Flusso ottico: Esplorazione di modelli visivi dinamici nella visione artificiale
Di Fouad Sabry
()
Info su questo ebook
Che cos'è il flusso ottico
Il flusso ottico o flusso ottico è lo schema del movimento apparente di oggetti, superfici e bordi in una scena visiva causato dal movimento relativo tra un osservatore e una scena. Il flusso ottico può anche essere definito come la distribuzione delle velocità apparenti di movimento del modello di luminosità in un'immagine.
Come trarne vantaggio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Flusso ottico
Capitolo 2: Minimi quadrati
Capitolo 3: Ottica di Fourier
Capitolo 4: Segmentazione delle immagini
Capitolo 5: Metodo Lucas?Kanade
Capitolo 6: Metodo Horn?Schunck
Capitolo 7: Correlazione e tracciamento delle immagini digitali
Capitolo 8: Ricostruzione 3D
Capitolo 9: Odometria visiva
Capitolo 10: Rilevatore d'angolo Harris
(II) Rispondere al pubblico top domande sul flusso ottico.
(III) Esempi reali dell'utilizzo del flusso ottico in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di flusso ottico.
Leggi altro di Fouad Sabry
Tecnologie Emergenti Nella Scienza Dei Materiali [Italian]
Correlato a Flusso ottico
Titoli di questa serie (100)
Gruppo congiunto di esperti fotografici: Sfruttare la potenza dei dati visivi con lo standard JPEG Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto del colore: Comprendere la percezione e la rappresentazione nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniIstogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFiltro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniIstogramma dei gradienti orientati: Svelare il regno visivo: esplorare l'istogramma dei gradienti orientati nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei bordi: Esplorare i confini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFunzione di corrispondenza dei colori: Comprendere la sensibilità spettrale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniContorno attivo: Avanzamento della visione artificiale con tecniche di contorno attivo Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniSistema di gestione del colore: Ottimizzazione della percezione visiva negli ambienti digitali Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniModello del sistema visivo umano: Comprendere la percezione e l'elaborazione Valutazione: 0 su 5 stelle0 valutazioniModello a colori: Comprendere lo spettro della visione artificiale: esplorare i modelli di colore Valutazione: 0 su 5 stelle0 valutazioniMetodo di impostazione del livello: Avanzamento della visione artificiale, esplorazione del metodo dell'impostazione dei livelli Valutazione: 0 su 5 stelle0 valutazioniBanca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniProfilo colore: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Stima del movimento: Progressi e applicazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisualizza la sintesi: Esplorare le prospettive nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto attivo: Sbloccare la potenza dei modelli di aspetto attivo nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniGrafica di ray-tracing: Esplorazione del rendering fotorealistico nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCampo di movimento: Esplorando le dinamiche della visione artificiale: svelato il campo del movimento Valutazione: 0 su 5 stelle0 valutazioniTagli del grafico di visione artificiale: Esplorazione dei tagli grafici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRete di sensori visivi: Esplorare la potenza delle reti di sensori visivi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniStima della posa del corpo articolato: Sbloccare il movimento umano nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSegmentazione delle immagini: Sbloccare insight grazie alla precisione dei pixel Valutazione: 0 su 5 stelle0 valutazioniIlluminazione globale: Visione avanzata: approfondimenti sull'illuminazione globale Valutazione: 0 su 5 stelle0 valutazioniSuperficie procedurale: Esplorazione della generazione e dell'analisi delle texture nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale: Approfondimenti sul mondo della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRobot automatizzato per l'ispezione a raggi X: Migliorare il controllo di qualità attraverso la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniRendering volumetrico: Esplorare il realismo visivo nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniClassificazione delle immagini contestuali: Comprendere i dati visivi per una classificazione efficace Valutazione: 0 su 5 stelle0 valutazioniModellazione e rendering basati su immagini: Esplorare il realismo visivo: tecniche di visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRegolazione del pacchetto: Ottimizzazione dei dati visivi per una ricostruzione precisa Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento automatico del bersaglio: Progressi nelle tecniche di visione artificiale per il riconoscimento del bersaglio Valutazione: 0 su 5 stelle0 valutazioniRendering di grafica computerizzata: Esplorare il realismo visivo: approfondimenti sulla computer grafica Valutazione: 0 su 5 stelle0 valutazioniMosaicazione di documenti: Sbloccare intuizioni visive attraverso il mosaico di documenti Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento ottico del Braille: Potenziare l'accessibilità attraverso l'intelligenza visiva Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniElaborazione Misure Ottiche acquisite con OTDR Valutazione: 0 su 5 stelle0 valutazioniElaborazione delle immagini piramidali: Esplorare le profondità dell'analisi visiva Valutazione: 0 su 5 stelle0 valutazioniAlgoritmo di disegno di linee: Padroneggiare le tecniche per il rendering di immagini di precisione Valutazione: 0 su 5 stelle0 valutazioniRendering della scansione: Esplorare il realismo visivo attraverso le tecniche di rendering della scansione Valutazione: 0 su 5 stelle0 valutazioniMetodo di impostazione del livello: Avanzamento della visione artificiale, esplorazione del metodo dell'impostazione dei livelli Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
ANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioniSelf-Publishing del Futuro per Scrittori 2.0: Self-Publishing Facile Valutazione: 0 su 5 stelle0 valutazioniGuida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioniIl Terzo Like Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Flusso ottico
0 valutazioni0 recensioni
Anteprima del libro
Flusso ottico - Fouad Sabry
Capitolo 1: Flusso ottico
Quando un osservatore si muove rispetto a una scena, gli oggetti, le superfici e i bordi osservati sembrano muoversi in uno schema specifico noto come flusso ottico o flusso ottico.
Negli anni '40, lo psicologo americano James J. Gibson introdusse il concetto di flusso ottico per descrivere lo stimolo visivo fornito agli animali in movimento.
Le sequenze di immagini ordinate possono essere utilizzate per stimare il movimento sotto forma di velocità continue dell'immagine o di singoli spostamenti dell'immagine. Per confrontare l'efficacia di vari metodi di flusso ottico, John L. Barron, David J. Fleet e Steven Beauchemin presentano un'analisi completa. La precisione e la densità delle misurazioni sono enfatizzate.
I metodi del flusso ottico cercano di calcolare il movimento tra due fotogrammi dell'immagine che vengono presi a volte t e t+\Delta t in ogni posizione del voxel.
Le tecniche differenziali sono così chiamate perché approssimano il segnale dell'immagine con funzioni locali utilizzando la serie di Taylor; cioè, Per fare questo, prendono derivate parziali nello spazio e nel tempo.
Per un caso (2D + t)-dimensionale (i casi 3D o n-D sono simili) un voxel in posizione (x,y,t) con intensità I(x,y,t) si sarà spostato da \Delta x , \Delta y e \Delta t tra i due fotogrammi dell'immagine, e si può dare la seguente limitazione sulla fluttuazione dell'intensità della luce:
I(x,y,t) = I(x+\Delta x, y + \Delta y, t + \Delta t)Assumendo che lo spostamento sia trascurabile, il vincolo dell'immagine in serie di I(x,y,t) Taylor può essere sviluppato per ottenere:
{\displaystyle I(x+\Delta x,y+\Delta y,t+\Delta t)=I(x,y,t)+{\frac {\partial I}{\partial x}}\,\Delta x+{\frac {\partial I}{\partial y}}\,\Delta y+{\frac {\partial I}{\partial t}}\,\Delta t+{}}termini di ordine superiore
Poiché una linearizzazione si ottiene troncando i termini di ordine superiore, ne consegue che:
\frac{\partial I}{\partial x}\Delta x+\frac{\partial I}{\partial y}\Delta y+\frac{\partial I}{\partial t}\Delta t = 0oppure, dividendo per \Delta t ,
{\displaystyle {\frac {\partial I}{\partial x}}{\frac {\Delta x}{\Delta t}}+{\frac {\partial I}{\partial y}}{\frac {\Delta y}{\Delta t}}+{\frac {\partial I}{\partial t}}{\frac {\Delta t}{\Delta t}}=0}che si traduce in
\frac{\partial I}{\partial x}V_x+\frac{\partial I}{\partial y}V_y+\frac{\partial I}{\partial t} = 0dove V_x,V_y sono le x componenti e y della velocità o del flusso ottico di I(x,y,t) e \tfrac{\partial I}{\partial x} , \tfrac{\partial I}{\partial y} e \tfrac{\partial I}{\partial t} sono le derivate dell'immagine nelle (x,y,t) direzioni corrispondenti.
I_{x} , I_y e I_t può essere scritto per le derivate nel seguito.
Così:
I_xV_x+I_yV_y=-I_to
{\displaystyle \nabla I\cdot {\vec {V}}=-I_{t}}Poiché ci sono due variabili mancanti in questa equazione, è intrattabile. Il problema dell'apertura è un problema comune negli algoritmi di flusso ottico. Il flusso ottico può essere calcolato con un diverso insieme di equazioni determinate da un vincolo aggiuntivo. La stima del flusso effettivo richiede ulteriori assunzioni fatte da tutti i metodi di flusso ottico.
Correlazione di fase - l'inverso dello spettro di potenza incrociata in forma normalizzata
Minimizzare la somma delle differenze al quadrato o la somma delle differenze assolute, o ottimizzare la correlazione incrociata normalizzata, sono tutti esempi di metodi basati su blocchi.
Le derivate parziali del segnale dell'immagine e/o del campo di flusso ricercato, così come le derivate parziali di ordine superiore, possono essere utilizzate in metodi differenziali per stimare il flusso ottico:
L'approccio di Lucas-Kanade, che utilizza immagini patchate e un modello affine del campo di flusso, La tecnica di Horn-Schunck prevede la massimizzazione di un funzionale che tiene conto dei residui di un vincolo di costanza di luminosità e di uno specifico termine di regolarizzazione che caratterizza la levigatezza desiderata del campo di flusso.
La tecnica di Buxton-Buxton si basa su un modello di movimento dei bordi applicato a una serie di immagini.
Flusso ottico grossolano per correlazione, come nel metodo di Black-Jepson
Varie modifiche ed estensioni di Horn-Schunck che fanno uso di termini di dati aggiuntivi e termini di levigatezza costituiscono la categoria più ampia dei metodi variazionali generali.
Utilizzando tecniche di ottimizzazione discreta, quantifichiamo prima lo spazio di ricerca, quindi affrontiamo la corrispondenza delle immagini etichettando ogni pixel in modo che la deformazione risultante riduca al minimo la distanza tra le immagini di origine e di destinazione. KITTI e Sintel sono altri due set di dati di benchmark ampiamente utilizzati.
Una delle aree di studio più importanti del flusso ottico è la stima del movimento e la compressione video. Nonostante la sua somiglianza superficiale con un campo di moto denso derivato dalle tecniche di stima del movimento, il flusso ottico è lo studio non solo della determinazione del campo di flusso ottico, ma anche del suo utilizzo nella stima della natura e della struttura 3D della scena, nonché del movimento 3D degli oggetti e dell'osservatore rispetto alla scena. con la stragrande maggioranza di queste stime che si basano sull'immagine stessa. Jacobiane.
Pensa a una sequenza di cinque fotogrammi in cui una palla viaggia dal basso a sinistra all'alto a destra dello schermo. Utilizzando metodi di stima del movimento, possiamo dedurre che la palla sta viaggiando in direzione verticale e laterale analizzando i fotogrammi nella sequenza. La sequenza è stata descritta nel modo più accurato necessario per la compressione video (come MPEG). Nella visione artificiale, tuttavia, sapere se la palla o l'osservatore si sta muovendo verso destra è un'informazione cruciale ma sconosciuta. Anche se in tutte e cinque le immagini fosse presente uno sfondo fisso e modellato, non saremmo comunque in grado di dire con certezza che la palla stia viaggiando in direzione destra, perché il modello potrebbe essere infinitamente lontano dalla fotocamera.
Sono disponibili diversi modelli di sensori di flusso ottici. Un chip sensore di immagine accoppiato a un processore che esegue un algoritmo di flusso ottico è una configurazione possibile. Un chip di visione è una configurazione alternativa; Si tratta di un circuito integrato che contiene sia il sensore di immagine che il processore sullo stesso die. Un mouse ottico con un sensore ottico generico per mouse è un buon esempio di questo tipo di dispositivo. Per ottenere un rapido calcolo del flusso ottico con un basso consumo di corrente, i circuiti di elaborazione vengono talvolta implementati con circuiti analogici o a segnale misto.
I sensori di flusso ottici potrebbero trarre vantaggio dai recenti sviluppi dell'ingegneria neuromorfica, che vengono utilizzati per creare circuiti che reagiscono al flusso ottico. L'ispirazione per questi circuiti potrebbe essere trovata nei circuiti neurali biologici che reagiscono anche al flusso ottico.
Come componente di rilevamento principale per tracciare il movimento del mouse su una superficie, i sensori di flusso ottici trovano ampia applicazione nei mouse ottici per computer.
Nelle applicazioni robotiche, i sensori di flusso ottici vengono generalmente utilizzati per misurare il movimento visivo o il movimento relativo tra il robot e altri oggetti nelle sue immediate vicinanze. Un'altra area di studio attiva è l'integrazione di sensori di flusso ottici in veicoli aerei senza pilota (UAV) da utilizzare per mantenere la stabilità del volo e aggirare gli ostacoli.
{Fine Capitolo 1}
Capitolo 2: Minimi quadrati
Il metodo dei minimi quadrati è un approccio standard nell'analisi di regressione che viene utilizzato per approssimare la soluzione di sistemi sovradeterminati (insiemi di equazioni in cui ci sono più equazioni che incognite). Ciò si ottiene minimizzando la somma dei quadrati dei residui realizzati nei risultati di ogni singola equazione. Un residuo è la differenza tra un valore osservato e il valore adattato fornito da un modello.
L'utilizzo più significativo si riscontra nel campo dell'adattamento dei dati. Quando il problema presenta notevoli incertezze nella variabile indipendente (la variabile x), i metodi della regressione semplice e dei minimi quadrati hanno problemi; In questi casi, la metodologia richiesta per l'adattamento dei modelli di errori nelle variabili può essere considerata al posto di quella per i minimi quadrati. [Caso in questione:] quando il problema ha incertezze sostanziali nella variabile indipendente (la variabile x), la regressione semplice e i metodi dei minimi quadrati hanno problemi.
Ci sono due tipi di problemi che rientrano nella categoria dei minimi quadrati: i minimi quadrati lineari o ordinari e i minimi quadrati non lineari. La distinzione tra i due tipi si basa sul fatto che i residui siano lineari o meno in tutte le incognite. Nell'analisi di regressione statistica, uno dei problemi da risolvere è chiamato problema dei minimi quadrati lineari e ha una soluzione in forma chiusa. Il metodo di raffinamento iterativo viene spesso utilizzato per risolvere il problema non lineare. Durante ogni iterazione, il sistema viene approssimativamente modellato su uno lineare e, di conseguenza, il calcolo fondamentale è lo stesso per entrambi gli scenari.
La varianza in una previsione della variabile dipendente in funzione della variabile indipendente e le deviazioni dalla curva adattata sono entrambe descritte dai minimi quadrati polinomiali.
Quando le osservazioni provengono da una famiglia esponenziale con l'identità come statistica naturale sufficiente e le condizioni lievi sono soddisfatte (ad esempio, per distribuzioni normali, esponenziali, di Poisson e binomiali), le stime standardizzate dei minimi quadrati e le stime di massima verosimiglianza sono