NICKOLAE QUINTANILLA CHAVEZ INTRODUCCION El Algoritmo aplicado para calcular la distancia de objetos desde la cámara hasta el objeto, se realiza mediante el siguiente proceso:
• Algoritmo de detección de puntos característicos en imágenes
• Estimación de distancia de uno o mas objetos Algoritmos de detección de puntos característicos
• Es una mejora del algoritmo SIF, a diferencia del anterior algoritmo
mencionado, simula tres parámetros: el zoom, el angulo de la cámara en latitud y el ángulo de la cámara en longitud y normaliza la traslación, rotación y escala. ALGORITMO SURF
• El algoritmo SURF es invariante a rotaciónes, cambios de escala e
iluminación. Por lo que realiza una caracterización de imágenes mas agil ALGORITMO RANSAC • Es un algoritmo iterativo que estima los parámetros de una homografía utilizando un cierto porcentaje de datos que no se ajustan al modelo teórico ALGORITMOS SIF • Es un método que permite extraer características distintivas (comparación y detección) de las imágenes de forma muy particular • Su funcionamiento consiste en encontrar descriptores en 2 o mas imágenes dadas como valores de entrada, analiza dichos descriptores para determinar si existen coincidencias o no entre ambas.
Para que algoritmo funcione correctamente tenemos que seguir un
procedimiento tomando los siguientes puntos: • Puntos de Localización • Estabilidad en los puntos de Localización • Descripción Local de la Imagen • Emparejar e Indexar PUNTOS DE LOCALIZACION Identifica la ubicación de una imagen a través del escalado y rotacion, Para lograr la rotación y un alto nivel de eficiencia, Se selecciona ubicaciones clave en Máxima. y mínimos de una diferencia de función gaussiana aplicada en un espacio de escala. Esto se puede calcular de manera muy eficiente construyendo Una pirámide de imágenes con remuestreo entre cada nivel. Además, localiza puntos clave en regiones y escalas de alta variación, haciendo que estas ubicaciones sean particularmente estables caracterizando la imagen ESTABILIDAD EN LOS PUNTOS DE LOCALIZACION • Para caracterizar la imagen en cada ubicación clave, el suavizado La imagen A en cada nivel de la pirámide se procesa para extraer Gradientes de imagen y orientaciones. En cada píxel, Aij, la imagen. gradiente, magnitud, Mij y orientación, Rij, se calculan utilizando las diferencias de píxeles: Inglés
Las diferencias de píxeles son eficientes para calcular y proporcionar
Precisión suficiente debido al nivel sustancial de suavizado Se compensa el cambio efectivo de medio píxel en la posición. para cuando se determina la ubicación clave DESCRIPCION LOCAL DE LA IMAGEN • Dada una ubicación, escala y orientación estables para cada clave, Ahora es posible describir la región de la imagen local de una manera invariante a estas transformaciones. Simula las respuestas de neuronas complejas a diferentes imágenes 3D. vistas de modelos gráficos de computadora, y encontró que el complejo salidas de celda proporcionan una discriminación mucho mejor que Correspondencia simple basada en correlación. ALMACENAMIENTO Y COINCIDENCIA • Después de haber realizado los procesos anteriores, se necesita de los puntos de localización obtenidos de las imágenes que queremos localizar en base a sus características, al igual que también queremos encontrar las coincidencias en las imágenes utilizando el dimensionamiento de vectores. Obteniendo el reconocimiento de uno o mas objetos como se muestra el ejemplo a continuación. Estimación de la distancia de objetos Para estimar la distancia de la cámara a un objeto el área de una imagen patrón, con el área del objeto detectado, se realiza el calculo de la distancia euclidiana a través de esta formula:
• Donde I1 e I2 son dos puntos de referencia del objeto a la cámara, y
también toma en cuenta la distancia focal (zoom), ya que el tamaño de la imagen esta en función de la distancia focal.
Matriz fundamental de visión por computadora: Por favor, sugiera un subtítulo para un libro con el título 'Matriz fundamental de visión por computadora' dentro del ámbito de 'Visión por computadora'. El subtítulo sugerido no debe tener ':'.
Transformación de característica invariante de escala: Revelando el poder de la transformación de características invariantes de escala en visión por computadora