UNA NUEVA METRICA PARA UTILIZAR FILTROS DE CORRELACION EN EL RECONOCIMIENTO DE OBJETOS CON EL ROBOT HUMANOIDE NAO (A NOVEL METRIC TO USE CORRELATION FILTERS IN OBJECT RECOGNITION WITH THE NAO HUMANOID ROBOT)

Cesar Augusto Puente Montejano, José Ignacio Núñez Varela, Francisco Eduardo Martínez Pérez, Rogelio Castillo Morquecho

Resumen


Resumen

En este trabajo, se propone una nueva métrica para el uso del filtro de función discriminante sintética (Synthetic Discriminant Function, SDF por sus siglas en inglés) en el problema de reconocimiento de objetos. Se realiza una serie de experimentos con el filtro SDF en la plataforma de programación del robot humanoide NAO, que permiten observar un comportamiento de la nueva métrica (Peak to Neighboring Values, PNV por sus siglas en inglés) y predecir comportamientos futuros en situaciones similares. Con los experimentos realizados se concluye que la métrica PNV mejora notablemente la medición del desempeño del filtro, generando mejores resultados que las métricas convencionales, específicamente en los objetos que tienen variaciones en su apariencia, como cambios de escala y de rotación. Calificaciones altas en el desempeño brindan una mayor seguridad para determinar que el objeto ha sido reconocido.

Palabras Claves: Peak to Neighboring Values, Reconocimiento de objetos, filtros de correlación, robot NAO.

 

Abstract

In this paper, a new metric is proposed for the use of the Synthetic Discriminant Function (SDF) in the problem of object recognition. A series of experiments are carried out with the SDF filter in the programming platform of the NAO humanoid robot, which allow observing a behavior of the new metric (Peak to Neighboring Values, PNV) and predicting future behaviors in similar situations. With the experiments carried out, it is concluded that the PNV metric significantly improves the measurement of the filter's performance, generating better results than conventional metrics, specifically on objects that have variations in their appearance, such as changes in scale and rotation. High performance ratings provide greater security to determine that the object has been recognized.

Keywords: Peak to Neighboring Values, Object Recognition, correlation filters, NAO robot.


Texto completo:

607-625 PDF

Referencias


Aguilar-González, P. M., Kober, V., & Díaz-Ramírez, V. H. (2014). Adaptive composite filters for pattern recognition in nonoverlapping scenes using noisy training images. Pattern Recognition Letters, 41, 83-92.

Álvarez-Borrego, J., & Castro-Longoria, E. (2003). Discrimination between Acartia (Copepoda: Calanoida) species using their diffraction pattern in a position, rotation invariant digital correlation. Journal of Plankton Research, 25(2), 229-233.

Andreopoulos, A., & Tsotsos, J. K. (2013). 50 years of object recognition: Directions forward. Computer vision and image understanding, 117(8), 827-891.

Casasent, D. (1984). Unified synthetic discriminant function computational formulation. Applied Optics, 23 (10), 1620-1627.

Han, S., Kim, M. J., Park, S., & Paik, J. (2017). Fast Vehicle Detection using Correlation Filters. IEIE Transactions on Smart Processing & Computing, 6(5), 309-316.

Hedgerow, J. (2004). Manual de Técnica Fotográfica (Tercera ed.). H. Blume

Horner, J. L., y Gianino, P. D. (1984). Phase-only matched filtering. Applied Optics, 23 (6), 812-816.

Javidi, B., Wang, W., y Zhang, G. (1997). Composite Fourier-plane nonlinear filter for distortion-invariant pattern recognition. Optical Engineering, 36 (10).

Kumar, B. V. K. V., Mahalanobis, A., y Juday, R. D. (2005). Correlation Pattern Recognition (Primera ed.). Cambridge University Press.

Lugt, A. V. (1964). Signal Detection by Complex Spatial Filtering. Information Theory, IEEE Transactions on, 10 (2), 139-145.

Martínez-Pérez, F. E., González-Fraga, J. A., & Tentori, M. (2010). Automatic activity estimation based on object behaviour signature. In Applications of Digital Image Processing XXXIII (Vol. 7798, p. 77980E). International Society for Optics and Photonics.

Ramírez, A. A. P. (2009). Desarrollo de una aplicación de correlación digital que haga uso de filtros lineales y no lineales compuestos (Tesis de Master no publicada). Universidad Autónoma de Baja California, Ensenada Baja California.

Savvides, M., Vijaya, B., y Khosla, V. (2002). Face Verification using correlation filters. Proc. of the 3rd IEEE Automatic Identification Advanced Technologies, 56-61 (62)

Tsotsos, J. K., Liu, Y., Martínez-Trujillo, J. C., Pomplun, M., Simine, E., y Zhou, K. (2005). Attending to visual motion. Computer Vision and Image Understanding ( 100), 3-40.

Zhao, D., Fu, H., Xiao, L., Wu, T., & Dai, B. (2018). Multi-object tracking with correlation filter for autonomous vehicle. Sensors, 18(7), 2004.






URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Pistas Educativasa está bajo la Licencia Creative Commons Atribución 3.0 No portada.