Hands-on Image ProcessingHOIP 2011

Análisis cognitivo de la escena mediante técnicas de procesado de imagen en tiempo real.

5ª Conferencia Internacional sobre Procesamiento de Imágenes y Visión Artificial

2

Índice Introducción.

Detección de personas.

Prestaciones.

Resultados.

Detección de áreas libres de obstáculos.

Caminos libres.

Resultados.

Conclusiones.

3

Introducción

CASBliP: Cognitive Aid System for Blind People. Proyecto Europeo: 6th FP.

4

Introducción

Análisis cognitivo de la escena: Detección de objetos:

Personas, objetos en movimiento.

Detección de caminos libres: Detección de áreas libres de obstáculos Evitar colisiones.

Tiempo real.

5

Detección de personas Métodos de extracción de características:

Características Haar-like Basadas en la diferencia de la intensidad media entre grupos de

pixels adyacentes. Histograms of Oriented Gradients (HOG)

Vector de características que contiene el histograma de los gradientes orientados de cada bloque de pixels.

Métodos de clasificación: Boosting

Cascada de clasificadores Rápidos e imprecisos

Support Vector Machine Dos sets of vectores de datos mapeados a un espacio v-

dimensional, separados mediante hiperplano Alta precisión

6

Bases delalgoritmo

7

Tiempos

Recursos: Mínimo 1Gb RAM, uso 100% tiempo. Procesador 2 GHz. CPU 100% tiempo.

Precisión número etapas, tiempo procesado, detección número etapas, precisión, tiempo procesado Combinación entre precisión y coste temporal

Clasificador Boosting con 40 etapas.

Kernel: gamma=0.17520 etapas 25 etapas 30 etapas 35 etapas 40 etapas 45 etapas

Ada_candid 8.84 4.80 3.24 2.27 1.97 1.64

Ada tiempo 0.0488 0.0484 0.0490 0.0473 0.0492 0.0482

Sift tiempo 0.139 0.064 0.060 0.056 0.047 0.046

SVM tiempo 0.101 0.056 0.05 0.046 0.034 0.034

TOTAL 0.2888 0.1624 0.1590 0.1493 0.1302 0.1282

Resultados

Resultados Secuencia 1

Predicción BoostingSolapando predicciones Boostingcon HOG+SVM

Resultados Secuencia 2

Predicción Boosting Solapamiento predicciones Boostingcon HOG+SVM

10

Detección de áreas libres de obstáculos Robótica y navegación.

Detección y clasificación de obstáculos Detección de áreas libres

Usando imágenes estéreo Suma de Diferencias Absolutas Tiempo de impacto a los objetos de la escena Medida de costes (Travel Cost Map)

Elección del camino con menor coste asociado. Occupancy grids

Verosimilitud de estar ocupado Applicación de umbrales dependientes de la distancia Representación del suelo como una superficie parametrizada

por B-splines

11

Detección de caminos libres

Objetivo: Algoritmo para detectar los caminos libres mediante mapas de disparidad, integrándolo en CASBliP.Detección del espacio libre de obstáculos con

aplicación a la navegaciónTiempo real

Mínimo coste computacional Reutilización de información del sistema: mapas

de disparidad

12

Estereovisión: mapas de disparidad Ejemplos:

0 50 100 150 200 25030

40

50

60

70

80

90

100

110

120

Número de fila

Valo

r del

niv

el d

e gr

is

Imagen cámara izquierda Imagen cámara derecha

Mapa de disparidad Row number

Gre

y le

vel

13

Detección de caminos libres Niveles de disparidad linealmente

decrecientes. Ajuste por mínimos cuadrados a un modelo lineal:

Para reducir coste computacional: Procesamiento del 25% de las filas del mapa de

disparidad. Zona por la que el usuario caminará primero.

Promediado de grupos de píxels

0,)( 110 axaaxP

14

Ajuste de parámetros 3 parámetros a optimizar:Número de columnas a promediar.Umbral del índice de correlación.Umbral del gradiente del ajuste lineal.

Imágenes de entrenamiento: Groundtruth.Cada pixel indica si corresponde a espacio libre o

a objeto.Escenarios comunes en diferentes condiciones

de iluminación Coches, peatones, caminos libres, paredes,

postes…

15

Ajuste de parámetros Medida objetiva de las prestaciones:

Precision: proporción de True Positives para las detecciones de camino libre.

Accuracy: proporción de detecciones correctas (tanto True Positives como True Negatives).

Nuevo estadístico para medirlas conjuntamente:

TP = ‘True Positives’, FP = ‘False Positives’, TN = ‘True Negatives’, FN = ‘False Negatives’

FPTPTPP

FNFPTNTPTNTPACC

2ACCPPACC

16

Resultados

Prestaciones: Precision: 0.9926 Accuracy: 0.7121 PACC: 0.8523

Procesado en tiempo real: Tprocesado < 40ms

17

Conclusiones y trabajo futuro Trabajo futuro (personas):

Métodos de tracking: suavizado de trayectorias de cada candidato

Filtrado de Falsos Positivos de aparición repentina Base de datos: Mejora mediante la inclusión de más muestras y

mejora de las prestaciones de la SVM

Trabajo futuro (áreas libres): Mejora de las prestaciones del algoritmo. Inclusión de coherencia temporal.

Hands-on Image ProcessingHOIP 2011

Análisis cognitivo de la escena mediante técnicas de procesado de imagen en tiempo real.

5ª Conferencia Internacional sobre Procesamiento de Imágenes y Visión Artificial

nuorar@upvnet.upv.es