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