visión artificial y robótica · 2016-03-09 · visión artificial y robótica detección de...
TRANSCRIPT
Visión artificial y RobóticaVisión artificial y RobóticaDetección de movimiento y flujo ópticoDetección de movimiento y flujo óptico
Depto. de Ciencia de la Computación e Inteligencia Artificial
Introducción
La detección de movimiento es un tema fundamental en visión artificial y robótica
Posibles aplicaciones:
– Seguimiento de objetos
– Cálculo de la estructura a partir del movimiento
– Reconstrucción 3D
– Representación y compresión de vídeo.
Introducción (II)
El principal objetivo del análisis del movimiento es calcular el movimiento en 3D
– 3D-3D: Registro de dos conjuntos 3D (ICP)
– 2D-3D: Características 2D sobre datos 3D. (RANSAC)
– 2D-2D: inferir movimiento 3D en base a movimientos detectados en imágenes 2D.
Introducción (III)
Un aspecto clave para detectar movimiento es el emparejamiento de datos en dos imágenes consecutivas
Atendiendo a cómo realizamos este emparejamiento agrupamos los métodos en:
– Dispersos: cuando utilizan alguna característica extraída de las imágenes
– Densos: cuando tienden a emparejar todos los puntos de las imágenes
Campos de movimiento 2D
Se asocia un vector de velocidad con cada punto de la imagen.
El conjunto de estos vectores es un campo de movimiento
p=[X,Y,Z]T
m=[x, y]t
Campos de movimiento 2D (II)
Desarrollando la ecuación
Tenemos donde k es un vector unitario en la dirección de la profundidad
despejando lo que implica que el campo de movimiento v
m está
en función de Vp/Z
Flujo óptico
Los vectores de campo de movimiento no pueden ser observados directamente
Lo que tenemos son imágenes y puntos de éstas
Podremos decir que un punto se ha movido de un lugar a otro de la imagen, lo que implica su flujo óptico
flujo óptico ≠ campo de movimiento
Flujo Óptico (II)
Fujo óptico (wikipedia): es el patrón del movimiento aparente de los objetos, superficies y bordes en una escena causado por el movimiento relativo entre un observador (un ojo o una cámara) y la escena.
Aunque, en general, el flujo óptico no es igual al campo de movimiento, es lo único que tenemos para estimarlo.
Asumiremos que el campo de movimiento no estará muy lejos del flujo óptico que detectemos en una sucesión de imágenes
Cálculo del flujo óptico
Veamos ahora como calcular el flujo óptico en una secuencia de imágenes
Notación:– Imagen
– Velocidad de un píxel de la imagen
Ecuación de restricción de flujo óptico Si asumimos que la intensidad de m no cambia
en el tiempo
Si la intensidad cambia levemente (series de Taylor)
Restricción de flujo óptico
Tenemos una ecuación y dos incógnitas: no podemos determinar unívocamente el flujo óptico
Sólo podremos calcular el flujo óptico en la dirección normal del gradiente: Problema de la apertura
Solución al problema de la apertura
Propuesto por Lucas-Kanade.
Método local: analiza la vecindad de cada punto
Se asume que el flujo óptico en una pequeña vecindad Ω es constante
Dada una función de ponderación de la vecindad (una gaussiana) W(m) buscamos el vector v que minimiza:
Lucas-Kanade (II)
Utilizando la notación anterior tenemos:
Despejamos v:
La ecuación tendrá solución cuando sea no-singular
Podemos estimar la fiabilidad del método obteniendo los valores propios de
Bajo proyección en perspectiva (III) Esta ecuación no-lineal incluye 5 incógnitas:
e1, e2, Ω1,Ω
2,Ω
3:
– Con 5 valores de flujo hay hasta 10 posibles soluciones
– Con 6 o más puntos de flujo la transformación es determinada unívocamente
– Si el movimiento es rotación, bastan 2 puntos de flujo
– En caso de superficies planas, con 4 puntos de flujo se obtienen dos posibles soluciones (la mayoría de las veces)
Aplicación: Structure From Motion
Extracción de información 3D a partir de una secuencia de vídeo con cámaras sin calibrar
El proceso es similar al realizado en cámaras estéreo, aunque en este caso no tenemos un sistema calibrado
Ejemplos
http://webgl.uni-hd.de/index2.html
http://www.icg.tugraz.at/Members/irschara/index