De acuerdo a Suetenset al. (1992) existen principalmente cuatro estrategias computa- cionales las cuales se resumen esquem´aticamente en la Figura 6, estas son:
Modelos ajustados para fotometría Clasificación de vectores de características Modelos ajustados para estructuras simbólicas Compatibilidad para modelos complejos imágenes complejas Compatibilidad para Estrategias combinadas
Figura 6: Espacio de clasificaci´on para las estrategias de reconocimiento de objetos.
• Clasificaci´on de vectores de caracter´ısticas: Los m´etodos de vectores de carac-
ter´ısticas dependen de un modelo trivial de caracter´ısticas de un objeto y regu- larmente se aplican a datos sencillos.
En este enfoque, los objetos se modelan como vectores de caracter´ısticas, cada uno de los cuales corresponde a un punto en el espacio multidimensional de ca- racter´ısticas. Ejemplos de estas caracter´ısticas incluyen valores de gris, color, intensidad infrarroja o ultravioleta, ´area, per´ımetro, etc. Para utilizar este en- foque, se deben seleccionar las caracter´ısticas que son relevantes, determinar una manera de medirlas y definir un criterio para distinguir entre los objetos deseados de otros. Una vez que se define el espacio de caracter´ısticas, este se debe dividir en regiones correspondientes a los diferentes modelos de objetos. Esto permite la asi- gnaci´on de objetos desconocidos a las clases de objetos conocidas. Las fronteras de
decisi´on usualmente se construyen durante la fase de aprendizaje/entrenamiento; por ejemplo, se toma un n´umero grande de ejemplos de objetos con los valores de las caracter´ısticas, se construye una gr´afica de densidad de sus valores y se anotan las fronteras de las clases con diferentes etiquetas. La selecci´on de clases se puede realizar por medio de t´ecnicas de clasificaci´on.
• Modelos ajustados para fotometr´ıa: Cuando los modelos sencillos son suficientes
pero los datos fotom´etricos son ruidosos y ambiguos, pueden resultar efectivos un n´umero de m´etodos que extraigan instancias de modelos sencillos. Tales m´etodos buscan caracter´ısticas con formas globales y propiedades fotom´etricas predeterminadas. Estos m´etodos pueden utilizar modelos r´ıgidos, dependiendo de un conjunto limitado de par´ametros, o modelos flexibles, especificados por un conjunto de restricciones gen´ericas sobre las caracter´ısticas de un objeto. Un ejemplo sencillo, es el procedimiento de buscar c´ırculos a trav´es de encontrar arcos con un radio y centro determinados, lo que es contrario a encontrar fronteras de claridad-oscuridad en la intensidad (valores de pixel) en los datos.
• Modelos ajustados para estructuras simb´olicas: Estos modelos asumen que un
conjunto de caracter´ısticas se extraen de las im´agenes por medio de alguna ope- raci´on de preprocesamiento. Estas caracter´ısticas se encuentran a trav´es de ope- radores basados en estad´ısticas locales, sin utilizar informaci´on de la forma o conocimiento de la escena. Este proceso se conoce como segmentaci´on. Las ca- racter´ısticas, sin embargo, pueden ser intensidades de pixel o etiquetas. En estos casos, los procesos subsecuentes utilizan la salida simb´olica del proceso inicial sin tomar en cuenta de nuevo a la imagen.
• Estrategias combinadas: Cuando los datos y las instancias del modelo deseado son
estrategias.
II.2.5
Aplicaciones
Existen diferentes trabajos y aplicaciones del reconocimiento de objetos (Draper y Baek, 2000; Edelman, 1997; Smart y Zhang, 2004; Winkeler y Manjunath, 1997). En esta secci´on se explican tres de ellas (reconocimiento tradicional de objetos, recuperaci´on de im´agenes basada en objetos y notas de video), adem´as de las suposiciones y requeri- mientos de cada una.
Las aplicaciones de reconocimiento tradicional de objetos se enfocan en el reco- nocimiento de objetos tridimensionales en im´agenes adquiridas por una c´amara. Los ´angulos de vista y la iluminaci´on cambian entre im´agenes, sin embargo, los par´ametros de la formaci´on de las im´agenes se deben conocer a priori.
Un n´umero de aplicaciones interesantes en reconocimiento incluyen servicios de ro- bots, manejo de la calidad e inspecci´on industrial de productos manufacturados.
La recuperaci´on basada en objetos es un caso especial de larecuperaci´on de im´agenes
basada en el contenido, la cual es la tarea de seleccionar im´agenes relevantes para una
aplicaci´on, dada una colecci´on normalmente grande de im´agenes llamadabase de datos. En un enfoque basado en objetos, las im´agenes relevantes son aquellas que muestran al objeto buscado.
Utilizando las definiciones de la tarea de reconocimiento, la recuperaci´on de im´agenes basada en objetos es esencialmente id´entica a repetir la detecci´on de objetos en una colecci´on de im´agenes. Sin embargo, los sistemas de recuperaci´on mantienen la interacci´on con el usuario, lo cual no es tradicional en los sistemas de detecci´on de objetos. Las aplicaciones de recuperaci´on incluyen la b´usqueda de cat´alogos, la recupe- raci´on de videos, la navegaci´on visual en colecciones de arte, la exploraci´on de sat´elites, bases de datos a´ereas y m´edicas y el manejo de im´agenes digitales del web y de librer´ıas
de videos.
La b´usqueda y recuperaci´on de secuencias grandes de archivos de video son tareas embarazosas y costosas. Una soluci´on para este problema es hacer notas autom´aticas de video; calcular las descripciones concisas de los datos de video, los cuales se usan para indexar (catalogar) y recuperar las secuencias originales. La tarea de las notas de video se puede reducir a la anotaci´on de im´agenes cuando un video se representa como una colecci´on de im´agenes independientes. Las propiedades de las secuencias de las diferentes im´agenes/video se pueden explotar para representar datos visuales. Estos pueden ser atributos visuales como color y textura u otras propiedades detectadas como texto, movimiento, audio, etc. La medici´on de estos atributos se realiza a cada imagen como un todo (enfoque global) o como una descripci´on compuesta de regiones seleccionadas de la imagen las cuales deben corresponder a objetos particulares que aparecen en la imagen (enfoque local o basado en objetos).
Se han demostrado aplicaciones de anotaci´on exitosas para recuperaci´on de video en general. Por ejemplo, en anotaciones en videos de deportes se puede describir la secuencia por el tipo de deporte, el n´umero de jugadores, los colores de sus uniformes, etc. Entonces, la recuperaci´on se realiza simplemente consultando el sistema en las secuencias que muestren un equipo deseado, deporte, jugador, etc.