COS756 Introdução ao Processamento de Imagens PESC
Transcrição
COS756 Introdução ao Processamento de Imagens PESC
COS756 Introdução ao Processamento de Imagens PESC - COPPE -UFRJ Reconhecimento de Logotipos Fellipe Duarte Saulo Oliveira Reconhecimento de Logotipos Objetivos Identificar logotipos em documentos usando como referência logotipos de uma base pré-definida de logotipos. Reconhecimento de Logotipos Objetivos (a) Imagem na base (b) Imagem teste Reconhecimento de Logotipos Aplicações Possíveis Classificação automatizada de documentos Contagem de popularidade de uma marca Remoção de logotipos indesejáveis de determinada imagem (automatizar colocação de tarjas de censura) Reconhecimento de Logotipos Problemas Não sei onde o logo esta na imagem Escala pode ser diferente Pode estar rotacionado Trabalhos Correlatos Levantamento das abordagens utilizadas para o reconhecimento de logotipos em outros artigos. Detecção do logotipo (em que região ?) Correspondência (Matching) As regiões candidatas, são comparadas com uma base de logotipos para determinar uma identidade para a região Nossa Estratégia Utilizamos o SIFT para identificar os keypoints com seus respectivos descritores Usamos a distância Euclidiana Calulamos as distâncias dos descritores entre nosso modelo e o teste Identificamos pontos de correspondências Consideramos pontos dentro de um limiar (0.7) Enquadramos os pontos correspondentes Calculamos a escala da imagem Nossa Estratégia Aplicação do SIFT na base e no teste Nossa Estratégia Identificando pontos de correspondência Nossa Estratégia Emglobar os pontos em um quadro Calcular o proporção entre as imagens Nossa Estratégia Identificamos uma região candidata Calculamos a escala na imagem teste Estimamos o quanto a região corresponde ao nosso alvo Experimentos Mesma imagem (1 – 1) Imagem diferente (1 – 1) Modelo na mesma escala (1 - n) Modelo redimensionada (1 - n) Modelo rotacionado 90° (1 - n) Imagem real Resultados C KP Escala Avaliação Mesma imagem (1 – 1) 21 21 1 0 Imagem diferente (1 – 1) 2 21 1,83 2 Modelo na mesma escala (1 - n) 19 21 1,08 0 Modelo redimensionada (1 - n) 4 21 2,53 2 Modelo rotacionado 90° (1 - n) 5 21 2,94 3 Imagem real 0 21 1,1 0 Resultado C: 7 KP: 39 Escala: 0,8 Conclusão • O fator de escala influencia diretamente a precisão dos resultados. Quando o fator de escala aumenta muito, o número de falsos positivos também aumenta; • O número de pontos correspondentes encontrados não é o único fator decisivo na hora de encontrar a região onde o logo está na imagem alvo. falsos positivos! ESSO – 5 apresenta 5 falsos positivos em 8 pontos correspondentes (31 % dos pontos de interesse) ; OPENSUSE – 6 apresenta apenas 7 pontos correspondentes (18 % dos pontos de interesse) porém nenhum falso positivo e apresenta um enquadramento bom para uma imagem real; • Apesar de a nossa abordagem de enquadramento do logotipo na imagem alvo necessitar de refinamentos, em alguns casos, ela conseguir encontrar regiões que se assemelham muito com a região onde a imagem se encontra. Conclusão Dificuldade: Estudo e compreensão do SIFT e transformada HOUGH; Escolha da abordagem para usar; Matching X enquadramento; Quando muitas 'características' são encontrados no teste Nosso critério de escolha as vezes falha Nas imagens reais tem interferrência, distorções oclusões e iluminação Trabalhos Futuros Avaliar os resultados para diferentes configurações de limiar de corte de corte de pontos candidatos; Aprimorar a identificação da área candidata; Melhorar a precisão para ângulos de rotação expressivos na imagem; Avaliar a existência de mais de uma área onde o logotipo pode aparecer; Avaliar resultados utilizando outras medidas (Haussdorf). COS756 Introdução ao Processamento de Imagens PESC - COPPE -UFRJ Reconhecimento de Logotipos Fellipe Duarte Saulo Oliveira