Resumen de tesis doctoral

 

Reconocimiento automático de objetos basado en la relación dimensional

 

Automatic Object Recognition Based on Dimensional Relationships

 

Alejandro Israel Barranco Gutiérrez¹ y José de Jesús Medel Juárez²

 

¹ Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada, Calzada Legaría 694 Col. Irrigación, 11500, México D.F. E–mail: abarrancog0900@ipn.mx

² Centro de Investigación en Computación, IPN, Calle Venus s/n, Col. Nueva Industrial Vallejo, 07738, México D.F. E–mail: jjmedelj@yahoo.com.mx

 

Article received on 22/08/2010.
Accepted 10/05/2011.

 

Resumen

En este trabajo se presenta el reconocimiento de objetos tridimensionales con respecto a las imágenes proporcionadas por el sistema de visión estereoscópico, conformado por cámaras digitales convencionales. La problemática de la flexibilidad requerida por la dinámica en el reconocimiento de los sistemas en la vida real, donde los objetos son captados sin que se requiera una distancia fija a las cámaras, permite reconocerlos a través de sus propiedades dimensionales, al permanecer éstas invariantes. El método propuesto se compone del reconocimiento de forma y su relación dimensional, que en conjunto permite reconocer al objeto de manera confiable sin que se encuentre a una distancia fija a una cámara. Haciendo así que la metodología pueda utilizarse para muchas aplicaciones entre las que se destacan, el seguimiento de objetos por medio de diferentes cámaras al contar con los rasgos dimensionales dentro del sistema de control considerado, permitiendo llegar así a la vigilancia automática.

Palabras clave: Reconocimiento de objetos en 3D, visión estereoscópica, rasgo dimensional.

 

Abstract

This paper presents a methodology for tridimensional object recognition with respect to images of the stereoscopic vision system integrated by standard digital cameras. The methodology considered solving the flexibility problem of a real dynamic recognition system, in which the image object is photographed without a defined fixed distance. The results allow automatic recognition through its dimensional characteristics, such that its invariant form is constant. The recognition technique and the dimensional relationship, without a fixed distance camera were used. The results developed could be considered in many tracking object applications, vision control with dimensional forms, and dynamic classification.

Keywords: Object recognition in 3D, stereoscopic vision, dimensional characteristic.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Referencias

1. Amit, Y. (2002). 2D Object Detection and Recognition: Models Algorithms, and Networks. Cambridge, Mass.: MIT Press.         [ Links ]

2. Barranco, A.I. & Medel, J.J. (2008). Identificación de formas y color en imágenes a partir de la media y la varianza de los niveles de color RGB. 1er Simposio de Tecnología avanzada, México, D. F., 79.         [ Links ]

3. Barranco, A.I., & Medel, J.J. (2008). Proceso de calibración de cámaras digitales basado en el modelo pin–hole. 2do Simposio de Tecnología Avanzada, México, D.F., 66.         [ Links ]

4. Barranco, A.I. & Medel, J.J. (2008). Visión estereoscópica por computadora (Informe técnico, serie azul, no. 235). México, DF: Instituto Politécnico Nacional, Centro de Investigación en Computación.         [ Links ]

5. Barranco, A.I. & Medel, J.J. (2009). Digital Camera Calibration Analysis Using Perspective Projection Matrix. 8th WSEAS International Conference on Signal Processing, Robotics and Automation, 321–325.         [ Links ]

6. Gonzalez, R.C. & Woods, R.E. (2008). Digital Image Processing (3^d ed.). Upper Saddle River, N.J.: Prentice Hall.         [ Links ]

7. Hartley, R. & Zisserman, A. (2003). Multiple view geometry in computer vision (2^nd ed.). Cambridge, UK: Cambridge University Press.         [ Links ]

8. Hu, M.K. (1962). Visual Pattern Recognition by Moment Invariants. IRE Transactions on Information Theory, 8(2), 179–187.         [ Links ]

9. Medel, J.J., García, J.C. & Guevara, P. (2009). Real–time neuro–fuzzy digital filtering: a technical scheme. Automatic Control and Computer Sciences, 43 (1), 22–30.         [ Links ]

10. Lam, L., Lee, S.W. & Suen, C.Y. (1992). Thinning Methodologies–A comprehensive Survey. IEEE Transactions on pattern analysis and machine intelligence, 14(9), 869–885.         [ Links ]

11. Otsu, N. (1979). A threshold selection method from gray level histograms. IEEE transactions on systems, man and cybernetics, 9(1), 62–66.         [ Links ]

12. Pajares, G. & de la Cruz, J.M. (2002). Visión por computador, imágenes digitales y aplicaciones. Madrid: Alfa Omega.         [ Links ]

13. Peebles, P.Z. (2006). Principios de probabilidad, variables aleatorias y señales aleatorias (4ª ed.). Madrid: McGrawHill.         [ Links ]

14. Rudin, W. (1980). Principios de análisis matemático (3ra ed.). México: Mc Graw Hill.         [ Links ]

15. Sobel, I. & Feldman, G. (1968). A 3x3 Isotropic Gradient Operator for Image Processing, presented at a talk at the Stanford Artificial Project.         [ Links ]

16. Sossa, J.H. (2006). Rasgos descriptores para el reconocimiento de Objetos. México, D.F.: Instituto Politécnico Nacional.         [ Links ]

17. Voss, K., Marroquin, J.L., Gutiérrez S.J., & Suesse, H. (2006). Análisis de imágenes de Objetos Tridimensionales. México, D.F.: Instituto Politécnico Nacional.         [ Links ]

18. Zhang, Z. (2000). A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(11), 1330–1334.         [ Links ]

 

Nota

Resumen extendido de tesis doctoral. Graduado: Alejandro Israel Barranco Gutiérrez. Director: José de Jesús Medel Juárez. Fecha de graduación: 19.06.2010