Presentazione Attività di Ricerca Secondo periodo – Aprile-Settembre 2008

1. Presentazione Attività di RicercaSecondo periodo – Aprile-Settembre 2008 02 Ottobre 2008

2. Obiettivi progetto  fatto (periodo 1)fatto (periodo 2) 1. Studio di fattibilità ed analisi dei requisiti; ricerca e definizione di sistemi di acquisizione, telecamere e sistema di illuminazione più adatto allo scopo; studio dello stato dell’arte negli algoritmi e nelle librerie software per il pick and place 2. Studio e sviluppo di algoritmi di visione per l’individuazione della posizione e rotazione nel 3D (o 2D ½) del pezzo per calcolo del punto di pick; 3. studio e sviluppo di algoritmi per l’individuazione dell’ingombro dei contenitori dei manufatti 4. studio di segmentazione e localizzazione dei pezzi anche in caso di due oggetti adiacenti o parzialmente sovrapposti 5. Realizzazione di un primo sistema prototipale e campagna di test 6. Estensione al caso di gruppi di pezzi sovrapposti e sviluppo di librerie invarianti alla dimensione e forma dei pezzi 7. Realizzazione di un sistema prototipale e campagna di test  

3. Ricostruzione 3D

4. Ricostruzione 3D Problemi ancora da affrontare: • La presenza in alcuni casi di picchi non correttidovuti alla mancanza di match corretto tra le due viste; verranno studiati metodi per eliminarle o “tollerarle” • La gestione di parti poco riflettenti, come il nero, o troppo riflettenti (come specchio o superfici lucide), nonché la gestione delle parti contenenti dei liquidi

5. Segmentazione oggetti complessi Che approccio utilizzare? • Segmentazione basata sull’apparenza/colore • Colori non unici • Apparenza molto “confusa” e occlusioni • Segmentazione basata sui contorni • Occlusioni • Contrasti non evidenti e riflessi • Segmentazione basata su modello 3D completo • Modello 3D complesso da acquisire • Computazionalmente oneroso • Segmentazione basata su featurematching e trasf. geometriche • Robusto a rotazione, scaling, luminosità, ecc. • Veloce (pochi punti, non immagine completa o modello 3D) • Featurematchate devono essere correlate • Segmentazione non completa, ma “a punti”

6. Nostro approccio I metodi di segmentazione feature-based implementano i seguenti passi: • Featureextraction • Featurematching • Calcolo trasformazione geometrica tra modello e immagine SIFT

7. Featureextraction: SIFT SIFT (Scale InvariantFeatureTransform) – Lowe 2004 I passi principali dell’algoritmo SIFT sono i seguenti: • Scale-spaceextrema detection: questo passo ricerca i massimi su tutte le scale e tutte le locazioni spaziali. Viene implementato efficientemente utilizzando le DoG (DifferenceofGaussians) per identificare punti di interesse invarianti alla scala e all’orientazione. • Keypointlocalization: per ogni punti di massimo trovato, un modello dettagliato viene utilizzato per determinare la locazione e la scala. I keypoint selezionati alla fine sono scelti sulla base di una misura di stabilità. • Orientationassignment: ad ogni keypoint vengono assegnate una o più orientazioni, sulla base delle direzioni del gradiente in un intorno del keypoint. Tutte le operazioni fatte successivamente sul keypoint vengono fatte rispetto alla direzione, scala e locazione assegnate al keypoint, garantendo quindi invarianza a queste caratteristiche. • Keypointdescriptor: vengono calcolati i gradienti locali alla scala selezionata e in un intorno del keypoint. Questi vengono poi trasformati in una rappresentazione che permette distorsioni locali della forma e cambi di illuminazione.

8. Scale-spaceextrema detection

9. Scale-spaceextrema detection

10. Ricerca massimi nello scale-space • Oltre a cercareimassimi in un intorno • Eliminoipunti con basso contrasto • Eliminoipuntisugli edge

11. Ricerca massimi nello scale-space • Keypointrisultanti

12. Calcolo orientazione dei keypoints • Calcolo modulo e orientazione del gradiente • Si calcolal’istogrammadelleorientazioni, quantizzato per 36 direzioni • Il picco dell’istogramma e gli altri picchi entro l’80% del picco maggiore sono scelti come direzione principale del keypoint. Se ne risultano più di uno (e ciò succede in media il 15% delle volte), si crea un keypoint per ciascuna direzione principale. Queste direzioni multiple contribuiscono significativamente alla stabilità del matching. • Il descrittore viene calcolato su un intorno di 16 x 16 orientato in modo concorde alla sua direzione principale. Questo intorno viene suddiviso in 16 matrici 4 x 4 e per ciascuna l’istogramma dell’orientazione del gradiente discretizzato su 8 bin (4x4x8=128 valori).

13. Matching dei keypoints • Semplice distanza Euclidea tra i descrittori a 128 valori • Per aumentare la robustezza vengono scartati tutti i match per cui il rapporto tra la distanza del match migliore e la distanza del secondo match migliore è maggiore di 0.8. Questo permette di evitare match falsi dovuti allo sfondo o ad altri oggetti nella scena.

14. Trasformate geometriche

15. Trasformata proiettiva o omografica • Collezionotuttiipunti e con SVD o MLE stimoi 9 parametridellatrasformata

16. Trasformata proiettiva o omografica • Usandodirettamentetuttiipunti per la trasformazione ho due tipi di problemi: • Match sbagliati • Match corretti ma suoggettidiversi

17. Trasformata omografica con RANSAC • Alloraabbiamousatoil RANSAC (dettaglisul report)

18. Trasformata Euclidea • Necessità di distinguere (clusterizzare) match di oggettidiversi MODELLO OGGETTO keypoint keypoint matchato punto caratterizzante proiezione punto caratterizzante vettore spostamento vettore spostamento ruotato

19. Alcuni risultati (il resto dal vivo …)

20. Difetti … del SIFT • Il SIFT, come la maggior parte di questi metodi, si basa sul gradiente, quindi sul fatto che gli oggetti di interesse presentano parti texturate con un buon contrasto. Se questo non è vero i keypoints ottenuti sono troppo pochi e non affidabili; • Il SIFT ha dimostrato di avere una limitata robustezza ai cambi di luminosità localizzati, ad esempio dovuti ai riflessi dei flowpacks; • Il nostro approccio considera di confrontare l’immagine corrente con un modello dell’oggetto da cercare. Sebbene questo nel nostro caso sia inevitabile (volendo creare un sistema flessibile e non vincolato ad un solo oggetto), se il modello non è sufficientemente rappresentativo delle situazioni possibili il nostro approccio diventa inaffidabile; • Il SIFT, per costruzione, ottiene sempre solo un match per ciascun keypoint del modello; questo significa che nel caso di oggetti poco texturati i pochi keypoints ottenuti sul modello rischiano di essere suddivisi sulle varie istanze dell’oggetto presenti nell’immagine corrente e non essere sufficienti per segmentarli tutti.

21. Sviluppi (quasi-)futuri • MULTI-MODELLO: • Copie multiple dafondere • Variefaccie: mutualmenteesclusive • MULTI-MATCH: • Correggereilproblema del SIFT del match 1-a-1

22. Integrazione 3D • Come integraresegmentazione e 3D? • Altezza solo neipunti di prelievo! • Abbiamodavverobisogno di prelevareilpiù alto? O solo quelli non “coperti” daaltri?