1 / 30

Iz vsebine

Iz vsebine. Uvod O metodi lastnih slik Primer sistema. Uvod - osnovna problema. Določitev lege predmetov določitev položaja določitev zasuka Razpoznavanje predmetov ugotavljanje zveze med zaznanim in že znanim. Uvod - razpoznavanje. Sistem strojnega vida. Vhodna slika

hallie
Download Presentation

Iz vsebine

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Iz vsebine • Uvod • O metodi lastnih slik • Primer sistema

  2. Uvod - osnovna problema • Določitev lege predmetov • določitev položaja • določitev zasuka • Razpoznavanje predmetov • ugotavljanje zveze med zaznanim in že znanim

  3. Uvod - razpoznavanje Sistem strojnega vida Vhodna slika predmeta Razpoznan predmet Modeli predmetov

  4. Razpoznavanje predmetov Kako predstaviti predmete? Kako priti do predstavitve? Kako primerjati predstavitve med seboj?

  5. Razpoznavanje predmetov Predstavitev s stališča opazovalca Predstavitev s stališča predmeta (Angl. Viewer centered) (Angl. Object centered)

  6. Predstavitev “videza” • Osnovni gradnik predstavitve je kar slika • Slika je preprosto matrika slikovnih elementov • Vsak predmet opišemo z množico slik (pogledov)

  7. Predstavitev “videza” • Zbirka modelov predmetov: • imamo določeno število predmetov • vsak predmet (P) opišemo z množico slik • Vhodna slika: • vhodno sliko (I) primerjamo s slikami v zbirki • sliki (I) pripišemo eno od množic (P), tisto • ki ji je najbolj podobna (najbližja).

  8. Predstavitev “videza” • Prednosti • vhodno sliko se da direktno primerjati z • modelom (oboje so slike), • modele je mogoče pridobiti avtomatično • (enostavno zajamemo slike predmeta pod • ustreznimi - kontroliranimi pogoji) • Problem • zbirka slik je ogromna • Vprašanje • kako množico slik predstaviti na bolj kompakten • način?

  9. Metoda lastnih slik • Analiza glavnih komponent (PCA) • Imamo veliko množico slik • Z analizo glavnih komponent poiščemo take • (t.i. lastne) slike, ki dobro opišejo vse slike v • množici • Vsako sliko v množici se da predstaviti z • linearno kombinacijo lastnih slik • Izkaže se, da za dovolj dobro predstavitev dane • slike zadostuje razmeroma majhno število • lastnih slik.

  10. Učenje • Imamo množico objektov Po, (o = 1, …, O); • Vsak predmet predstavimo z množico pogledov • (slik) In (n=1,….,N); • Slike normiramo po velikosti in energiji • Dobimo množico normiranih slik • Vsako sliko predstavimo z vektorjem (slikovnih • elementov), npr. nanizamo stolpce • Izračunamo srednjo sliko (c) in jo odštejemo od • vsake slike (vektorja) • Dobimo vektorje x(o)n

  11. Učenje • Tvorimo matriko vektorjev slik • X = [x(1)1 ,.., x(1)N ,x(2)1 ,.., x(2)N ,x(O)1 ,.., x(O)N ] • Tvorimo kovariančno matriko • Q = X XT (velikosti M2 x M2 , MxM je velikost slike) • Izračunamo lastne vektorje ek in lastne vrednostik • Obdržimo K vektorjev za K največjih lastnih • vrednosti • E = [e1,e2 ,…, eK]

  12. Učenje • Lastni vektorji ek definirajo ‘lastni prostor’, dim. K • Preslikamo vse slike (vektorje x(o)n ) v lastni prostor, • g(o)n = E (x(o)n - c) • ‘Točke’ g(o)1, g(o)2 ,…., g(o)N • predstavljajo model predmeta o, ‘mnogoterost’. e3 g(o)n e1 e2

  13. Razpoznavanje • Vhodno sliko normiramo po velikosti in energiji • Normirano sliko predstavimo z vektorjem y • Preslikamo vektor y v lastni prostor • g = E (y - c) • Poiščemo g-ju najbližjo točko modela (s tem je • predmet razpoznan in znani so tudi parametri).

  14. Primer uporabe • Sistem strojnega vida za • pozicioniranje in • razpoznavanje • avtomobilskih oljnih filtrov

  15. Predstavitev problema

  16. Zahteve • Sistem naj bo sposoben pozicionirati in preverjati različne tipe filtrov, neodvisno od njihovega izgleda • Pozicioniranje in preverjanje mora potekati na istem mestu • Sistem naj deluje v zaprti zanki, da bo mogoče sprotno preverjanje operacij • Sistem mora delovati avtonomno na osnovi ukazov krmilnika linije

  17. Zahteve • Čas celotne operacije krajši od 3 s, • Dovoljen premik filtrov na pozicionirni napravi • ± 3 mm, • Napaka rotacijskega pozicioniranja < 0.5°.

  18. Postavitev

  19. Izgled sistema

  20. Izgled sistema • Ročni način • nastavitev, učenje • Avtomatski način • pozicioniranje, preverjanje

  21. Pristop • Določanje premika • Določanje zasuka • Razpoznavanje - preverjanje • Premik določimo s primerjanjem s predlogo. • Zasuk in razpoznavanje objekta izvedemo z metodo lastnih slik.

  22. Učenje • Slike objektov pri različnih legah normiramo • Sestavimo učno množico slik za N različnih leg • Izračunamo kovariančno matriko slik Q • Izračunamo lastne vrednosti  in lastne vektorje e matrike Q • Sestavimo lastni prostor slik na podlagi prvih K lastnih vektorjev • Slike iz učne množice preslikamo v parametrični (lastni) prostor

  23. Določanje zasuka, razpoznavanje • Sliko objekta normiramo in • preslikamo v lastni prostor • Poiščemo lego, pri kateri je razdalja • med parametri opazovanega objekta in • učne množice najmanjša

  24. Lastne slike Izgled lastnih slik

  25. Lastne slike Rekonstrukcija objektov glede na ohranjeno informacijo 50% 75% 90% 99%

  26. Lastne slike Potek koeficientov, ki pripadajo lastnim slikam:

  27. Lastne slike Modeliranje potekov s sinusoidami.

  28. Rezultati • Napaka pozicioniranja < 0.3° • Skupen čas < 0.9 s • določanje zasuka + identifikacija <0.4 s • pozicioniranje < 0.5 s

  29. Literatura • E. Trucco, A. Verri, Introductory Techniques for 3D Computer Vision, Prentice Hall, 1998, (Poglavje 10). • H. Murase, s. Nayar, Visual Learning and Recognition of 3-D Objects from Appearance, IJCV, Vol. 14, No. 1, 1995. • F.Lahajnar, S.Kovačič, A Machine Vision System for the Rotational Positioning and Verification of Oil Filters, IJAMT, Vol. 21, No. 4, 2003 (v tisku).

More Related