Resumen:
En esta tesis, consideramos el problema del reconocimiento de objetos, siendo este fundamental en robótica y visión por computadora, y desafiante por su dificultad. Recientemente ha surgido una gran cantidad de sensores de profundidad y color de bajo costo que funcionan en tiempo real, como Kinect y Xtion, representando una buena oportunidad de incrementar la robustez del reconocimiento de objetos. Implementamos un sistema de reconocimiento de objetos, que puede ser instanciado con distintos métodos en cada etapa, que funciona con datos adquiridos con sensores RGBD del estilo de Kinect. Analizamos los descriptores FPFH, SHOT y Spin-Images, y estudiamos también cuál es la mejor distancia para comparar cada descriptor y con qué método establecer correspondencias. Experimentamos detalladamente cambiando cada etapa del sistema, variando los parámetros y métodos, viendo cómo influye esto en el desempeño del sistema y en los tiempos. Observamos que el uso de más puntos lleva a mayores precisiones a costa del tiempo, y que un tamaño más chico en los radios de los descriptores y las normales hace que se acelere la generación de descriptores pero que la búsqueda de correspondencias sea más lenta. Por último, analizamos el rendimiento del sistema implementado en dos bases de datos con información de ground truth, una siendo un caso ideal y la otra un caso real. Encontramos que el sistema puede ser adaptado a las circunstancias dadas por las bases, otorgando buenos compromisos entre exactitud y tiempo en la gran mayoría de los casos. Vimos que para la primera base, todos los descriptores otorgan un buen desempeño, siendo Spin-Images la mejor opción, y para la segunda base ya no todos se comportan de igual manera, siendo FPFH muy lento, y SHOT y Spin-Images buenas opciones en cuanto a los valores de exactitud y tiempos.
Abstract:
In this thesis, we consider the object recognition problem, which is fundamental in robotics and computer vision, and challenging because of its difficulty. Recently, low cost depth and color sensors which function in real time have emerged, such as Kinect and Xtion, representing a great opportunity for incrementing the robustness of object recognition. We implemented an object recognition system, which can be instantiated with different methods in each step, and works with data acquired with RGBD sensors like Kinect. We analyzed the descriptors FPFH, SHOT and Spin-Images, and also studied which distance is better for comparing each descriptor, and with which methods correspondences should be established. We experimented in detail changing each step of the system, and varying the parameters and methods, seeing how this would make an impact on the system performance and times. We could observe that the use of more points leads to better precisions at the expense of time, and that a smaller size in the descriptor and normal radii makes the descriptor generation faster, but correspondences search slower. Lastly, we analyzed the performance of the implemented system in the databases with ground truth information, the first one being an ideal case, and the latter a real case. We found that the system provides a good compromise between accuracy and time for the most part. We saw that for the first database, all descriptors provided a good performance, Spin-Images being the best option, and that for the second database not all of them behaved the same way, FPFH being too slow, and SHOT and Spin-Images being good options regarding accuracy and time values.
Citación:
---------- APA ----------
Heredia Favieri, Nadia Mariel. (2015). Reconocimiento de objetos en imágenes RGB-D. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nCOM000720_HerediaFavieri
---------- CHICAGO ----------
Heredia Favieri, Nadia Mariel. "Reconocimiento de objetos en imágenes RGB-D". Tesis de Grado, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2015.https://hdl.handle.net/20.500.12110/seminario_nCOM000720_HerediaFavieri
Estadísticas:
Descargas mensuales
Total de descargas desde :
https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nCOM000720_HerediaFavieri.pdf
Distrubución geográfica
