Iz vsebine

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

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

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

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

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

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

8. 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).

9. 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?

10. 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.

11. 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

12. 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]

13. 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

14. 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).

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

16. Predstavitev problema

17. 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

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

19. Postavitev

20. Izgled sistema

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

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

23. 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

24. 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

25. Lastne slike Izgled lastnih slik

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

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

28. Lastne slike Modeliranje potekov s sinusoidami.

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

30. 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).