Izbrane vsebine iz računovodstva in poslovnih financ za delovodje ...
Iz vsebine
description
Transcript of Iz vsebine
http://vision.fe.uni-lj.si/
Univerza v Ljubljani
Fakulteta za elektrotehniko
LjubljanaLaboratorij za slikovne tehnologije
Strojni vid
Stanislav Kovačič
Metode na osnovi videza
Iz vsebineIz vsebine
• Uvod
• O metodi lastnih slik
• Primer sistema
Uvod - osnovna problemaUvod - osnovna problema
• Določitev lege predmetov • določitev položaja• določitev zasuka
• Razpoznavanje predmetov• ugotavljanje zveze med zaznanim in že
znanim
Uvod - razpoznavanjeUvod - razpoznavanje
Vhodna
slika
predmeta
Modeli
predmetov
Razpoznan
predmet
Sistem
strojnega
vida
Razpoznavanje predmetovRazpoznavanje predmetov
Kako predstaviti predmete?
Kako priti do predstavitve?
Kako primerjati predstavitve med seboj?
Razpoznavanje predmetovRazpoznavanje predmetov
(Angl. Object centered)
(Angl. Viewer centered)
Predstavitev
s stališča
opazovalca Predstavitev
s stališča
predmeta
Predstavitev “videza”Predstavitev “videza”
• Osnovni gradnik predstavitve je kar slika
• Slika je preprosto matrika slikovnih elementov
• Vsak predmet opišemo z množico slik (pogledov)
Predstavitev “videza”Predstavitev “videza”
• Zbirka modelov predmetov:• imamo določeno število predmetov• vsak predmet (P) opišemo z množico slik
• Vhodna slika:• vhodno sliko (I) primerjamo s slikami v zbirki• sliki (I) pripišemo eno od množic (P), tisto
ki ji je najbolj podobna (najbližja).
Predstavitev “videza”Predstavitev “videza”• Prednosti
• vhodno sliko se da direktno primerjati z
modelom (oboje so slike),• modele je mogoče pridobiti avtomatično
(enostavno zajamemo slike predmeta pod
ustreznimi - kontroliranimi pogoji)• Problem
• zbirka slik je ogromna• Vprašanje
• kako množico slik predstaviti na bolj kompakten
način?
Metoda lastnih slikMetoda lastnih slik• Analiza glavnih komponent (PCA)
• Imamo veliko množico slik • Z analizo glavnih komponent poiščemo take
(t.i. lastne) slike, ki dobro opišejo vse slike v
množici• Vsako sliko v množici se da predstaviti z
linearno kombinacijo lastnih slik• Izkaže se, da za dovolj dobro predstavitev dane
slike zadostuje razmeroma majhno število
lastnih slik.
UčenjeUčenje• Imamo množico objektov Po, (o = 1, …, O);
• Vsak predmet predstavimo z množico pogledov
(slik) In (n=1,….,N);
• Slike normiramo po velikosti in energiji• Dobimo množico normiranih slik• Vsako sliko predstavimo z vektorjem (slikovnih
elementov), npr. nanizamo stolpce• Izračunamo srednjo sliko (c) in jo odštejemo od
vsake slike (vektorja)
• Dobimo vektorje x(o)n
UčenjeUčenje• Tvorimo matriko vektorjev slik
X = [x(1)1 ,.., x(1)
N ,x(2)1 ,.., x(2)
N , x(O)1 ,.., x(O)
N ]
• Tvorimo kovariančno matriko• Q = X XT (velikosti M2 x M2 , MxM je velikost slike)
• Izračunamo lastne vektorje ek in lastne vrednostik
• Obdržimo K vektorjev za K največjih lastnih
vrednosti
E = [e1, e2 ,…, eK]
UčenjeUčenje• Lastni vektorji ek definirajo ‘lastni prostor’, dim. K
• Preslikamo vse slike (vektorje x(o)n ) v lastni prostor,
g(o)n = E (x(o)
n - c)
• ‘Točke’ g(o)1, g(o)
2 ,…., g(o)N
predstavljajo model predmeta o, ‘mnogoterost’.
e1
e2
e3g(o)
n
RazpoznavanjeRazpoznavanje
• Vhodno sliko normiramo po velikosti in energiji• Normirano sliko predstavimo z vektorjem y• Preslikamo vektor y v lastni prostor
g = E (y - c)• Poiščemo g-ju najbližjo točko modela (s tem je
predmet razpoznan in znani so tudi parametri).
Primer uporabePrimer uporabe
• Sistem strojnega vida za
pozicioniranje in
razpoznavanje
avtomobilskih oljnih filtrov
Predstavitev problema Predstavitev problema
ZahteveZahteve
• Sistem naj bo sposoben pozicionirati in preverjati različne tipe filtrov, neodvisno od njihovega izgleda
• Pozicioniranje in preverjanje mora potekati na istem mestu
• Sistem naj deluje v zaprti zanki, da bo
mogoče sprotno preverjanje operacij • Sistem mora delovati avtonomno na osnovi
ukazov krmilnika linije
• Dovoljen premik filtrov na pozicionirni napravi
± 3 mm,
• Čas celotne operacije krajši od 3 s,
• Napaka rotacijskega pozicioniranja < 0.5°.
ZahteveZahteve
PostavitevPostavitev
KAMERA
SVETILO
POKROV
Izgled sistemaIzgled sistema
Izgled sistemaIzgled sistema
• Ročni način
nastavitev, učenje• Avtomatski način
•pozicioniranje, preverjanje
PristopPristop
• Določanje premika• Določanje zasuka• Razpoznavanje - preverjanje
• Premik določimo s primerjanjem s predlogo.
• Zasuk in razpoznavanje objekta izvedemo z metodo lastnih slik.
UčenjeUčenje
• Slike objektov pri različnih legah normiramo• Sestavimo učno množico slik za N različnih leg• Izračunamo kovariančno matriko slik Q• Izračunamo lastne vrednosti in lastne vektorje e matrike Q
• Sestavimo lastni prostor slik na podlagi prvih K lastnih vektorjev
• Slike iz učne množice preslikamo v parametrični (lastni) prostor
Določanje zasuka, Določanje zasuka, razpoznavanjerazpoznavanje
Sliko objekta normiramo in
preslikamo v lastni prostor
Poiščemo lego, pri kateri je razdalja
med parametri opazovanega objekta in
učne množice najmanjša
Lastne slikeLastne slike
Izgled lastnih slik
0 50 100 150 200 250 3000
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
Lastne slikeLastne slike
Rekonstrukcija objektov glede na ohranjeno informacijo
0 50 100 150 200 250 3000
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0 50 100 150 200 250 3000
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0 50 100 150 200 250 3000
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
50% 75%
90% 99%
0 100 200 300 40064.64
64.66
64.68
64.7
64.72
64.74
kot zasuka
ute
ž
Lastne slikeLastne slike
Potek koeficientov, ki pripadajo lastnim slikam:
0 100 200 300 400-15
-10
-5
0
5
10
15
kot zasuka
ute
ž
0 100 200 300 400-15
-10
-5
0
5
10
15
kot zasuka
ute
ž
lastna slika 1lastna slika 2
0 100 200 300 400-15
-10
-5
0
5
10
15
kot zasuka
ute
ž
lastna slika 1lastna slika 2lastna slika 3lastna slika 4
0 100 200 300 400-15
-10
-5
0
5
10
15
kot zasuka
ute
ž
Lastne slikeLastne slike
Modeliranje potekov s sinusoidami.
0 100 200 300 400-15
-10
-5
0
5
10
15
zasuk
RezultatiRezultati
• Napaka pozicioniranja < 0.3°• Skupen čas < 0.9 s
• določanje zasuka + identifikacija <0.4 s • pozicioniranje < 0.5 s
KRMILNIK PROIZVODNE
LINIJEPC
KAMERA
KRMILNIK KORAČNEGA
MOTORJA
KORAČNI MOTOR
LiteraturaLiteratura
• E. Trucco, A. Verri, Introductory Techniques for 3D Computer Vision, Prentice Hall, 1998, (Poglavje 10).
• H. Murase, s. Nayar, Visual Learning and Recognition of 3-D Objects from Appearance, IJCV, Vol. 14, No. 1, 1995.
• F.Lahajnar, S.Kovačič, A Machine Vision System for the Rotational Positioning and Verification of Oil Filters, IJAMT, Vol. 21, No. 4, 2003 (v tisku).