Salvador Ruiz Correa2 Dr. Jean-Bernard Hayet2 Dr. Diego Jiménez Badillo2 1 Autor, 2 Asesores Septiembre - 2013 Centro de Investigación en Matemáticas, A.C.
  • Identicación del problema El reconocimiento de objetos en tiempo real, es de gran utilidad en diferentes tipos aplicaciones. Un ejemplo es una aplicación de realidad aumentada (RA), para desplegar información de manera virtual a los visitantes de un museo a través de un dispositivo móvil. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 1/51
  • Aplicaciones (a) Industria cinematográca (b) Industria de videojuegos (c) Robots de servicio (d) Información en museos Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 2/51
  • Motivación Realizar una métodología que permita detectar múltiples objetos, en tiempo real, para desarrollar aplicaciones de RA. El interés principal es crear un sistema de RA enfocado al reconocimiento de piezas arqueológicas. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 3/51
  • Objetivos Desarrollar una metodología para detectar, en tiempo real, objetos que aparecen en una secuencia de video. La detección se realiza utilizando la apariencia de los objetos. Desarrollar un sistema de software de detección de objetos, en tiempo real, en particular piezas arqueológicas. Proporcionar interacción activa entre el usuario y los objetos en una aplicación de Realidad Aumentada. Realizar pruebas de reconocimiento de objetos in situ y ex situ como evaluación del sistema. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 4/51
  • Aportaciones Creación de una biblioteca enfocada a la detección de objetos, que integra bibliotecas especializadas en el procesamiento de imágenes y la generación de grácos por computadora. Desarrollo de un sistema de realidad aumentada enfocado al reconocimiento de piezas arqueológicas. Generación de contenido virtual que combina tecnologías multimedia, servicios web y base de datos. Inclusión de un nuevo sistema de realidad aumentada, con características diferentes a los actualmente desarrollados. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 5/51
  • Contenido 1 Introducción 2 Conceptos 3 Metodología 4 Resultados 5 Conclusiones Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 6/51
  • Reconocimiento de objetosIntroducción El reconocimiento de objetos se enfoca a reconocer objetos particu- lares, como son calles, personas, edicios, montañas, etc. Para ello requerimos que los objetos puedan ser representados a partir de car- acterísticas de los mismos. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 7/51
  • Realidad aumentadaIntroducción La RA se encarga de estudiar las técnicas que permiten integrar en tiempo real contenido virtual con el mundo real, permitiendo al usuario ver el mundo real con objetos virtuales superpuestos. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 8/51
  • Realidad aumentada Historia Introducción (e) Ivan Sutherland (1968) (f) Artoolkit (1999) (g) Robert Castle- PTAMM (2009) (h) Google glass (2012) Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 9/51
  • Proceso de reconocimiento de objetosConceptos Detección de puntos SIFT Clasificación KNN Características ID de objeto Homografía y Corrección de Perspectiva Ubicación estimada del objeto Evaluación Ubicación correcta del objeto Medición del Error Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 10/51
  • Detector SIFTConceptos Scale Invariant Feature Transform (SIFT), es una metodología que fue desarrollada por David Lowe y sus estudiantes, Lowe (1999). Está metodología esta divida en tres fases, estas son: Detección de puntos extremos en el espacio de escalas. Localización de los puntos característicos. Asignación de orientación dominante. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 11/51
  • Detector SIFT Detección de puntos extremos en el espacio de escalas Conceptos Figura: Imagen: http://areshmatlab.blogspot.mx/2010/07/details-behind-sift-feature-detection.html Los puntos extremos son puntos en los cuales la imagen I(x, y) tiene máximos o mínimos locales. Para obtenerlos, se emplea una aproximación del operador Laplaciano D(p). Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 12/51
  • Detector SIFT Asignación de orientación dominante Conceptos Figura: Asignación de orientación dominante Imagen: Desarrollo de un sistema cognitivo de visión para la navegación robótica La asignación de orientación dominante se utilizará la imagen asociada al punto característico. Se calcula en una ventana de 16x16 la magnitud del gradiente m(x, y) y la orientación θ(x, y). Las orientaciones se agrupan en forma de histograma, cualquier pico del histograma que exceda el 80 % se toma como posible orientación dominante del punto característico. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 13/51
  • Descriptor SIFTConceptos Figura: Descriptor SIFT. Imagen: https://picasaweb.google.com/lh/photo/vyaYFzPsGz6RzldJnvEaDQ El descriptor SIFT corresponde a un vector d ∈ R128, se genera con las orientaciones de gradiente de una vecindad de 16 × 16 píx- eles, centrada en el punto característico y rotada por su orientacion dominante. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 14/51
  • Proceso de reconocimiento de objetos Clasicación Conceptos Detección de puntos SIFT Clasificación KNN Características ID de objeto Homografía y Corrección de Perspectiva Ubicación estimada del objeto Evaluación Ubicación correcta del objeto Medición del Error Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 15/51
  • ClasicaciónConceptos Figura: Problema de clasicación Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 16/51
  • Clásicación de vecino más cercano KNN Conceptos ? q d1 d2 d3 d4 d5 d6 d7d8 d9 d10 d11 d1 d2 El problema de clasicación de vecino más cercano (K-Nearest-Neighbor KNN), consiste en: Dado un dato q a buscar y un conjunto de datos P, encontrar sus k datos más cercanos. El dato q es clasicado con la etiqueta que más se repite en los k datos más cercanos. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 17/51
  • Particionamiento del espacio de datosConceptos Figura: Base canónica. Imagen: http://cbases2bt.wikispaces.com/le/view/Dibujo.GIF/31480951/Dibujo.GIF Debido a la complejidad computacional de la búsqueda lineal, se han propuesto métodos de particionamiento del espacio de los datos y así organizar los datos en una estructura de árbol. El espacio de los datos es generado a partir de una base canónica, con vectores canónicos ei, cuya i-ésima componente es igual a uno y las demás son cero. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 18/51
  • Particionamiento del espacio de datos Árbol KD Conceptos Figura: Conjuno de datos P = {(2, 3), (5, 4), (9, 6), (4, 7), (8, 1), (7, 2)}, con espacio a particionar. Imagen: http://mind.kaist.ac.kr/Francis/project2.html Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 19/51
  • Particionamiento multidimensional del espacioConceptos El particionamiento del espacio genera un árbol con cuatro subarboles KD aleatorios como ramicaciones. Cada subárbol KD mantiene un subconjunto de datos organizados. El particionamiento se realiza al obtener los primeros cinco vectores ei donde los datos tienen una mayor varianza, de estos se escoge aleatoriamente un ei. Posteriormente se ja como umbral el promedio de los datos, Muja y Lowe (2009). Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 20/51
  • Clásicación de vecino más cercano Multidimensional Conceptos Figura: Clásicación de vecino más cercano, multidimensional. Imagen: Silpa-Anan y Hartley (2008) La búsqueda se realiza al recorrer cada uno de los subarboles. En cada subárbol KD el recorrido inicia desde la raíz y se obtiene en cada nodo el vector ei, Muja y Lowe (2009). Se verica si la i-ésima componente del dato q se encuentra a la derecha o a la izquierda del promedio. Con ello se elige el nodo y se inicia el descenso al siguiente nivel. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 21/51
  • Clásicación de vecino más cercano Multidimensional Conceptos Se inserta en una cola de prioridades la distancia entre las i-ésimas componentes de q y d. La cola se emplea para truncar el descenso a un nivel de profundidad y elegir el subárbol cuyo nodo contenga el dato más cercano a q. Al nalizar la búsqueda devuelve los vecinos que se encuentran más proximos al dato a buscar,Muja y Lowe (2009). Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 22/51
  • Clásicación de vecino más cercano Selección Conceptos ? q d1 d2 d3 d4 d5 d6 d7d8 d9 d10 d11 d1 d2 La búsqueda se realiza para k = 2 vecinos y el vecino más cercano es aquel cuya distancia es menor que τ veces la distancia del segundo, es decir, d1 <= τd2, Lowe (2004). A partir del resultado de la búsqueda se realiza una correspondencia entre d y q, denotada como (x, x ). Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 23/51
  • Proceso de reconocimiento de objetos Homografía y Corrección de perspectiva Conceptos Detección de puntos SIFT Clasificación KNN Características ID de objeto Homografía y Corrección de Perspectiva Ubicación estimada del objeto Evaluación Ubicación correcta del objeto Medición del Error Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 24/51
  • Homografía Corrección de perspectiva Conceptos Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 25/51
  • Estimación de la homografía Procedimiento estándar Conceptos Para obtener la homografía H que relaciona los planos del objeto entre imágenes se realiza lo siguiente: Establecer correspondencias aplicando un método de búsqueda de correspondencias. Aplicar RANSAC para estimar la homograa, internamente usa el algoritmo DLT para agrupar las falsas correspondencias de las buenas. Aplicar un metodo iterativo (Levenberg-Marquardt) para reducir el error de estimación de la homograa. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 26/51
  • Proceso de reconocimiento de objetos Evaluación Conceptos Detección de puntos SIFT Clasificación KNN Características ID de objeto Homografía y Corrección de Perspectiva Ubicación estimada del objeto Evaluación Ubicación correcta del objeto Medición del Error Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 27/51
  • Evaluación Criterios de evaluación Conceptos Para evaluar nuestra clasicación utilizamos los siguientes criterios: Cálculo del número de falsos positivos FP, falsos negativos FN, verdaderos positivos TP y verdaderos negativos TN. Curvas de conabilidad generadas a partir de una medida de conabilidad. Curva de Medida-F generada a partir de la sensibilidad y la precisión de la clasicación. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 28/51
  • Proceso de detección de objetos Medición del error Conceptos Detección de puntos SIFT Clasificación KNN Características ID de objeto Homografía y Corrección de Perspectiva Ubicación estimada del objeto Evaluación Ubicación correcta del objeto Medición del Error Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 29/51
  • Evaluación Medida de conabilidad Conceptos El vector X = [v1, v2, v3, v4] corresponde a la posición correcta donde esta ubicado el objeto en la escena, y X corresponde a la posición estimada. Entonces dado que X e X delimitan regiones A1 y A2 respectivamente, denimos una medida de conabilidad como: = |A3| |A1 ∪ A2| v1 v2 v3 v4 A1 A2 A3 Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 30/51
  • Evaluación Curva de conabilidad Conceptos 0 0.2 0.4 0.6 0.8 1 20 40 60 80 100 120 140 160 180 200 Conabilidad It Curva de conabilidad La curva de conabilidad se obtiene al calcular la medida de conabilidad en cada imagen It a evaluar. Con ello podemos ver si la detección se realiza de manera conable. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 31/51
  • Evaluación Medida-F Conceptos La medida F es una medida de exactitud de una prueba o precisión y se dene como: Fβ = (1 + β2 ) · VPP · Sensibilidad (β2 · VPP) + Sensibilidad . La precisión o valor predictivo positivo (VPP), es una razón que mide la proporción de verdaderos positivos con respecto a los falsos posi- tivos y la sensibilidad nos indica el porcentaje de obtener verdaderos positivos cuando realmente lo son, estas se denen: Sensibilidad = TP TP + FN , V PP = TP TP + FP . Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 32/51
  • Evaluación Curva de Medida-F Conceptos 0 0.2 0.4 0.6 0.8 1 0 0.5 1 1.5 2 Medida-F τ Curva de Medida-F β = 0.5 La curva de medida-F se obtiene al calcular la medida-F en cada ima- gen It a evaluar. La medida-F se obtiene en en función del parámetro τ del clasicador de vecino más cercano. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 33/51
  • Metodología propuestaMetodología Detección de puntos SIFT Clasificación K-NN Descriptores ID de objeto Estimación de la homografía y corrección de la perspectiva Ubicación del objeto, ID + Interacción (x,y) Render Rendering + + Identificación de contenido específico Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 34/51
  • Establecimiento de correspondenciasMetodología La etapa de detección de puntos SIFT nos proporciona un conjunto de descriptores, con ellos establecemos correspondencias entre los descriptores de la escena y los de cada objeto. (a) Detección de puntos SIFT (b) Clasicación por KNN Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 35/51
  • Estimación de la homografía y corrección de la perspectivaMetodología En esta etapa, estimamos una homografía H a partir las correspon- dencias de cada objeto. Usamos H para corregir la perspectiva del contorno del objeto y así obtener una estimación de su posición. (c) Estimación de homografía (d) Contorno en perspectiva Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 36/51
  • Interacción con el usuarioMetodología La interacción se realiza al seleccionar un objeto con un punto (x, y), si éste punto se encuentra contenido en el polígono, es posible asociar la acción de colorear la región de interés. (e) Región de interés delimitada por un polígono complejo. (f) Región de interés coloreada. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 37/51
  • Visualización de informaciónMetodología Finalmente, cuando el usuario selecciona una región de interés, con base al ID del objeto, se visualiza mediante una página web toda la información relacionada al objeto. Figura: Despliegue de información del objeto a través de una página web. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 38/51
  • ExperimentoResultados El experimento consiste en tener un objeto jo en una escena estática, sin cambios de iluminación y una cámara en movimiento libre. Se considera que el objeto no se encuentra todo el tiempo en la escena. Figura: Objeto a detectar Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 39/51
  • ExperimentoResultados TN% TP% Sensibilidad Especicidad τ 35/200 0/0 0 1 0.200 35/104 95/96 0.579268 0.972222 0.400 29/32 159/168 0.981481 0.763158 0.600 18/42 113/158 0.824818 0.285714 0.800 32/95 31/105 0.329787 0.301887 1.000 32/95 31/105 0.329787 0.301887 1.200 32/95 31/105 0.329787 0.301887 1.400 32/95 31/105 0.329787 0.301887 1.600 32/95 31/105 0.329787 0.301887 1.800 32/95 31/105 0.329787 0.301887 2.000 Cuadro: Resultados obtenidos a partir diferentes valores de τ. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 40/51
  • ExperimentoResultados 0 0.2 0.4 0.6 0.8 1 20 40 60 80 100 120 140 160 180 200 Conabilidad It Curva de conabilidad (a) Curvas de conabilidad para τ = 0.6 0 0.2 0.4 0.6 0.8 1 0 0.5 1 1.5 2 Medida-F τ Curva de Medida-F β = 0.5 (b) Curva de Medida-F. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 41/51
  • Coloreado de piezas arqueológicasResultados Una pieza arqueológica, debido al paso del tiempo sus pigmentos se deterioran y son pocos visibles. Por ello se desarrolló una aplicación de RA que ejempliqué el coloreado de una pieza arqueológica. (c) Coyolxauhqui de referencia. (d) Coyolxauhqui coloreado. Figura: Coloreo del monolito Coyolxauhqui. Imágenes: Cortesía de Marco Armenta drmarco@cimat.mx Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 42/51
  • Coloreado de piezas arqueológicasResultados En las salas de exhibición es común encontrar personas que ocluyan una o varias piezas. Entonces un visitante únicamente logrará ver una parte de la pieza ocluida. (a) Sol Azteca de referencia. (b) Sol Azteca coloreado. Figura: Coloreo de la piedra del Sol Azteca. Imágenes: Cortesía de Marco Armenta drmarco@cimat.mx Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 43/51
  • Coloreado de piezas arqueológicasResultados Figura: Vídeo del coloreado de la piedra del Sol Azteca. Imágenes: Cortesía de Marco Armenta drmarco@cimat.mx Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 44/51
  • Información asistencial a visitantes de museosResultados Uno de nuestros objetivos fue crear un sistema de RA aplicado a la arqueología. Éste se desarrolló con la nalidad de detectar e identicar piezas aqueológicas de la sala 5 del Museo del Templo Mayor. El sistema hace uso de tecnologías web para enriquecer el contenido mediante mapas satelitales, visión de calle, información del estado del clima y vídeos. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 45/51
  • Información asistencial a visitantes de museos Vídeos Resultados (a) Mural 1 - Adoratorio a Tláloc. (b) Brasero de Tláloc. Figura: Detección de piezas arqueológicas exhibidas en la sala 5 del Museo del Templo Mayor. Imágenes: Cortesía del museo del Templo Mayor de la Ciudad de México Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 46/51
  • ConclusionesConclusiones Los puntos y descriptores SIFT son los más adecuados y robustos para representar a un objeto de manera única. Los objetos que contienen información suciente de textura y de bordes, son los más factibles de detectar en escenas complejas. Los mejores resultados de la clasicación se obtuvieron usando una razón τ = 0.6, sin importar la cantidad de objetos a detectar. Usar un clasicador KNN facilita modicar el conjunto de entrenamiento, sin necesidad de realizar cálculos adicionales de los parámetros. Señalizar los contornos del objeto mediante un polígono complejo, permita una interacción natural del usuario con el sistema. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 47/51
  • Trabajo futuroConclusiones Realizar una investigación de las actuales metodologías que combinen características globales y locales para la detección de objetos. Hacer una revisión bibliográca de las actuales metodologías que hacen uso de bolsa de palabras visuales. Investigar sobre metodologías de detección de objetos con poca información de textura y de bordes, en particular queremos poder detectar máscaras de manera única. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 48/51
  • Trabajo futuroConclusiones Aplicar técnicas de seguimiento que involucren modelos dinámicos de movimiento, con los cuales nos permita predicir la posición de un objeto. Desarrollar una aplicación en un dispositivo móvil que pueda emplear los actuales Google Glass. Implementar los algoritmos para que su ejecución sea en tarjeta gráca. Esto conllevaría un gran aumento en la eciencia de todo el proceso de la detección de objetos. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 49/51
  • ½½½½½½½ Gracias !!!!!!!! Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 50/51
  • Referencias IConclusiones Monroy, F. J., Jiménez, J. A. A., Sánchez, J. J. C., Fernández, D. V., Linares, L. J., Molina, F. J. V., Alises, D. V., Morcillo, C. G., y Wattenberg, G. S. (2012). Desarrollo de Videojuegos 4: Desarrollo de Componentes. Universidad de Castilla, ISBN: 978-84-686-1060-3. Muja, M. y Lowe, D. G. (2009). Fast approximate nearest neighbors with automatic algorithm conguration. En International Conference on Computer Vision Theory and Application VISSAPP'09), páginas 331340. INSTICC Press. Lowe, D. G. (1999). Object recognition from local scale-invariant features. En Proceedings of the International Conference on Computer Vision-Volume 2 - Volume 2, ICCV '99, páginas 11501157, Washington, DC, USA. IEEE Computer Society. Hartley, R. I. y Zisserman, A. (2004). Multiple View Geometry in Computer Vision. Cambridge University Press, ISBN:0521549518. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vision, 60(2):91110. Harris, C. y Stephens, M. (1988). A combined corner and edge detector. En Proceedings of the Alvey Vision Conference, University of Manchester, páginas 147151. The Plessey Company. Silpa-Anan, C. y Hartley, R. (2008). Optimised kd-trees for fast image descriptor matching. En Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on, páginas 18. Algoritmo de Reconocimiento de Objetos en Escenas Complejas para Aplicaciones de Realidad Aumentada 51/51