ES2281001T3 - Procedimiento de medicion de proximidad de dos contornos y sistema de identificacion automatica de blancos. - Google Patents
Procedimiento de medicion de proximidad de dos contornos y sistema de identificacion automatica de blancos. Download PDFInfo
- Publication number
- ES2281001T3 ES2281001T3 ES04766207T ES04766207T ES2281001T3 ES 2281001 T3 ES2281001 T3 ES 2281001T3 ES 04766207 T ES04766207 T ES 04766207T ES 04766207 T ES04766207 T ES 04766207T ES 2281001 T3 ES2281001 T3 ES 2281001T3
- Authority
- ES
- Spain
- Prior art keywords
- contour
- point
- proximity
- image
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005259 measurement Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 3
- 108010014173 Factor X Proteins 0.000 claims 1
- 101000986989 Naja kaouthia Acidic phospholipase A2 CM-II Proteins 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 8
- 230000000717 retained effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 230000003071 parasitic effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/754—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries involving a deformation of the sample pattern or of the reference pattern; Elastic matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Flow Control (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Procedimiento automatizado de medición de proximidad de un segundo contorno (CM) obtenido de una imagen de un primer contorno (CI), que comprende para cada punto (Ik) del primer contorno, una etapa de asociación con un punto (Mi) del segundo contorno determinado como el más próximo, caracterizado porque comprende una etapa de emparejamiento de cada punto del segundo contorno con uno o cero puntos del primer contorno, por determinación del punto del primer contorno más próximo entre el conjunto de puntos del primer contorno asociados con dicho punto del segundo contorno.
Description
Procedimiento de medición de proximidad de dos
contornos y sistema de identificación automática de blancos.
La presente invención se refiere a la
identificación automática de los blancos presentes en una imagen.
Más precisamente esta invención describe un método discriminador que
permite comparar contornos de 2D. La invención se aplica
principalmente en el ámbito militar, con el fin de asistir al piloto
de un avión en situación de combate en sus elecciones de tiro. La
misma presenta igualmente un interés en cualquier otro ámbito
relacionado por el reconocimiento de formas, particularmente, el
ámbito de la vigilancia y el ámbito médico.
Un proceso de identificación automático debe
permitir determinar de forma fiable cuantos blancos se encuentren
en la imagen, en qué posiciones y de qué tipo son.
Se entiende por blanco, un objeto de 3D que se
busca identificar. En el ámbito militar, estos blancos son
típicamente carros de combate, vehículos terrestres... En lo que
sigue, se habla indistintamente de blanco o de objeto.
En la presente solicitud, se entiende por
sistema de identificación, un sistema mediante el cual se
identifica un blanco en una imagen por su tipo: marca, nombre o
número, o bien por su clase: vehículo, carro, autocar.
La identificación automática de objetos o de
blancos, es un problema algorítmico complejo, debido por una parte
a los parecidos potenciales entre dos blancos diferentes bajo
ciertos ángulos de vista, y por otra parte por la gran variabilidad
de aspectos de un blanco, debida a deformaciones geométricas, a la
posición de algunos elementos, o a la pre-
sencia de algunos equipos. Por ejemplo, un vehículo puede tener las puertas abiertas o cerradas, equipaje en el techo.
sencia de algunos equipos. Por ejemplo, un vehículo puede tener las puertas abiertas o cerradas, equipaje en el techo.
Se trata de identificar automáticamente del modo
más fiable posible blancos en una imagen. El proceso automático de
identificación debe así presentar dos cualidades esenciales: ser
robusto, es decir poco sensible a las variaciones de aspecto de un
blanco que se traduzcan por perturbaciones locales sobre el objeto
en la imagen; que sea discriminante, es decir que sea capaz de
diferenciar entre dos blancos parecidos en aspecto.
En la invención, se interesa más particularmente
por un sistema de identificación automática de blancos basado en la
comparación de contornos. En un sistema de este tipo, se obtienen,
en un primer tiempo, los contornos presentes en la imagen a
analizar luego, en un segundo tiempo, se comparan estos contornos
con los de una base de referencia de blancos, que contiene datos
que representan los objetos de 3D que se tratan de identificar.
La obtención de los contornos presentes en la
imagen se realiza con la ayuda de una técnica denominada de
segmentación. El resultado es una imagen llamada de contornos
obtenidos, correspondiente a una imagen binaria que solo refleja ya
píxeles de contornos, representados en general por puntos blancos
sobre un fondo negro. En esta imagen, solo los píxeles de contornos
contienen información. En lo que sigue, salvo mención contraria
explícita, se entiende por punto, un punto portador de información,
es decir un punto que pertenece a un contorno en el modelo o en la
imagen. Los píxeles que no son puntos de contorno, no son portadores
de información.
La imagen de contornos obtenida se compara
entonces con la de los contornos obtenidos de una base de datos que
representa los objetos en 3D que se buscan identificar. Estos
contornos se llaman contornos modelos y se obtienen, para cada uno
de los objetos en 3D, por proyección según un conjunto de puntos de
vista que permiten representar todos los aspectos del objeto. A
cada objeto en 3D en la base, corresponde así una colección de
contornos-modelos de este objeto.
En la invención, se refiere más particularmente
a un método de comparación llamado correlativo, que consiste en
comparar cada contorno modelo con la imagen de contornos obtenidos
para todas las posiciones posibles de este contorno modelo en la
imagen. Para una posición dada, esta comparación se realiza
superponiendo el contorno modelo a la imagen, y consiste en medir
"la distancia" entre los puntos del contorno modelo y los de
la imagen de contornos obtenidos. Cada uno de los
contornos-modelos que es señalado con relación a un
principio, es posible recalcular las coordenadas de cada uno de sus
puntos en el sistema de coordenadas de la imagen de contornos,
según el píxel de la imagen sobre el cual se centra este principio.
Se barre así cada uno de los contornos-modelos
sobre el conjunto de imagen de contornos obtenidos.
Cuando la imagen de contornos obtenidos ha sido
barrida por el conjunto de contornos-modelos, el
proceso consiste en seleccionar la hipótesis o las hipótesis más
probables.
Se entiende por hipótesis, un blanco, una
posición de este blanco en la imagen y un punto de vista bajo el
cual se observa este blanco.
Un método de evaluación de la distancia entre
los puntos de contornos modelos y los puntos de contornos obtenidos
consiste en contabilizar el número de puntos que estos contornos
tienen en común.
Este método de evaluación simple basado en el
número de puntos en común con un contorno modelo es sin embargo
poco robusto y poco discriminante. Poco robusto pues es muy sensible
a las variaciones de aspecto del blanco y poco discriminante pues
toma en cuenta con la misma importancia todos los puntos del
contorno.
Otro método de evaluación más complejo utiliza
un procedimiento de medición llamado de Hausdorff. Este
procedimiento consiste en identificar para cada uno de los puntos de
contorno modelo, la distancia más pequeña de este punto respecto a
los puntos del contorno de imagen, y en deducir un grado de
diferencia entre el contorno modelo y el contorno de imagen, en
base a la media de las distancias evaluadas.
Sin embargo, este procedimiento aunque
proporciona más rendimiento que el precedente no es lo
suficientemente robusto ni discriminante, pues puede tener en cuenta
distancias no pertinentes que deberían descartarse. En efecto, un
mismo punto de contorno modelo puede ser visto como el más próximo
de varios puntos de contorno de imagen diferentes. Es
particularmente el caso si la imagen contiene puntos parásitos que
no se corresponden con un contorno de un blanco a identificar, por
ejemplo, puntos que corresponden a contornos internos del blanco, o
puntos que corresponden al entorno del blanco (vegetación,
inmuebles...). Estos puntos parásitos perturbarán la medición. La
toma en cuenta de todas estas distancias puede así conducir a una
hipótesis falsa.
Un objeto de la invención es un proceso de
identificación automática que no presente estos diferentes
inconvenientes.
Un proceso de identificación automática según la
invención comprende un procedimiento de medición de proximidad de
un contorno modelo a un contorno de imagen basado en una etapa de
emparejamiento unívoca de cada punto de un contorno modelo a cero o
un único punto de contorno de imagen.
Este procedimiento de emparejamiento punto por
punto comprende una etapa de asociación con cada punto de contorno
de imagen, del punto de contorno de modelo más próximo. En esta
etapa, se hace corresponder con cada punto de contorno de imagen,
dos informaciones: las coordenadas de un punto de contorno modelo
determinado como el más próximo y la distancia entre los dos puntos
así asociados.
Luego, a la inversa, para cada punto del
contorno modelo, se considera el conjunto de puntos de contorno de
imagen que le han sido asociados en la etapa precedente y dentro de
este conjunto, se determina el punto de contorno de imagen más
parecido, tomando la distancia más corta. Se obtiene un
emparejamiento unívoco punto por punto. A la salida, cada punto de
contorno modelo se empareja bien sea con cero puntos de contorno de
imagen o con un único punto de contorno de imagen correspondiente a
una distancia más corta.
Atribuyendo una nota local de proximidad a cada
punto de contorno modelo, igual a cero si está emparejado con cero
puntos de contorno de imagen, y si está emparejado con un punto de
contorno de imagen, igual a un vapor tanto más bajo cuanto mayor es
la distancia entre los dos puntos emparejados, se puede calcular
una nota global. igual a la media de las notas locales que expresa
la probabilidad de similaridad del contorno de modelo con respecto
al contorno de imagen.
La nota global que resulta de este método es
mucho más discriminante que la medición de proximidad utilizada en
los procedimientos de identificación automática del estado de la
técnica, particularmente con relación a hipótesis falsas.
Un sistema de identificación automática según la
invención utiliza este procedimiento para cada posición del
contorno de modelo en la imagen, y para cada modelo de una colección
de modelos.
El conjunto de notas globales obtenidas, que
corresponde a los diferentes contornos modelos y a sus diferentes
posiciones en la imagen, permite elaborar un cierto número de
hipótesis reteniendo las mejoras notas globales de proximidad.
El proceso de emparejamiento punto por punto
según la invención permite mejorar la discriminación del sistema de
identificación automática respecto a hipótesis falsas que
corresponden a casos en que los contornos en la imagen comprenden
puntos interiores de contornos es decir que corresponden a contornos
internos de un blanco, y puntos exteriores de contornos, es decir
que corresponden al entorno del blanco (vegetación,
inmuebles...).
Según otro aspecto de la invención, para mejorar
la discriminación entre hipótesis de blancos que se superponen (es
decir en posiciones idénticas o parecidas en la imagen, lo que se
define habitualmente por puntos de contorno en común entre las dos
hipótesis de contornos modelos), el procedimiento de medición de
proximidad aplica una ponderación local en cada punto de un contorno
modelo. Esta ponderación es representativa de una cantidad de
información contenida en este punto y definida con relación al otro
contorno modelo. Esta ponderación permite discriminar las siluetas
de los dos blancos sobre la base de sus diferencias locales. Más
particularmente, esta ponderación consiste en aplicar el
procedimiento de medición de proximidad entre los dos contornos
modelos a discriminar, para obtener, para cada contorno modelo, un
factor de ponderación en cada punto que permita proporcionar más
peso a los puntos de contorno modelo que contienen las informaciones
diferencias con el otro contorno de modelo. Cuando la colección de
hipótesis contiene más de dos hipótesis que se pueden superponer,
se aplica este proceso de ponderación dos a dos, y se retiene la
mejor nota global obtenida cada vez.
El sistema de identificación automática según la
invención aplica a cada uno de los contornos modelo de una
colección, el proceso de medición de proximidad de este contorno
modelo al contorno de imagen a analizar para evaluar la
verosimilitud de este modelo, y entre los contornos modelos tomados
dos a dos en una selección de hipótesis que se superponen, para
discriminar entre dos contornos modelos próximos ponderando
localmente esta probabilidad relativamente con cada uno de los dos
modelos.
Así, tal como se caracteriza, la invención se
refiere a un procedimiento de medición de proximidad de un segundo
contorno con relación a un primer contorno, comprendiendo para cada
punto del primer contorno, una etapa de asociación con un punto del
segundo contorno determinado como el más próximo, caracterizado
porque comprende una etapa de emparejamiento de cada punto del
segundo contorno con uno o cero puntos del primer contorno, por
determinación del punto del primer contorno más próximo entre el
conjunto de puntos del primer contorno asociados con el indicado
punto del segundo contorno.
La invención se refiere también a un
procedimiento de identificación automática de blancos, que utiliza
un procedimiento de medición de proximidad de este tipo de un
contorno modelo a un contorno imagen.
Según un perfeccionamiento, este procedimiento
de identificación utiliza este procedimiento de medición de
proximidad de un contorno modelo con otro contorno modelo, para
permitir la discriminación entre dos hipótesis que se
superponen.
Otras ventajas y características de la invención
aparecerán más claramente con la lectura de la descripción que
sigue, realizada a título indicativo y no limitativo de la invención
y haciendo referencia a los dibujos adjuntos, en los cuales:
- la figura 1 representa una imagen de contornos
obtenida de una imagen de entrada aplicada a un sistema de
identificación automática de contornos;
- la figura 2 ilustra la etapa de asociación de
un punto de la imagen con un punto de contorno modelo según un
procedimiento de medición de proximidad de un contorno modelo con
relación al contorno imagen a analizar según la invención;
- la figura 3 ilustra la etapa de emparejamiento
punto por punto según un procedimiento de medición de proximidad de
un contorno modelo respecto al contorno de imagen a analizar según
la invención;
- las figuras 4a y 4b ilustran un problema de
detección de hipótesis falsas;
- las figuras 5a y 5b ilustran las clases de
orientación asociadas con los puntos de contorno de imagen y
modelo;
- la figura 6 representa la curva asociada con
un ejemplo de función de atribución de una nota local de proximidad
según la invención;
- las figuras 7a a 7d ilustran el principio de
ponderación de la nota local de ponderación según la invención.
La figura 1 representa una imagen de contornos
obtenidos de una imagen de datos, que puede proceder de una cámara
infrarroja, de un sistema de vídeo, o de cualquier otra fuente de
imágenes.
Se desea determinar en esta imagen de contornos
obtenidos, cuantos blancos contiene, en qué posiciones y de qué
tipo son, entre un conjunto de blancos identificados, que se
obtienen en forma de objetos en 3D en una base de datos. Para ello,
se construye un conjunto de contornos modelos 2D que corresponden a
proyecciones de cada uno de los objetos en 3D, según diferentes
ángulos de vista, teniendo en cuenta informaciones sobre las
condiciones bajo las cuales los blancos son observados, como por
ejemplo, informaciones de distancia entre el blanco y el captador,
de ángulo de apunte.
Si se considera un contorno modelo posicionado
de un modo cualquiera en la imagen de contornos obtenidos, se
indica CM. Se denomina en lo que sigue contorno de imagen CI, el
conjunto de puntos de contorno de la imagen de contornos obtenidos.
Se aplica un procedimiento de medición de proximidad según la
invención, para medir la proximidad de este contorno CM con el
contorno de imagen a analizar.
La figura 1 ilustra una imagen de contornos
obtenidos de una imagen obtenida de cualquier forma: imagen
infrarroja, imagen activa. La misma contiene puntos de contorno de
imagen, que corresponden a los píxeles negros en esta imagen, tales
como los puntos referenciados I_{a}, I_{b}, I_{c}, I_{d} en
la figura 1. Estos puntos de contornos pueden ser puntos de
contorno de un blanco a identificar, tal como el punto I_{a},
puntos externos al contorno del blanco a identificar, tales como los
puntos I_{b} e I_{c} o también puntos de un contorno interno en
el blanco a identificar, tal como el punto I_{d}.
El procedimiento de medición de proximidad según
la invención comprende una etapa de emparejamiento univoca de cada
uno de los puntos de contorno modelo a cero o un solo punto de
contorno imagen y una etapa de atribución de una nota local de
proximidad en cada punto de contorno modelo, que representa la
proximidad de este punto de contorno modelo con el contorno de
imagen.
Más precisamente, la etapa de emparejamiento de
cada uno de los puntos de contorno modelo comprende las etapas a)-
y b)- siguientes:
a)- una etapa de asociación con cada punto de
contorno de imagen de un punto de contorno modelo, por el criterio
de la distancia más baja;
b)- para cada punto de contorno modelo, la
determinación del conjunto de puntos de contorno de imagen a los
cuales ha sido asociado en la etapa a)- y la determinación del punto
de imagen más próximo en este conjunto, sobre el criterio de la
distancia más baja.
Este procedimiento hace que en la etapa a)- se
memoricen para cada punto de contorno dos informaciones: las
coordenadas del punto de contorno modelo asociado y la distancia
correspondiente entre los dos puntos asociados, para realizar la
etapa b)- de emparejamiento sobre la base de estas dos
informaciones.
La distancia considerada es la distancia
euclidiana, de la cual se realiza una medición verdadera o una
medición discreta según los métodos de cálculo utilizados.
Particularmente, la utilización de un método de bisel, que permite
de forma conocida acelerar el tiempo de cálculo utiliza una medición
discreta de la distancia euclidiana.
Las etapas a)- y b)- se ilustran en las figuras
2 y 3.
La etapa a)- se ilustra en la figura 2. Se
evalúa la proximidad de los puntos de contorno de imagen CI con el
contorno modelo CM, para asociar en cada punto de contorno de imagen
un punto de contorno de modelo más próximo. Así, como se ha
representado en la figura 2, si se toma un punto del contorno de
imagen CI, la evaluación del punto de contorno modelo más próximo
consiste en buscar la distancia d más corta entre este punto de
contorno de imagen y un punto de contorno modelo. En el ejemplo
representado en la figura 2, esta evaluación conduce a la
asociación del punto M_{1} de contorno modelo CM con el punto
I_{1} del contorno de imagen CI. En este ejemplo, se tienen
también las asociaciones siguientes: (I_{1},M_{1}),
(I_{2},M_{1}), (I_{3},M_{1}), (I_{4},M_{2}),
(I_{5},M_{2}), (I_{6},M_{3}).
En el transcurso de esta etapa, un mismo punto
de contorno modelo puede asociarse con puntos diferentes de
contorno de imagen. En el ejemplo, el punto M_{1} del contorno
modelo CM ha sido asociado con los puntos I_{1}, I_{2}, I_{3}
de contorno de imagen.
La etapa b)- es ilustrada por la figura 3. La
misma consiste para cada punto de contorno modelo, en seleccionar
entre los puntos de contorno de imagen que le han sido asociados en
la primera etapa a), el punto de contorno de imagen más próximo del
punto de contorno modelo. En la figura 3, se ha representado por
líneas de trazo interrumpido la puesta en correspondencia de puntos
de contorno de imagen con puntos de contorno modelo según la
primera etapa a). Para cada punto de contorno modelo, se tiene así
0, uno o n puntos de contorno de imagen asociados según esta etapa
a). Por ejemplo, para el punto de contorno de imagen M_{15}, se
tienen 3 puntos de contorno de imagen asociados: I_{24},
I_{28}, e I_{29}.
La etapa b)- consiste en mantener solo el punto
de imagen más próximo, cuando existe, entre los puntos de contorno
de imagen asociados con un mismo punto de contorno modelo y en
evaluar la nota local de proximidad de este punto de contorno
modelo con el contorno de imagen en base al emparejamiento (punto
de contorno modelo – punto de contorno de imagen) así realizado.
En el ejemplo de la figura 3, el emparejamiento
punto M_{i} (modelo) con el punto I_{k} (imagen) según la
invención es el siguiente:
(M_{10}, cero
punto de imagen);
\;(M_{11}, I_{20});
\;(M_{12}, I_{12});
\;(M_{13},
\;I_{22});
\;(M_{15}, I_{24}).
Con un emparejamiento punto por punto según la
invención, los puntos de contorno de imágenes I_{25} a I_{29}
no serán por consiguiente tenidos en cuenta en la evaluación de la
proximidad del modelo.
La etapa de emparejamiento punto por punto según
la invención proporciona para cada punto M_{i} de contorno modelo
M_{i} emparejado con un único punto de contorno de imagen I_{k},
una medición de proximidad de este punto M_{i} con relación al
contorno de imagen. Esta medición de proximidad del punto M_{i}
puede escribirse:
Dist(M_{i})= d(M_{i},
I_{k}), donde d(M_{i}, I_{k}) es una medición verdadera
o aproximada de la distancia euclidiana entre los dos puntos
emparejados. La misma se expresa en número de píxeles.
El procedimiento comprende además una etapa de
atribución de una nota local de proximidad a cada uno de los puntos
del contorno modelo de la forma siguiente: la nota toma un valor
comprendido entre 0 y 1, tanto más grande cuanto más próximos se
encuentren los puntos emparejados (cuando la medición de proximidad
de este punto es baja). Más precisamente:
- -
- si un punto de contorno modelo no es alcanzado por ningún punto de contorno de imagen, correspondiente a un punto de contorno modelo muy alejado del contorno de imagen, se le atribuye la nota cero. En el ejemplo de la figura 3, la nota atribuida al punto M_{10} es cero: N(M_{10})=0.
\newpage
- -
- si un punto de contorno modelo es alcanzado por un punto de contorno de imagen, único, se la atribuye una nota tanto más grande cuanto más próximos estén los puntos. Por ejemplo, se podría tener N(M_{12})=0,7; N(M_{15})=0,3.
La última etapa del procedimiento consiste
entonces en determinar la nota global para el modelo, por término
medio las notas locales de todos los puntos del contorno modelo.
Según este principio de evaluación, el contorno
modelo es evaluado como estando más próximo de un contorno de
imagen cuanto más elevada es la nota global atribuida.
Se ha podido mostrar que dicho proceso de
identificación automática de blancos según la invención permite
evitar errores de detección del tipo ilustrado en las figuras 4a y
4b. En estas figuras, se ha superpuesto sobre una imagen 1 que
comprende un blanco C, un primer modelo MOD_{1} (figura 4a) y un
segundo modelo MOD_{2} (figura 4b). El primer modelo MOD_{1}
corresponde en el ejemplo al blanco a detectar sobre el cual está
perfectamente posicionado. Conduce a una hipótesis retenida. El
segundo modelo corresponde a otro tipo de blanco. Pero con un
procedimiento según el estado de la técnica, la hipótesis será
retenida, debido a la presencia de puntos de contornos que no
pertenecen al contorno del blanco, sino que pertenecen en realidad
al fondo, o a puntos de contornos internos.
Según un modo de realización de la invención, la
evaluación de la nota local de proximidad de cada punto de contorno
modelo es una función de la distancia d entre este punto y el punto
de contorno de imagen emparejado según la invención.
De preferencia, y como se ha representado
esquemáticamente en las figuras 5a y 5b, la evaluación de la
proximidad de dos puntos comprende la toma en cuenta del tipo de
orientación en los puntos I_{20} y M_{30} del par P
considerado. Este tipo se define típicamente por la orientación de
la tangente del contorno en el punto considerado: en la figura 5a,
se ha representado la tangente t_{I} respecto al punto de contorno
de imagen I_{20} del contorno de imagen CI y la tangente t_{M}
respecto al punto de contorno modelo M_{30} del contorno modelo
CM. Se definen n tipos de orientación, con n de número entero: el
tipo de orientación 0 corresponde a una orientación horizontal de
la tangente; el tipo de orientación n-1 corresponde
a una orientación vertical de la tangente y cada uno de los tipos
de orientación intermediarios corresponde a una orientación de la
tangente determinada, comprendida entre 0 y \pi rad. Estos tipos
se representan en la figura 5b con n=8. En este ejemplo, el punto
I_{20} pertenece al tipo de orientación 6 y el punto M_{30}
pertenece al tipo de orientación 5.
De forma general, si las tangentes t_{I} y
t_{M} coinciden, es decir si los dos puntos emparejados pertenecen
al mismo tipo de orientación, entonces \DeltaORI=0. Si los dos
puntos emparejados se encuentran en tipos ortogonales, \DeltaORI =
n-1. Más generalmente, se tiene \DeltaORI = |
tipo(Ik)-tipo\alm{1}(Mi) | (en
número de píxeles).
En el ejemplo representado en la figura 5a,
\DeltaORI =6-5=1
La medición corregida de proximidad al contorno
de imagen del punto de contorno modelo M_{i} emparejado con el
punto de contorno de imagen I_{k} puede así escribirse:
Dist(M_{i}) =
d(M_{i}, I_{k}) + \frac{1}{4} \ \Delta
ORI.
En la práctica, con n=8, se obtiene un buen
compromiso en términos de falsas detecciones y de tiempos de
cálculo.
En este perfeccionamiento, la medición de
proximidad es una función continua de la posición y de la
orientación. Se limita así el peso de la orientación, que puede
estimarse de forma errónea.
En una variante de toma en cuenta de la clase de
orientación, se tiene en cuenta la clase de orientación en la etapa
de asociación del proceso de emparejamiento punto por punto,
permitiendo solo la asociación (y por consiguiente el
emparejamiento) entre puntos del mismo tipo. En este caso, la
medición de proximidad Dist(M_{i}) es igual a la distancia
entre los dos puntos emparejados M_{i} e I_{k}.
La atribución de la nota local de proximidad
N(M_{i}) de un punto de contorno modelo M_{i} en función
de la medición de proximidad según la invención debe contribuir a la
robustez del procedimiento de identificación.
Esta nota local traduce una probabilidad de
similaridad entre el contorno modelo y el contorno imagen: la misma
toma un valor en el intervalo [0,1]. Cuando la misma es igual a
cero, traduce que el punto de contorno modelo no "se acopla"
con el contorno de imagen; cuando la misma es igual a 1, traduce una
fuerte probabilidad que el contorno modelo corresponda al contorno
imagen.
Así, todos los puntos de contorno modelo que no
han podido ser emparejados con un punto de contorno de imagen según
el procedimiento de la invención deben tener una contribución nula,
es decir una nota nula, que traduce su mayor alejamiento del
contorno de imagen.
\newpage
Para los puntos de contorno modelo que se
emparejan en un punto, único, de contorno de imagen, la función de
atribución de la nota sigue de preferencia los criterios
siguientes:
- -
- la nota debe tomar un valor igual a 1, cuando la medición de proximidad Dist(M_{1}) es nula;
- -
- la nota debe tomar un valor próximo a 1 cuando la medición de proximidad Dist(M_{i}) está comprendida entre 0 y 1.
- -
- la nota debe disminuir muy rápidamente a 0 una vez que la medición de proximidad Dist(M_{i}) se vuelve superior a 1.
- -
- la curva de atribución de la nota N(M_{i}) presenta un punto de inflexión, de preferencia para una medición de proximidad Dist(M_{i}) próximo a 2 píxeles.
- -
- la nota debe tomar un valor casi nulo una vez que la medición de proximidad Dist(M_{i}) se vuelve superior a 3 píxeles.
La función N(M_{i}) de atribución de la
nota en un punto de contorno modelo M_{i} emparejado según la
invención con el punto de contorno de imagen I_{k} tendrá por
ejemplo la forma representada en la figura 6, que corresponde a la
función siguiente:
N(M_{i}) =
\left(0,5 - arctan \frac{4(Dist(M_{i}) -
2)}{\pi}\right)
\frac{1}{0,9604}.
\vskip1.000000\baselineskip
Una realización práctica de un procedimiento de
medición de proximidad según la invención puede utilizar métodos de
cálculo denominados de bisel. Estos métodos de bisel son muy
eficaces en términos de tiempo de cálculo y son muy utilizados en
números ámbitos de tratamiento de imagen de los cuales el del
reconocimiento de for-
ma.
ma.
Un método de bisel clásico permite hacer
corresponder a un contorno, un mapa de dos entradas x e y
corresponden a las coordenadas de un punto dado, y a una salida, que
es la distancia más corta de este punto (x, y) con relación al
contorno. En otras palabras, se evalúa la distancia más corta del
punto (x, y) al contorno cartografiado por medio de curvas de
niveles. Este método conocido de bisel se utiliza generalmente para
aplicar el procedimiento de medición de Hausdorff. En este caso, el
método de bisel se aplica sobre el contorno de imagen, que permite
determinar para cada punto (x, y) de contorno modelo, la distancia
más corta con relación al contorno de imagen.
En el procedimiento según la invención, el
método de bisel debe aplicarse de forma diferente.
Primero, en la primera etapa de asociación del
procedimiento según la invención, se trata de medir la distancia
más corta de un punto de contorno de imagen con relación al contorno
modelo. Esto implica aplicar el método de bisel ya no al contorno
de imagen, sino a cada uno de los contornos modelos.
Sin embargo, el cálculo del mapa de bisel de un
contorno modelo es independiente de la imagen de contornos
obtenidos a analizar. Estos cálculos pueden por consiguiente ser
realizados una vez por todas y memorizados, para ser explotados en
el momento oportuno, en tiempo real, para el análisis de una imagen
de contornos dada.
Seguidamente, para permitir el emparejamiento
punto por punto según la invención, el mapa de bisel del contorno
modelo debe proporcionar en salida una primera información que es la
distancia entre los dos puntos asociados, y una segunda información
que es la identificación del punto de contorno modelo asociado con
esta distancia. Esta segunda información es necesaria pues es la que
va a permitir en la etapa de emparejamiento, determinar el conjunto
de puntos de contorno de imagen asociados con un mismo punto de
contorno modelo, y deducir con ello automáticamente la medición de
proximidad por la primera información asociada.
Así, un procedimiento de cálculo rápido según la
invención comprende el cálculo de un mapa de bisel para cada
contorno modelo, proporcionado la indicada tarjeta en función de las
dos entradas x e y que corresponden a las coordenadas de un punto
de contorno de imagen, una información S_{0}(x,y) que
identifica el punto de contorno modelo alcanzado por la medición de
distancia la más corta, y una información S_{1}(x,y) que
corresponde al valor de esta medición.
Seguidamente, se aplican las etapas de
emparejamiento punto por punto, y de atribución de una nota local a
cada punto de contorno modelo, función de la medición de proximidad
Dist(M_{i}) para los puntos emparejados.
Este método no permite corregir la medición de
proximidad Dist(M_{i}) de un punto de contorno modelo
M_{i} en función de la clase de orientación de este punto y del
punto de contorno de imagen emparejado I_{k}.
\newpage
Se prevé entonces calcular un mapa de bisel por
clase de orientación del contorno modelo. Se dispone por
consiguiente n tarjetas de bisel por contorno modelo. Se ha visto
que de preferencia, n=8.
La etapa de asociación en cada punto de contorno
de imagen de un punto de contorno modelo comprende entonces, para
cada punto de contorno imagen, la determinación previa de la clase
de orientación de este punto, y la selección del mapa de bisel del
contorno modelo en la clase de orientación correspondiente.
Por último, el cálculo de la nota global \eta
consiste en realizar la media de todas las notas locales, o sea, si
el contorno modelo comprende I puntos M_{i=1 \ a \ I} de contorno
modelo, \eta = \frac{1}{l} \sum\limits^{l}_{i=1}
N(M_{i}).
El procedimiento según la invención se aplica
sobre todos los contornos modelos barriéndolos cada vez por toda la
imagen.
Se obtiene una nota global para cada contorno
modelo (contorno modelo a incluir como contorno modelo en una
posición dada), que es una medición de probabilidad de similitud de
este contorno modelo con relación al contorno de imagen.
Por ejemplo, se obtiene la nota global
\eta_{1} para el contorno modelo CM_{1}; \eta_{2} para el
contorno modelo CM_{2}, ...
De preferencia, se establece entonces una
selección de hipótesis. Se entiende por hipótesis, un contorno
modelo (es decir un blanco, bajo un cierto punto de vista) en una
posición determinada en la imagen.
La selección es típicamente obtenida reteniendo
las hipótesis más probables que corresponden a una nota global
obtenida superior a un limite de decisión. Este umbral está de
preferencia fijado en 0,6.
La realización de un proceso de identificación
automática de blancos de este tipo utilizando un procedimiento de
medición de proximidad según la invención, permite disminuir el
número de falsas alarmas y discriminar mejor entre las diferentes
hipótesis. En otras palabras, se tienen menos hipótesis retenidas a
la salida.
La tabla dada a continuación muestra a título de
comparación, para imágenes diferentes que solo contienen un blanco
a identificar, el número de hipótesis retenidas sobre el criterio de
la medición de Hausdorff (hipótesis retenida si la medición de
Hausdorff<2píxeles) y sobre el criterio de la nota global de
proximidad (\eta>0,6) según la invención. Se aprecia que el
criterio de selección basado en la nota de proximidad según la
invención proporciona bastantes mejores resultados en términos de
rechazo de falsas hipótesis.
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Por el contrario, no permite mejorar de forma
verdaderamente determinante la discriminación entre dos blancos de
siluetas parecidas. Esto se traduce por la presencia de hipótesis
que se pueden superponer en la selección de hipótesis obtenida. La
noción de hipótesis que se superponen es una noción bien conocida
del experto en la materia. La misma traduce que los contornos
modelos de estas hipótesis tienen puntos de contorno en común.
Otro aspecto de la invención permite mejorar
este último punto.
El problema más particularmente considerado aquí
se debe al hecho, de que según ciertos ángulos de vista, para
algunas orientaciones, dos blancos pueden tener siluetas
relativamente similares, próximas, en el sentido de la nota global
\eta atribuida según la invención.
Sin embargo, se puede observar en la práctica la
presencia de diferencias localizadas. Tratándose de vehículos
militares por ejemplo, estas pueden ser la presencia de orugas o de
ruedas; una longitud sustancialmente diferente; una forma
redondeada o por el contrario angulosa.
Algunas partes de un contorno modelo son por
consiguiente más informativas que otras con relación a otro
contorno modelo.
La figura 7d muestra así un contorno de imagen
CI correspondiente a una imagen de contornos obtenidos. Dos modelos
CM_{1} y CM_{2} representados respectivamente en la figura 7a y
la figura 7b, se encuentran próximos en el sentido de la invención
de este contorno de imagen.
La idea en la base del perfeccionamiento según
la invención consiste en considerar las dos hipótesis que se
superponen, y en ponderar la nota local de cada punto de un contorno
modelo, establecida en la medida de proximidad de este contorno
modelo respecto al contorno imagen, por una cantidad de información
que representa la diferencia local en este punto, con el otro
contorno modelo.
Según la invención, la nota global \eta_{1}
asociada con el contorno modelo CM_{1} que mide la probabilidad
de similitud de este contorno modelo CM_{1} respecto al contorno
de imagen CI se obtiene por ponderación de cada una de las notas
locales. Más precisamente, se pondera la nota local de proximidad
N(M1_{i}) de cada punto M1_{i} del contorno modelo
CM_{1}, por un factor representativo en este punto de la cantidad
de información discriminante que contiene con relación al otro
contorno modelo CM_{2}. Esta cantidad de información contenida en
un punto M1_{i} del contorno modelo CM_{1} debe ser tanto más
elevada cuando más alejado esté este punto del otro contorno modelo
CM_{2}: es la definición misma de la medición de proximidad en
este punto Dist (M1_{i}) según el procedimiento de la
invención.
La cantidad de información de cada uno de los
puntos M1_{i} del primer contorno CM_{1} con relación al
contorno CM_{2} se define por consiguiente como sigue:
X(M1_{i})=
Dist(M1_{i}) =d(M1_{i},
M2_{j}).
donde M2_{j} es un punto del
contorno modelo CM2_{j} emparejado con el punto M1_{i} según el
procedimiento de medición de proximidad de la invención. En un
punto dado del contorno modelo CM_{1}, cuanto mayor es la
distancia en el punto emparejado, más importante es la cantidad de
información en este punto. Esto es lo que representa
esquemáticamente la figura 7c. En el punto M1_{a}, la cantidad de
información X(M1_{a}) es grande, correspondiente a la
distancia d_{a} en la
figura.
En el punto M1_{b}, la cantidad de información
X(M1_{b}) es nula, ya que en este punto, los dos contornos
se confunden.
Los métodos de cálculo de bisel y de toma en
cuenta de la orientación de los puntos en la medición de distancia
descritas anteriormente se aplica de la misma manera en este cálculo
de cantidad de información.
El procedimiento de ponderación según la
invención consiste entonces, en la etapa de cálculo de la nota
global \eta_{1} del contorno CM_{1} con relación al contorno
de imagen, en ponderar la nota local de proximidad de cada punto
M1_{i} del contorno modelo CM_{1} por la cantidad de información
X(M1_{i}) asociada, o sea:
\eta_{1} =
\frac{1}{m} \sum\limits^{m}_{i=1} N(M1_{i}) .
X(M1_{i}).
Se aplica el procedimiento de ponderación en los
puntos del segundo contorno CM_{2}, invirtiendo el papel de los
primeros y segundos contornos, es decir utilizando el procedimiento
de medición de proximidad del segundo contorno CM_{2} respecto al
primer contorno CM_{1}: se obtiene la cantidad de información
X(M2_{j}) de cada punto M2_{j} del segundo contorno
CM_{2} con relación al primer contorno CM_{1}. Se pondera la
nota local de proximidad N(M2_{j} de cada punto M2_{j}
por la cantidad de información X(M2_{j} asociada. La nota
global \eta_{2} se obtiene mediante la nota local de proximidad
ponderada de cada uno de los puntos del contorno modelo CM_{2}, o
sea
\eta_{2} =
\frac{1}{l} \sum\limits^{l}_{j=1} N(M2_{j}) .
X(M2_{j}).
Así, se da más peso a las partes del contorno de
modelo que tienen la mayor información con relación a las
demás.
En otras palabras, esto viene de nuevo a
discriminar entre las dos hipótesis sobre la base de los puntos de
contorno que contienen la mayor información con relación a la
otra.
Esta noción de cantidad de información se define
por consiguiente con relación a un par de contornos modelos
dado.
Cuando más de dos hipótesis se superponen, se
aplica el procedimiento de discriminación dos a dos.
Así la invención describe un procedimiento de
medición de proximidad de un segundo contorno a un primer contorno,
según el cual cada punto M_{i} del segundo contorno está
emparejado con uno o cero puntos del primer contorno,
proporcionando una medición de proximidad Dist(M_{i}) en
este punto.
Un procedimiento de identificación automática de
blancos según la invención aplica este proceso de medición de
proximidad para determinar la medición de proximidad de cada punto
de un contorno modelo, aplicado como segundo contorno, a un
contorno de imagen, aplicado como primer contorno. Se deduce para
cada punto del contorno modelo, una nota local de proximidad y para
el contorno modelo, una nota global, que proporciona una medición
de probabilidad de similitud al contorno de imagen.
El procedimiento de identificación automática
determina así la nota global asociada a cada uno de los contornos
modelos de una colección (con tantos contornos modelos diferentes
como modelos de 3D diferentes y como puntos de vista considerados
para cada modelo de 3D).
Según otro aspecto de la invención, aplica un
criterio de selección de hipótesis, reteniendo como hipótesis
probable, cada uno de los contornos modelo cuya nota global es
superior al umbral.
Según una variante, los contornos modelos de la
colección corresponden a una selección de hipótesis, procedente de
otro proceso, por ejemplo, procedente de una medición de
Hausdorff.
Según otro aspecto de la invención, el
procedimiento de identificación automática aplica entonces el
procedimiento de ponderación en cada par de hipótesis que se
superponen entre las hipótesis retenidas, para obtener para el
contorno modelo asociado con cada hipótesis, una nota global
ponderada según la invención. Para ello, utiliza el procedimiento
de medición de proximidad, aplicándolo una primera vez, para medir
la cantidad de información asociada con cada punto de contorno de
la primera hipótesis, aplicado como segundo contorno, con relación
al contorno de la segunda hipótesis aplicado como primer contorno, y
calcular la nota global asociada mediante las notas locales
ponderadas. Aplica el procedimiento de medición de proximidad una
segunda vez para medir la cantidad de información asociada con cada
punto del contorno de la segunda hipótesis aplicado como segundo
contorno, con relación al contorno de la primera hipótesis aplicado
como primer contorno, y calcular la nota global asociada
promediando las notas locales ponderadas. Luego el sistema de
identificación selecciona la mejor hipótesis. Si las hipótesis que
se superponen se encuentran en número superior a dos, el sistema de
identificación automática aplica esta ponderación dos a dos, para
retener cada vez la mejor hipótesis.
Se ha podido someter a ensayo en estación de
trabajo los rendimientos de un sistema de identificación automática
de blancos utilizando un procedimiento de identificación de este
tipo según la invención, sobre una base que contiene 200 imágenes a
analizar y 9 blancos de 3D que corresponden a vehículos terrestres.
Se ha podido así evidenciar una mejora significativa de los
rendimientos de la identificación, con un porcentaje de buena
identificación del 80%, contra un 50% obtenidos con procedimientos
del estado de la técnica.
Se apreciará que la aplicación de un sistema de
identificación automática según la invención en una primera
selección de hipótesis obtenida de otro proceso de identificación
automática, tal como un proceso que utiliza la medición de
Hausdorff, no cambia los rendimientos de identificación, pero
permite ventajosamente ganar tiempo de cálculo.
La invención que acaba de describirse permite
mejorar de forma sensible la robustez y la discriminación de un
sistema de identificación automática que lo pone en práctica. La
misma se aplica en el ámbito militar, pero más generalmente, a
cualquier ámbito que utilice el reconocimiento de forma por
comparación de una serie de modelos.
Claims (19)
1. Procedimiento automatizado de medición de
proximidad de un segundo contorno (CM) obtenido de una imagen de un
primer contorno (CI), que comprende para cada punto (I_{k}) del
primer contorno, una etapa de asociación con un punto (M_{i}) del
segundo contorno determinado como el más próximo,
caracterizado porque comprende una etapa de emparejamiento
de cada punto del segundo contorno con uno o cero puntos del primer
contorno, por determinación del punto del primer contorno más
próximo entre el conjunto de puntos del primer contorno asociados
con dicho punto del segundo contorno.
2. Procedimiento según la reivindicación 1,
caracterizado porque la determinación de un punto más próximo
de un punto dado se basa en una medición verdadera o discreta de la
distancia euclidiana entre los dos puntos.
3. Procedimiento según la reivindicación 2,
caracterizado porque comprende una etapa de atribución de una
medición de proximidad Dist(M_{i}) de cada punto M_{i}
del segundo contorno (CM) respecto al primer contorno (CI), basada
en la medición de la distancia de este punto al punto del primer
contorno con el cual está emparejado.
4. Procedimiento según la reivindicación 3,
caracterizado porque la indicada medición de distancia es una
medición corregida en función de la diferencia de clase de
orientación de los puntos del par considerado.
5. Procedimiento según una cualquiera de las
reivindicaciones 1 a 3, caracterizado porque en la etapa de
asociación con cada punto del primer contorno de cero o un punto
del segundo contorno, se asocia el punto más próximo entre los
puntos del segundo contorno que tienen la misma clase de orientación
que el indicado punto del primer contorno.
6. Procedimiento según una cualquiera de las
reivindicaciones 1, 2, 3, ó 5, caracterizado porque la etapa
de asociación utiliza un mapa de bisel del segundo contorno mediante
el cual, en cada punto del primer contorno de coordenadas x e y
aplicadas a la entrada, el mencionado mapa proporciona a la salida
una identificación (S_{0}(x,y)) del punto del segundo
contorno asociado y una medición (S_{1}(x,y)) de la
proximidad entre los dos puntos así asociados.
7. Procedimiento según la reivindicación 6, en
combinación con la reivindicación 5, caracterizado porque con
el segundo contorno se asocia un mapa de bisel por clase de
orientación, y porque para cada punto del primer contorno, la etapa
de asociación comprende una etapa de determinación de la clase del
punto del primer contorno, para aplicar las coordenadas (x, y) de
este punto en entradas del mapa de bisel correspondiente a la
indicada clase de orientación.
8. Procedimiento según una cualquiera de las
reivindicaciones 4 a 7, caracterizado porque utiliza ocho
clases de orientación.
9. Procedimiento de identificación automática de
blancos en una imagen de contornos obtenidos (CI) definida por un
contorno de imagen, caracterizado porque se aplica un
procedimiento de medición de proximidad según una cualquiera de las
reivindicaciones 1 a 8, aplicando como segundo contorno, un contorno
modelo (CM) y como primer contorno, el indicado contorno de imagen
(CI), para obtener la medición de proximidad Dist(M_{i})
de cada punto de dicho contorno modelo respecto al indicado contorno
de imagen.
10. Procedimiento de identificación según la
reivindicación 9, caracterizado porque comprende la
atribución de una nota local de proximidad N(M_{i}) en
cada punto M_{i} del contorno modelo en función de la medición de
proximidad Dist(M_{i}) de este punto, según los criterios
siguientes:
- -
- N(M_{i}) tiene un valor comprendido entre 0 y 1;
- -
- N(M_{i}) = 0, cuando el indicado punto está emparejado con cero puntos del primer contorno;
- -
- N(M_{i}) = 1, cuando la medición de proximidad es igual a cero;
- -
- N(M_{i}) tiene un valor próximo de 1, cuando la medición de proximidad se encuentra comprendida entre 0 y 1 píxel;
- -
- N(M_{i}) disminuye muy rápidamente a 0 tan pronto como la medición de proximidad se vuelve superior a 1 pixel.
- -
- N(M_{i}) disminuye según una curva con un punto de inflexión, en los alrededores de una medición de proximidad de aproximadamente 2 píxeles;
- -
- N(M_{i}) tiene un valor casi nulo tan pronto como la medición de proximidad se vuelve superior a 3 píxeles.
11. Procedimiento de identificación según la
reivindicación anterior, caracterizado porque la función de
atribución de la nota de proximidad en el punto M_{i} se
escribe:
N(M_{i}) =
\left(0,5 - arctan \frac{4(Dist(M_{i}) -
2)}{\pi}\right)
\frac{1}{0,9604}.
12. Procedimiento de identificación según la
reivindicación 10 ú 11, caracterizado porque comprende una
etapa de medición de una nota global \eta igual a la media de las
notas de proximidad indicadas con relación al número de puntos del
contorno modelo (CM).
13. Procedimiento de identificación según una
cualquiera de las reivindicaciones 9 a 12, caracterizado
porque se aplica sucesivamente a cada uno de los contornos modelos
de una colección de contornos modelos.
14. Procedimiento de identificación según la
reivindicación 13, caracterizado porque la indicada colección
se obtiene de otro procedimiento de identificación de blancos, tal
como un procedimiento que utiliza una medición de distancia de
Hausdorff.
15. Procedimiento de identificación según la
reivindicación 13 ó 14, caracterizado porque comprende una
etapa de selección de hipótesis por comparación de un umbral de
cada una de las notas globales \eta atribuidas a cada uno de los
contornos modelos.
16. Procedimiento de identificación según la
reivindicación 15, caracterizado porque el indicado umbral se
fija en 0,6.
17. Procedimiento de identificación según una
cualquiera de las reivindicaciones 15 ó 16, caracterizado
porque comprende una etapa de discriminación entre hipótesis de
contornos modelos que se superponen, incluyendo para cada par una
primera hipótesis de contorno (CM_{1}) y una segunda hipótesis de
contorno (CM_{2}) que se superponen, una etapa de ponderación de
la nota global atribuida a cada uno de los contornos modelos,
comprendiendo la indicada etapa de ponderación la aplicación del
procedimiento de medición de proximidad según una cualquiera de las
reivindicaciones 3 a 8:
- -
- a aplicando como segundo contorno, el contorno de la indicada primera hipótesis y como primer contorno, el contorno de la indicada segunda hipótesis, aplicándose la indicada medición de proximidad Dist(M1_{i}) obtenida para cada punto (M1_{i}) de contorno (CM_{1}) de la primera hipótesis como factor de ponderación X(M1_{i}) de la nota local de proximidad (N(M1_{i})) de este punto respecto al contorno de imagen (CI), y en deducir la nota global (\eta_{1}) asociada con la primera hipótesis de contorno que representan su proximidad con relación al contorno de imagen calculando la media de las indicadas notas locales ponderadas,
- -
- b aplicando como segundo contorno, el contorno de la indicada segunda hipótesis y como primer contorno, el contorno de la indicada primera hipótesis, siendo aplicada la mencionada medición de proximidad Dist(M2_{j}) obtenida para cada punto (M2_{j}) de contorno (CM_{2}) de la primera hipótesis como factor de ponderación X(M2_{j}) de la nota local de proximidad (N(M2_{j})) de este punto al contorno de imagen (Cl), y en deducir la nota global (\eta_{2}) asociada con la primera hipótesis de contorno que representa su proximidad al contorno de imagen calculando la media de las indicadas notas locales ponderadas.
18. Procedimiento de identificación según la
reivindicación 17, caracterizado porque retiene como mejor
hipótesis de contorno modelo entre una pluralidad de hipótesis que
se superponen, aquella a la cual se asocia la mejor nota
global.
19. Sistema de identificación automática de un
objeto en una imagen de contornos, que comprende una base de datos
que contiene modelos de objetos determinados a reconocer, y medios
de cálculo, estando los indicados medios de cálculo configurados
para comparar contornos, caracterizado porque los indicados
medios de cálculo están configurados para realizar las etapas de un
procedimiento de identificación según una cualquiera de las
reivindicaciones 9 a 18.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0308707A FR2857771B1 (fr) | 2003-07-17 | 2003-07-17 | Systeme d'identification automatique de cibles |
| FR0308707 | 2003-07-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2281001T3 true ES2281001T3 (es) | 2007-09-16 |
Family
ID=33548197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES04766207T Expired - Lifetime ES2281001T3 (es) | 2003-07-17 | 2004-07-13 | Procedimiento de medicion de proximidad de dos contornos y sistema de identificacion automatica de blancos. |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US7783112B2 (es) |
| EP (1) | EP1646967B1 (es) |
| JP (1) | JP4745966B2 (es) |
| KR (1) | KR20060056949A (es) |
| AT (1) | ATE353153T1 (es) |
| DE (1) | DE602004004594T2 (es) |
| ES (1) | ES2281001T3 (es) |
| FR (1) | FR2857771B1 (es) |
| IL (1) | IL173125A (es) |
| WO (1) | WO2005017818A1 (es) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7965890B2 (en) * | 2007-01-05 | 2011-06-21 | Raytheon Company | Target recognition system and method |
| US9250324B2 (en) | 2013-05-23 | 2016-02-02 | GM Global Technology Operations LLC | Probabilistic target selection and threat assessment method and application to intersection collision alert system |
| US9582739B2 (en) * | 2014-11-18 | 2017-02-28 | Harry Friedbert Padubrin | Learning contour identification system using portable contour metrics derived from contour mappings |
| CN104463866B (zh) * | 2014-12-04 | 2018-10-09 | 无锡日联科技有限公司 | 一种基于轮廓随机采样的局部形状匹配方法 |
| CN104574519B (zh) * | 2015-01-31 | 2017-05-31 | 华北水利水电大学 | 多源居民地面要素的免阈值自动稳健匹配方法 |
| US10885493B2 (en) * | 2015-05-16 | 2021-01-05 | Tata Consultancy Services Limited | Method and system for planogram compliance check based on visual analysis |
| CN105678844B (zh) * | 2016-01-06 | 2018-04-24 | 东南大学 | 一种基于地物散乱点逐点增加的轮廓构建方法 |
| FR3086161B1 (fr) * | 2018-09-24 | 2021-03-12 | Interactif Visuel Systeme I V S | Determination automatique des parametres necessaires a la realisation de lunettes. |
| US11022972B2 (en) * | 2019-07-31 | 2021-06-01 | Bell Textron Inc. | Navigation system with camera assist |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5321770A (en) * | 1991-11-19 | 1994-06-14 | Xerox Corporation | Method for determining boundaries of words in text |
| JPH05225335A (ja) * | 1992-02-17 | 1993-09-03 | Nippon Telegr & Teleph Corp <Ntt> | 物体の領域切り出し装置 |
| US7158677B2 (en) * | 2002-08-20 | 2007-01-02 | National Instruments Corporation | Matching of discrete curves under affine transforms |
-
2003
- 2003-07-17 FR FR0308707A patent/FR2857771B1/fr not_active Expired - Fee Related
-
2004
- 2004-07-13 DE DE602004004594T patent/DE602004004594T2/de not_active Expired - Lifetime
- 2004-07-13 US US10/564,762 patent/US7783112B2/en not_active Expired - Fee Related
- 2004-07-13 KR KR1020067001165A patent/KR20060056949A/ko not_active Application Discontinuation
- 2004-07-13 EP EP04766207A patent/EP1646967B1/fr not_active Expired - Lifetime
- 2004-07-13 ES ES04766207T patent/ES2281001T3/es not_active Expired - Lifetime
- 2004-07-13 AT AT04766207T patent/ATE353153T1/de not_active IP Right Cessation
- 2004-07-13 JP JP2006519928A patent/JP4745966B2/ja not_active Expired - Fee Related
- 2004-07-13 WO PCT/EP2004/051476 patent/WO2005017818A1/fr active IP Right Grant
-
2006
- 2006-01-12 IL IL173125A patent/IL173125A/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| FR2857771A1 (fr) | 2005-01-21 |
| EP1646967B1 (fr) | 2007-01-31 |
| US7783112B2 (en) | 2010-08-24 |
| US20060193493A1 (en) | 2006-08-31 |
| WO2005017818A1 (fr) | 2005-02-24 |
| KR20060056949A (ko) | 2006-05-25 |
| JP2009514057A (ja) | 2009-04-02 |
| IL173125A0 (en) | 2006-06-11 |
| IL173125A (en) | 2010-11-30 |
| DE602004004594T2 (de) | 2007-11-15 |
| JP4745966B2 (ja) | 2011-08-10 |
| EP1646967A1 (fr) | 2006-04-19 |
| DE602004004594D1 (de) | 2007-03-22 |
| ATE353153T1 (de) | 2007-02-15 |
| FR2857771B1 (fr) | 2005-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10702191B2 (en) | Determination of a currently treated body portion of a user | |
| US9734414B2 (en) | Unified framework for precise vision-aided navigation | |
| ES2855119T3 (es) | Método y dispositivo para el mapeo y la localización en tiempo real | |
| ES2281001T3 (es) | Procedimiento de medicion de proximidad de dos contornos y sistema de identificacion automatica de blancos. | |
| Wilbers et al. | Localization with sliding window factor graphs on third-party maps for automated driving | |
| CN110275516A (zh) | 通过移除动态交通参与者的稳健的即时定位和地图构建 | |
| US9123242B2 (en) | Pavement marker recognition device, pavement marker recognition method and pavement marker recognition program | |
| BR102013020974A2 (pt) | Método de identificação de um objeto rastreado | |
| EP3378222A1 (en) | Moving vehicle detection and analysis using low resolution remote sensing imagery | |
| Schindler et al. | Automatic detection and tracking of pedestrians from a moving stereo rig | |
| EP2596746A1 (en) | Pupil detection device and pupil detection method | |
| KR101903127B1 (ko) | 시선방향 예측 방법 및 장치 | |
| CN106778737A (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
| US20100092071A1 (en) | System and methods for navigation using corresponding line features | |
| ES2256768T3 (es) | Comparacion de modelos. | |
| CN108701345A (zh) | 搭乘者检测装置、搭乘者检测系统及搭乘者检测方法 | |
| Romero-Cano et al. | Stereo-based motion detection and tracking from a moving platform | |
| ES2727346T3 (es) | Mejoras aportadas y relativas a los datos de rumbos de navegación y/o de velocidad de un buque | |
| EP2927635A1 (en) | Feature set optimization in vision-based positioning | |
| CN107103265A (zh) | 一种评估人脸检测算法的方法及装置 | |
| Hartmann et al. | Robust and real-time multi-cue map verification for the road ahead | |
| Welte et al. | HD map errors detection using smoothing and multiple drives | |
| Liang et al. | A particle filter localisation system for indoor track cycling using an intrinsic coordinate model | |
| Ha-Phan et al. | A Reliable Feature-Based Framework for Vehicle Tracking in Advanced Driver Assistance Systems | |
| Werner et al. | Visual topological mapping and localisation using colour histograms |