Modelo de apariencia activa: Liberando el poder de los modelos de apariencia activa en visión por computadora

Por Fouad Sabry

Qué es el modelo de apariencia activa

Un modelo de apariencia activa (AAM) es un algoritmo de visión por computadora para hacer coincidir un modelo estadístico de forma y apariencia de un objeto con una nueva imagen. Se construyen durante una fase de formación. Se proporciona al supervisor de capacitación un conjunto de imágenes, junto con las coordenadas de los puntos de referencia que aparecen en todas las imágenes.

Cómo se beneficiará usted

(I) Información y validaciones sobre los siguientes temas:

Capítulo 1: Modelo de apariencia activo

Capítulo 2: Registro de imágenes

Capítulo 3: Modelo de forma activo

Capítulo 4: Captura de movimiento facial

Capítulo 5: Estructura a partir del movimiento

Capítulo 6: Modelo sustituto

Capítulo 7: Cambio medio

Capítulo 8: Modelo de distribución de puntos

Capítulo 9: Estimación de la pose del cuerpo articulado

Capítulo 10: Modelo de bolsa de palabras en visión por computadora

(II) Respondiendo a las principales preguntas del público sobre el modelo de apariencia activa.

(III) Ejemplos del mundo real para el uso del modelo de apariencia activa en muchos campos.

Para quién es este libro

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básica para cualquier tipo de Modelo de Apariencia Activa.

 

 

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 10 may 2024

Vista previa del libro

Capítulo 1: Modelo de apariencia activa

Un AAM es un método de visión artificial que compara una imagen nueva con un modelo estadístico de la forma y apariencia de un objeto. Crecen durante un período de práctica. El supervisor de la formación recibe una colección de fotos junto con las coordenadas GPS de los puntos de referencia que se muestran en cada una de las imágenes.

En la Tercera Conferencia Internacional sobre Reconocimiento de Rostros y Gestos de 1998, Edwards, Cootes y Taylor presentaron el enfoque por primera vez en el contexto del análisis facial. Este método se utiliza comúnmente para el reconocimiento facial y el seguimiento, así como en la interpretación de imágenes médicas.

El algoritmo se optimiza en función de la disimilitud entre la estimación de la apariencia actual y la imagen deseada. Se adapta rápidamente a las nuevas fotos mediante el uso de enfoques de mínimos cuadrados para la coincidencia.

Tiene conexiones con el modelo de formas dinámicas (ASM). Un inconveniente de ASM es que no hace uso de toda la información disponible, incluida la textura en el objeto de destino, sino que se basa solo en restricciones de forma (junto con alguna información sobre la estructura de la imagen alrededor de los puntos de referencia). Se puede utilizar un AAM para modelar esto.

{Fin del capítulo 1}

Capítulo 2: Registro de imágenes

Registrar una imagen es convertirla de muchos sistemas de coordenadas en uno solo. Múltiples imágenes, datos de varios sensores, tiempos, profundidades y perspectivas son todas formas posibles de datos. Aplicaciones militares del reconocimiento autónomo de objetivos y la recopilación y análisis de datos de satélites. Los datos de estas numerosas métricas no se pueden comparar ni integrar sin registrarse primero para obtener una cuenta.

Los algoritmos para el registro de imágenes, también conocidos como alineación de imágenes, se dividen en dos grandes categorías: basados en la intensidad y basados en características.

También es posible categorizar los algoritmos de registro de imágenes en función de los modelos de transformación que emplean para establecer una correspondencia entre los espacios de la imagen de destino y la imagen de referencia. Las transformaciones lineales (incluidas la rotación, el escalado, la traslación y otras transformadas afines) son la primera clase general de modelos de transformación, seguidos de los modelos físicos continuos (fluidos viscosos) y, por último, los modelos de deformación masiva (difeomorfismos).

La parametrización es una forma frecuente de expresar transformaciones; El número de parámetros suele ser establecido por el modelo. Uno de estos parámetros es un vector de traslación, que se puede utilizar para definir la traslación de una imagen completa. Los modelos paramétricos son los que tienen parámetros. Por el contrario, los modelos no paramétricos no se adhieren a ninguna parametrización, lo que permite el desplazamiento aleatorio de elementos individuales de la imagen.

Varios paquetes de software incluyen soporte tanto para la estimación como para la aplicación del campo de deformación. Está incluido en SPM y AIR.

Por otro lado, los homeomorfismos y difeomorfismos, que preservan la estructura mediante el transporte de subvariedades suaves, son la base de varios enfoques de vanguardia para la normalización espacial. Dado que los difeomorfismos no son aditivos aunque constituyan un grupo, sino más bien un grupo bajo la ley de composición de funciones, los flujos se utilizan para construir difeomorfismos en la ciencia de vanguardia de la anatomía computacional. Como resultado, se pueden generar enormes deformaciones que preservan la topología mediante flujos que generalizan las ideas de grupos aditivos, ofreciendo transformaciones 1-1 y on. Como la principal herramienta computacional para establecer conexiones entre sistemas de coordenadas que corresponden a los flujos geodésicos utilizados en Anatomía Computacional, LDDMM son los métodos computacionales