Esquema del reconocimiento de objetos

Reconocimiento de objetos : tecnología en el campo de la visión artificial para encontrar e identificar objetos en una secuencia de imágenes o video. Los humanos reconocen multitud de objetos en imágenes con poco esfuerzo, a pesar de que la imagen de los objetos puede variar ligeramente según el punto de vista, el tamaño y la escala, o incluso cuando se trasladan o rotan. Los objetos pueden reconocerse incluso cuando están parcialmente obstruidos. Esta tarea sigue siendo un desafío para los sistemas de visión artificial. Los algoritmos de coincidencia de patrones se han utilizado comúnmente como estándar para identificar piezas en imágenes de inspección; sin embargo, estos algoritmos requieren cálculos matemáticos muy complejos. Se han implementado numerosos enfoques para esta tarea a lo largo de varias décadas.

• Detección de bordes
• Boceto primigenio
• Marr, Mohan y Nevatia ^{[ 1 ]}
• Lowe
• Olivier Faugeras

• Utilice imágenes de ejemplo (llamadas plantillas o modelos) de los objetos para realizar el reconocimiento.
• Los objetos se ven diferentes según las condiciones:
  • Cambios en la iluminación o el color.
  • Cambios en la dirección de visión
  • Cambios de tamaño/forma
• Es improbable que un solo ejemplar tenga éxito de forma fiable. Sin embargo, es imposible representar todas las apariencias de un objeto.

• Se utiliza una búsqueda para encontrar coincidencias factibles entre las características del objeto y las características de la imagen .
• La principal restricción es que una única posición del objeto debe dar cuenta de todas las coincidencias posibles.
• métodos que extraen características de los objetos que se van a reconocer y de las imágenes que se van a analizar.
  • parches de superficie
  • esquinas
  • bordes lineales

Los algoritmos genéticos pueden operar sin conocimiento previo de un conjunto de datos determinado y pueden desarrollar procedimientos de reconocimiento sin intervención humana. Un proyecto reciente logró una precisión del 100 % en los conjuntos de datos de referencia de imágenes de motocicletas, rostros, aviones y automóviles de Caltech y una precisión del 99,4 % en conjuntos de datos de imágenes de especies de peces. ^{[ 9 ] [ 10 ]}

• Reconocimiento y reconstrucción de objetos 3D ^{[ 11 ]}
• Reconocimiento de objetos inspirado en la biología
• Redes neuronales artificiales y aprendizaje profundo, especialmente redes neuronales convolucionales.
• Contexto ^{[ 12 ] [ 13 ]}
• Modelos de objetos 3D explícitos e implícitos
• Indexación rápida ^{[ 14 ]}
• Representaciones de escenas globales ^{[ 12 ]}
• histogramas de gradiente
• Gramáticas estocásticas ^{[ 15 ]}
• Aprendizaje por transferencia dentro de la clase
• Categorización de objetos a partir de la búsqueda de imágenes
• Reflectancia ^{[ 16 ]}
• Forma a partir del sombreado ^{[ 17 ]}
• Coincidencia de plantillas
• Textura ^{[ 18 ]}
• Modelos de temas ^{[ 13 ]}
• Aprendizaje no supervisado
• Detección basada en ventanas
• Modelo de pieza deformable
• Distribución de Bingham ^{[ 19 ]}

Los métodos de reconocimiento de objetos tienen las siguientes aplicaciones:

• Reconocimiento de actividad ^{[ 20 ]}
• Anotación automática de imágenes ^{[ 21 ] [ 22 ]}
• Reconocimiento automático de objetivos
• Android Eyes - Reconocimiento de objetos ^{[ 23 ]}
• Diagnóstico asistido por computadora ^{[ 24 ]}
• Panoramas de imágenes ^{[ 25 ]}
• Marca de agua en imágenes ^{[ 26 ]}
• Localización global de robots ^{[ 27 ]}
• Detección facial ^{[ 28 ]}
• Reconocimiento óptico de caracteres ^{[ 29 ]}
• Control de calidad de fabricación ^{[ 30 ]}
• Recuperación de imágenes basada en contenido ^{[ 31 ]}
• Conteo y monitoreo de objetos ^{[ 32 ]}
• Sistemas de estacionamiento automatizados ^{[ 33 ]}
• Posicionamiento y seguimiento visual ^{[ 34 ]}
• Estabilización de vídeo ^{[ 35 ]}
• Detección de peatones
• Asistencia inteligente de velocidad (en automóviles y otros vehículos)

• Daniilides y Eklundh, Edelman.
• Roth, Peter M. y Winter, Martin (2008). "ENCUESTA DE MÉTODOS BASADOS EN LA APARIENCIA PARA EL RECONOCIMIENTO DE OBJETOS" (PDF) . Informe técnico . ICG-TR-01/08. Archivado del original (PDF) el 21 de septiembre de 2015. Recuperado el 26 de febrero de 2016 .

• Histograma de gradientes orientados
• Red neuronal convolucional
• OpenCV
• Transformación de características invariantes a la escala (SIFT)
• Detección de objetos
• Artículo de Scholarpedia sobre la transformación de características invariantes a la escala y métodos relacionados de reconocimiento de objetos.
• NAVEGAR
• Coincidencia de plantillas
• Característica de canal integral

Liza

• Lista de temas de visión por computadora
• Lista de tecnologías emergentes
• Esquema de la inteligencia artificial

• Elgammal, Ahmed "CS 534: Reconocimiento basado en modelos 3D de visión por computadora" , Departamento de Ciencias de la Computación, Universidad de Rutgers;
• Hartley, Richard y Zisserman, Andrew, «Geometría de múltiples vistas en visión por computadora» , Cambridge Press, 2000, ISBN 0-521-62304-9.
• Roth, Peter M. y Winter, Martin "Estudio de métodos basados ​​en la apariencia para el reconocimiento de objetos", Informe técnico ICG-TR-01/08 , Instituto de Gráficos por Computadora y Visión, Universidad Tecnológica de Graz, Austria; 15 de enero de 2008.
• Collins, Robert "Clase 31: Reconocimiento de objetos: Claves SIFT" , CSE486, Penn State
• IPRG Procesamiento de Imágenes - Grupo de Investigación Abierta en Línea
• Christian Szegedy Archivado el 6 de septiembre de 2015 en Wayback Machine , Alexander Toshev Archivado el 4 de octubre de 2015 en Wayback Machine y Dumitru Erhan . Redes neuronales profundas para la detección de objetos . Advances in Neural Information Processing Systems 26 Archivado el 5 de septiembre de 2020 en Wayback Machine , 2013. páginas 2553–2561.