For Both 1 and 2-Lane Effects

Los resultados mostrados a continuación son gracias al trabajo de terceras personas. El autor de este proyecto no es el autor de ninguna de las comparativas mostradas aquí ya que su fin no es realizar un análisis exhaustivo de los distintos descriptores sino ofrecer una visión general de ellos.

En el siguiente trabajo realizado por Miguel Ñauñay Ilbay, Luis Tipantuña Córdova, Geo- vanny Raura y Tatiana Gualotuña para la Facultad de Ingeniería en Sistemas e Informática de la Escuela Politécnica del Ejército en Sangolquí, Ecuador [7], se realiza una exhaustiva com- parativa de la eficiencia de los algoritmos SIFT, SURF y ORB en dispositivos móviles bajo la plataforma Android.

** El descriptor ORB (Oriented FAST and Rotated BRIEF) es un descriptor publicado en 2011 como una alternativa por su rápidez de calculo ante SIFT y SURF. Utiliza el algoritmo FAST para extraer puntos claves y BRIEF para la extracción de los descriptores. **

Se tomaron 100 logotipos distintos duplicados, en total 200 imágenes, de 640x480 pixeles y con una profundidad de color de 24 bits. 100 logotipos servirían para el entrenamiento y los otros 100 logotipos para la fase de pruebas o comprobación.

Los 100 logotipos designados para la fase de comprobación se dividieron en cuatro grupos en función de la transformaciones aplicadas: individuales, escala, rotación e iluminación.

RESULTADOS EN EFICENCIA

La gráfica a continuación resume el número promedio de descriptores o keypoints encontra- dos en una imagen de entrada por parte de los descriptores.

CONSUMO DE BATERIA

USO DE LA MEMORIA

EFICACIA

La medida F1 es un valor ponderado entre precisión(P) y Recall(R) y es usada para determinar la precisión de los descriptores. Se define como:

original. Su formula es: P = coincidencias(matches) correctas/Total de coincidencias(matches) encontradas.

Recall(R) es el porcentaje de imágenes que fueron identificadas como relacionadas con la imagen original respecto al número total de imágenes analizadas. Se calcula como: R = coin- cidencias(matches) correctas /correspondencias.

Las correspondencias se entienden como el número de imágenes que están relacionadas con la imagen original, es decir, que pertenecen a la misma escena.

De estás gráficas se desprende que:

1. Dado el conjunto de imágenes utilizado, los algoritmos ORB y SURF extraen un nú- mero mucho mayor de descriptores que SIFT.

2. El tiempo de calculo de SIFT triplica al de sus competidores. Pero aún en SURF sigue siendo demasiado elevado el tiempo de procesado para aplicaciones que requieren una eje- cución en tiempo real. El que más se acerca a esta premisa es ORB.

3. El consumo de memoria es en cambio mucho más destacable para el algoritmo SURF. Se triplica al uso del algoritmo SIFT y casi es 8 veces mayor que para el algoritmo ORB. 4. La precisión promedio es bastante similar en los 3 algoritmos.

Como se ha dicho, la precisión promedio en la gráfica refleja unos resultados parejos, sin em- bargo, como apuntan los autores, el descriptor SURF tiene un mejor desempeño en imágenes que no han sufrido transformaciones y con imágenes con cambios de escala, alcanzando un 65% y 57% de precisión promedio.

Para terminar el estudio se añaden dos conclusiones:

a) La elección de imágenes quizás no fue la más apropiada para estos algoritmos pues los logotipos pecan de falta de texturas, número de objetos que componen la imagen y transfor- maciones. Por otra parte, el número de keypoints extraídos por descriptor es muy variable en función de las características de la imagen analizada.

b) La velocidad con la que se está desarrollando la tecnología móvil puede hacer que en un período de tiempo prudente, pueda hacerse uso de algoritmos que a día de hoy no resultan operativos.

En el siguiente trabajo A comparative Study of Three Image Matching Algorithms: Sift, Surf and Fast de Maridalia Guerrero [5], se realiza un análisis en profundidad de los des- criptores y la eficacia con resultados muy diferentes.

En él se establecen 4 imágenes básicas de 457x630 pixeles en diferentes condiciones a las que se les genera una copia con una rotación no superior a 30°.

La siguiente tabla muestra las características o descriptores encontrados:

De aquí se obtienen varias conclusiones:

a) SIFT funciona muy bien con imágenes muy texturizadas, como se demuestra al analizar la foto de la pared de ladrillos y ver que su menor rendimiento corresponde con la imagen del barco.

b) SURF también tiene una enfoque principalmente a imágenes texturizadas. Por contra pare- ce sufrir con cambios de condiciones lumínicas.

c) FAST ofrece un buen rendimiento en la imagen del edificio por la existencia de esquinas. Lamentablemente sufre en condiciones de imágenes poco contrastadas como sugiere la ima- gen más subexpuesta del barco y en la inesperada pared de ladrillos.

En las siguientes tablas se muestra el número de coincidencias(matches) y la eficacia determi- nada por 2*matches/total de características y expresada en porcentaje:

Por último también y quizá el punto más importante, se analizó la calidad de los “matches”. La autora realizó una detección manual de 20 características y procedió a encontrar sus homó- logas en la imagen transformada.

Se dividieron los errores en 2 tipos:

- Tipo I: Los errores cometidos por parte del descriptor al no detectar los puntos que previa- mente han sido detectados manualmente por la autora.

- Tipo II: Errores cometidos en los “matches” generados automáticamente entre dos caracte- rísticas.

Se puede concluir que el algoritmo SIFT aunque proporciona más características tiene una efi- cacia menor en estas condiciones. Adicionalmente se concluye que los errores encontrados in- dican que los descriptores deben ser todavía refinados.

5.4 2D Tracking

Dentro del 2D Tracking se distinguen dos vertientes:

– 2D Tracking haciendo uso de marcadores.

– 2D Tracking mediante análisis de características naturales.