Manuel Loaiza Marcelo Gattass Alberto Raposo

Apresentação em tema: "Manuel Loaiza Marcelo Gattass Alberto Raposo"— Transcrição da apresentação:

1 Manuel Loaiza Marcelo Gattass Alberto Raposo
Algoritmo para Rastreamento Óptico baseado em Padrões com Características Projetivas Invariantes Manuel Loaiza Marcelo Gattass Alberto Raposo

2 Sumario Introdução. Motivação. Descrição do algoritmo.
Características Projetivas Invariantes. Quad Tree. Técnicas Auxiliares. Etapas do algoritmo. O algoritmo. Exemplo da aplicação. Vantagens e desvantagens do algoritmo. Conclusões e trabalhos futuros.

3 Introdução Sistemas de rastreamento óptico tem como objetivo identificar e rastrear objetos específicos contidos numa imagem. Os objetos de rastreamento podem ser marcadores individuais ou grupais (padrões). No caso de padrões grupais é preciso identificar os marcadores que pertencem a um determinado padrão. A identificação dos padrões deve ser rápida e individual.

4 Motivação Como podemos criar e definir padrões?.
Como agrupar os marcadores individuais que pertencem a um determinado padrão?. Como podemos criar um identificador único para padrões com um mesmo formato?.

5 Motivação Como resposta a estas perguntas é que surgiu a proposta do nosso algoritmo que basicamente: Utilizará características projetivas invariantes para definir e identificar padrões para o sistema de rastreamento. Utilizará uma QuadTree para definir uma relação de vizinhança entre marcadores individuais que possam ser parte de um determinado padrão.

6 Descrição do Algoritmo
Nosso algoritmo se baseia na utilização das seguintes técnicas: Características Projetivas Invariantes. Quad Tree. Métodos Auxiliares (Area envolvente, predição). Ele se divide em duas etapas: Treinamento. Execução.

7 Características Projetivas Invariantes
As características projetivas invariantes são características que continuam constantes quando fazemos uma projeção 3D para 2D. Exemplos destas características projetivas invariantes são: Colinearidade. Cross ratio. Coplanaridade.

8 Características Projetivas Invariantes
Já (Meer et al, 1998) exploraram estas características invariantes para comparação de pontos característicos em fotos áreas. Definiram a teoria dos “P2 – Invariant”, que se estendia para formatos coplanarares. Já (Suk et al 2000) expandiu as propriedades de invariância a projeção para ser também invariância a permutação na ordem dos pontos que conformam o padrão.

9 Características Projetivas Invariantes
No caso dos padrões coplanares (Suk et al 2000) enuncia uma restrição, para padrões com “n” pontos coplanares, com n >=5, pelo menos (n-1) pontos devem ser bem identificados durante o rastreamento do padrão.

10 Características Projetivas Invariantes
Invariantes a projeção e permutação? B Cross ratio (A,B,C,D) C A D E B C A D D C B A B D (Meer et al, 1998) definiram com o “P2 -Invariant” e (Suk et al 2000) expandiu para ser invariante a projeção e permutação. A C

11 Quad tree A geração do Quad Tree é feita sobre as posições 2D dos marcadores reconhecidos na imagem. Se espera que marcadores que pertencem a um mesmo padrão fiquem em quadrantes vizinhos.

12 Quad tree Cada vez que percorremos a arvore podemos verificar se o ramo (quadrante) tem pelo menos n = 4 (ou 5) folhas (marcadores). Caso tenham n > 4 ou 5 folhas, as combinações C 4n ou C 5n .

13 Técnicas Auxiliares Algumas técnicas auxiliares que foram testados são: Teste de colinearidade e convex hull para descaratr padrões que não correspondem ao formato. Definição de uma área envolvente a cada padrão. O motivo da aplicação destas técnicas e encontrar falsos padrões que podem ate ser considerados bons.

14 Etapas do Algoritmo Treinamento:
Nesta etapa são definidos nossos futuros padrões de marcadores, e capturando algumas amostra dos mesmos é definido um identificador único para cada padrão. Padrões com o mesmo formato ganham identificadores totalmente diferentes. Tal como foi definido a característica projetiva invariante é também invariante a permutações na ordem dos marcadores que a compõem.

15 Etapas do Algoritmo Execusão:
Nesta etapa é onde se realiza o rastreamento em tempo real dos padrões previamente treinados. Algumas incosistencias podem se apresentar no teste como falsos padrões, mas as tecnicas auxilares propostas tentam funcionar como filtros para os falsos padrões.

16 O Algoritmo Fluxo dos processos:
Processar imagem e obter posição 2D de nossos marcadores. Gerar a quad tree cada frame analisado. Inicialmente percorrer a quad tree procurando padrões colineares. Para cada padrão colinear calcular o valor de sua característica projetiva invariante e comparar com os padrões previamente treinados.

17 O Algoritmo Fluxo dos processos:
Caso ter uma comparação valida extrair esses marcadores (folhas) da quadtree. Percorrer a quadtree procurando padrões coplanares. Para cada padrão coplanar calcular o valor de sua característica projetiva invariante e comparar com os padrões previamente treinados.

18 Exemplo da Aplicação Na imagem temos 2 padrões do tipo colinear e 2 tipo coplanar.

19 Exemplos da Aplicação Valores dos identificadores são intervalos.
Table 1. Projective invariant values for each pattern. Exemplos da Aplicação Valores dos identificadores são intervalos. Pattern Type Minimum Value Maximum Value 1st-Pattern I [ ] [ ] 2nd-Patern [ ] [ ] 3rd-Pattern II [ 0.06 , ] [ 0.14 , ] 4th-Pattern [ 0.16 , ] [ 0.23 , ]

20 Exemplos da Aplicação Padrões Colineares. Quadrant Nº Markers
Table 1. Projective invariant values for each pattern. Exemplos da Aplicação Padrões Colineares. Quadrant Nº Markers Nº Candidates for Pattern I Left – Up 4 C 44 = 1 Left – Down 5 C 45 = 5 Right – Up Right – Down 9 (C 46 =) 15 + (C 49 =) 126 = 141 Total: 18 147 Quadrant Candidates Pattern I Collinearity Test Projective Inv. Match Pattern ID Unmatched Markers Left – Up 1 1st-Pattern Left – Down 5 Right – Up Right – Down 141 0 + 1 = 1 2nd-Patern Total: 147 2 2 (recognized) 10

21 Exemplos da Aplicação Padrões Coplanares. Quadrant Nº Markers
Table 1. Projective invariant values for each pattern. Exemplos da Aplicação Padrões Coplanares. Quadrant Nº Markers Nº Candidates for Pattern II Left – Up Left – Down 5 C 55 = 1 Right – Up Right – Down Total: 10 2 Quadrant Candidates Pattern II Convex Test Projective Inv. Match Pattern ID Unmatched Markers Left – Up 4th-Pattern Left – Down 1 Right – Up Right – Down 3rd-Pattern Total: 2 2 (recognized)

22 Vantagens e desvantagens do algoritmo.
É flexível a ruído. Faz o reconhecimento dos padrões só com informação 2D. Desvantagens Sensível a oclusão. Muita liberdade na geração de candidatos por combinação dos marcadores pode criar falsos padrões bons. Comentário Extensão para padrões não coplanares ?.

23 Conclusões e Trabalhos Futuros
O algoritmo foi proposto como uma ferramenta de apoio no processo de definição e reconhecimento de padrões. Ele procura ser uma ferramenta que consiga identificar os padrões só com informação 2D. Ele poder ser uma ferramenta de apoio a correspondência feita com a geometria epipolar. Como trabalhos futuros é testar nosso algoritmo em ambientes “markerless” onde pontos característicos da cena como cantos, arestas naturalmente algumas vezes pode ter um tipo de agrupação colinear ou coplanar.

24 Referencias Meer, P., Lenz, R., Ramakrishna, S.: Correspondence of Coplanar Features Through p2 Invariant Representations. In: Applications of Invariance in Computer Vision, pp. 473– 492. Springer, Heidelberg (1993). Meer, P., Lenz, R., Ramakrishna, S.: Efficient Invariant Representations. International Journal of Computer Vision 26, 137–152 (1998). Santos, P., Stork, A., Buaes, A., Jorge, J.: PTrack: Introducing a Novel Iterative Geometric Pose Estimation for a Marker-based Single Camera Tracking System. In: Proceedings of IEEE Virtual Reality, pp. 143–150. IEEE Press, California, USA (2006). Suk, T., Flusser, J.: Point-based projective invariants. Pattern. Recognition (33), 251–261 (2000). Tsonis, V.S., Chandrinos, K.V., Trahanias, P.E.: Landmark-based navigation using projective invariants. In: Proc. of International Conference Intelligent Robots and Systems, pp. 342–347 (1998). Van Liere, R., Mulder, J.D.: Optical Tracking Using Projective Invariant Marker Pattern Properties. In: Proc. of IEEE Virtual Reality, pp. 191–198. IEEE Press, Los Angeles (2003).