Hispanopedia WikiEl detector de regiones basado en la curvatura principal , también llamado PCBR [ 1 ], es un detector de características utilizado en los campos de la visión por computadora y el análisis de imágenes . Específicamente, el detector PCBR está diseñado para aplicaciones de reconocimiento de objetos.
Los detectores de región local se pueden clasificar típicamente en dos categorías: detectores basados en intensidad y detectores basados en estructura .
- Los detectores basados en intensidad dependen del análisis de la geometría diferencial local o de los patrones de intensidad para encontrar puntos o regiones que cumplan ciertos criterios de unicidad y estabilidad. Entre estos detectores se incluyen SIFT , Hessian-affine , Harris-Affine y MSER, entre otros.
- Los detectores basados en la estructura dependen de características estructurales de la imagen, como líneas, bordes, curvas, etc., para definir puntos o regiones de interés. Estos detectores incluyen la detección de regiones basada en bordes (EBR) y la detección de características de forma invariantes a la escala (SISF).
Desde el punto de vista de la invariancia de detección, los detectores de características se pueden dividir en detectores de escala fija como el detector de esquinas de Harris normal , detectores invariantes de escala como SIFT y detectores invariantes afines como Hessian-affine .
El detector PCBR es un detector invariante afín basado en la estructura .
¿Por qué un detector nuevo?
En muchas tareas de reconocimiento de objetos, los cambios dentro de una misma clase en la pose, la iluminación, el color y la textura pueden causar una variación considerable en las intensidades locales. En consecuencia, la intensidad local deja de ser una señal de detección estable. Por ello, los operadores de interés basados en la intensidad (p. ej., SIFT , Harris-Affine ) —y los sistemas de reconocimiento de objetos que se basan en ellos— a menudo no logran identificar características discriminatorias. Una alternativa a las señales de intensidad local es capturar señales estructurales semilocales, como bordes y formas curvilíneas. Estas señales estructurales tienden a ser más robustas ante las variaciones de intensidad, color y pose. Por lo tanto, proporcionan la base para un operador de interés más estable, lo que a su vez mejora la precisión del reconocimiento de objetos. El detector PCBR se desarrolló para aprovechar estas señales estructurales de imagen más fiables.
Descripción del algoritmo
Paso 1: Detección de estructuras curvilíneas
Como detector basado en la estructura, PCBR no utiliza bordes, sino estructuras curvilíneas, también llamadas crestas . La detección de estructuras curvilíneas genera una única respuesta tanto para líneas como para bordes, produciendo un esquema estructural más claro de una imagen que el que suele proporcionar la imagen de magnitud de gradiente. El algoritmo de Steger [ 2 ] se modifica para obtener las imágenes curvilíneas. Dado que solo se utiliza el primer paso de este algoritmo, que consiste en calcular las imágenes de curvatura principal, se adopta el término curvatura principal como nombre de este detector. Para obtener la curvatura principal, se calcula la matriz hessiana :
dóndees la segunda derivada parcial de la imagen evaluada en el punto x en ladirección yes la segunda derivada parcial mixta de la imagen evaluada en el punto x en laydirecciones. Los valores propios máximo y mínimo de esta matriz forman dos imágenes que corresponden a líneas blancas sobre fondo negro y líneas negras sobre fondo blanco.
Paso 2: Búsqueda de características y robustez en el espacio de escala
Para lograr que este detector sea invariante a la escala y mejorar la robustez de la detección, se simula el proceso del detector SIFT de David Lowe [ 3 ] para detectar la estructura curvilínea principal en el espacio de escalas. Se utilizan imágenes de máximos locales de los valores de curvatura principal para definir las regiones.
Paso 3: Definición de regiones mediante algoritmos de cuencas hidrográficas mejorados
Las imágenes de curvatura principal se limpian mediante un cierre morfológico y un umbral de histéresis guiado por flujo de vectores propios . A continuación, se aplica el algoritmo tradicional de cuencas hidrográficas a las imágenes para obtener las regiones.
Paso 4: Selección de regiones estables
De forma similar al proceso de selección de regiones estables mediante umbralización en MSER , [ 4 ] se seleccionan regiones estables a través de cambios de escala locales. Para ello, se calcula el error de solapamiento en cada triplete de escalas consecutivas. Si el error de solapamiento de la región es superior al 90 %, solo se conserva una región. Si el error es superior al 70 % e inferior al 90 %, se conservan todas las regiones. Si el solapamiento es inferior al 70 %, se descartan estas regiones. Estos valores se determinan mediante el análisis de sensibilidad del descriptor SIFT .
¿En qué se diferencia el PCBR?
- Es un detector basado en la estructura.
- Está diseñado para manejar la varianza dentro de la clase.
- Se utiliza cuando la intensidad local no es estable.
- Detecta una región característica semilocal.
Paquetes de software
El código binario de una implementación de PCBR se puede descargar desde la página web de Tom Dietterich. [ 5 ]
Véase también
Referencias
- ↑ Deng, H.; Zhang, W.; Mortensen, E.; Dietterich, T.; Shapiro, L. (2007). Detector de regiones basado en la curvatura principal para el reconocimiento de objetos (PDF) . Conferencia IEEE sobre visión por computadora y reconocimiento de patrones.
- ↑ Steger, C. (1998). "Un detector imparcial de estructuras curvilíneas". IEEE Transactions on Pattern Analysis and Machine Intelligence . 20 (2): 113– 125. CiteSeerX 10.1.1.42.2266 . doi : 10.1109/34.659930 .
- ↑ Lowe, DG (2004). "Características distintivas de imágenes a partir de puntos clave invariantes a la escala" (PDF) . International Journal of Computer Vision . 60 (2): 91– 110. doi : 10.1023/B:VISI.0000029664.99615.94 . S2CID 221242327 .
- ↑ Matas, J.; Chum, O.; Urban, M.; Pajdla, T. (2002). "Estéreo robusto de línea base amplia a partir de regiones extremas máximamente estables" (PDF) . Actas de la Conferencia Británica de Visión por Computadora 2002. págs. 384–393 . doi : 10.5244/C.16.36 . ISBN 1-901725-19-7.
- ^ Dietterich, Tom. "PCBR" (archivo ZIP) .
- Detección de características (visión por computadora)