Tí o/: De ecció de ca es mi jan an isió pe compu ado
Vo/um: 1
A/umne: F ancesc Bassas i Bullich
Di ec o lPonen : Mane/ F igo/a Bou /on
Depa amen :
ESAIl
Da o: 18 de
Juny
de 2009
-
..
-. .-_---
De ecció
de ca es mi jan<;:an isió
pe
compu ado
F ancesc Bassas i Bullich
18
de juny de 2009
Ag a"lmen s
En p ime lloc, old ia ag ai especialmen la
con ian~a
que en Manel F igola Bou lon,
di ec o d'aques p ojec e, a diposi a en mi en un inici pe a
en a
a col·labo a amb
el
G up de Robó ica In el·ligen i Sis emes (GRINS) del Depa amen d'Enginye ia de
Sis emes, Au oma ica i In o ma ica Indus ial (ESAII) de la Uni e si a Poli écnica
de Ca alunya. F ui d'aques a col·labo ació
ha
so gi aques eball que eniu en e
manso
Tampoc no old ia deixa d'ag ai -li, especialmen ,
la
se a aluosa
ajuda
i
o ien ació du an
el
anscu s i
el
desen olupamen del p ojec e.
D'una
mane a
ambé
especial, old ia ag ai a en Josep Ama i Gi bau la se a ines-
imable
ajuda
i els seus aluosos consells ebu s du an els p ime s mesos del p ojec e
que, han es a sense cap mena de dub e, els inspi ado s del eball que eniu a les
os es
manso
A més a més, ap o i o
pe
ag ai -li les se es classes magis als en les
assigna u es de Visió
pe
Compu ado i Robo ica, culpables, en g an mesu a, de que
hagi acaba eali zan
el
P ojec e Final de Ca e a dins
el
camp de la isió pe com-
pu ado .

índex
1. In oducció
1.1.
La
de ecció de ca es dins el camp de
la
isió
pe
compu ado
1.2. P oblema ica
1.3. Aplicacions .
lA.
Mo i ació . .
1.5. Objec ius del eba!l
2.
Analisi
d'
An eceden s
3. Concep es P e is
3.1. Bina i zació .
1
1
3
4
10
11
13
15
15
3.1.1. Bina i zació
pe
!linda ix . 15
3.1.2. Bina i zació pe !linda dinámic / Bina i zació
pe
pe cen il 17
3.1.3. Omb es p onunciades i objec es ocluso s
20
3.2.
Pa ons
..........
. .
22
3.2.1.
Pa ó
bina i . . . . . .
22
3.2.2.
Pa ó
de p obabili a s
23
3.3. Ex acció de ca ac e ís iques .
25
3.3.1. Ca ac e ís iques en ima ges monoc omes .
3.3.2. Ca ac e ís iques en ima ges en escala de g isos
4.
Disseny
4.1. Reco egu de
la
ima ge
4.1.1. Elecció de
la
ines a
4.1.2. Di isió solapada de ines es .
4.1.3. Can i d'escala
..
4.1.4. Can i d'o ien ació
4.2. De ecció de ca es
.....
4.2.1. Ap enen a ge supe isa
25
27
29
30
31
32
33
36
39
40
4.2.2. Ca ac e ís iques de les ima ges
d'en ada
.
4.2.3. Recopilació de les ima ges . . . . . . . . .
4.2.4. P ocessa de la ima ge
..........
.
4.2.5. Classi icado s i algo ismes d'ap enen a ge
4.2.6. En enamen
........
.
4.3.
Fil a
de de eccions pe locali zació
4.3.1. Fusió de ines es elnes .
4.3.2. Mínim de ines es elnes
5.
Plani icació i Cos os
5.1. Paque s de ebaIl
5.2. Plani icació
5.3. Cos os
..
6. Implemen ació
6.1. Llib e ies
6.2. Ap enen a ge au oma ic
6.3. Llengua ge de p og amació
7. Tes s i Resul a s Expe imen als
7.1. Tes
............
.
7.1.1. La ma iu de con usió
7.1.2. Models gene a s amb un classi icado Nal e Bayes
7.1.3. Models gene a s amb un classi icado Decision T ee .
7.1.4. Models gene a s amb un classi icado AdaBoos
7.1.5. Conclusions
....
7.2. Cos de ecó e la ima ge
7.3. Resul a s
........
.
7.3.1. Compa ació en e classi icado s
7.3.2. Resul a s expe imen als
8.
Conclusions
8.1. Resul a s
8.2. Di icul a s
8.3. T eball
Fu u
Bibliog a ia
ii
41
42
43
51
52
54
55
56
57
57
60
64
67
67
68
69
71
71
72
74
78
82
85
88
91
91
93
99
99
100
101
103
A.
Con ingu s del
OVO
B.
Aplicació de Oe ecció de Ca es
C.
Alguns Resul a s de Oe eccions de Ca es en Ima ges
105
107
109
III
Figu a
1.3.: L'S ee View de Google Maps u ili za un sis ema de de ecció de ca es
pe di umina o es les ca es que su en en les se es ima ges i així p o egi
la p i aci a de la gen que hi su o
Figu a 1.4.: Podem eu e com les ca es d'aques es dos pe sones han es a di uminades
pe p o egi -ne la se a iden i a .
Picasa Web Albums3. e ique a de o og a ies Al e cop Google.
En
aques cas
ens o e eix amb el seu se ei d'emmaga zemamen de o og a ies, Picasa Web Album,
la possibili a
d'au oma i za
una
asca
ediosa: I'e ique a amb noms de la gen
que apa eix en les nos es o og a ies. L'eina s'enca ega de ce ca o es les ca es
que apa eixen en els nos es aIbums i pos e io men les ag upa enin en comp e la
semblan~a
en e elles. D'aques a mane a, aconseguim eni ag upades les o og a ies
d'una
ma eixa pe sona i
pe
e ique a -les només ens a al a un simple dic.
3h p://picasa eb.google.com
6

SIli io!nI~ll:: IIRl~lg
-
, ,
o o o
Figu a 1.5.: L'eina de Google, Picasa Web Albums, ap o i a la de ecció i
el
econeix-
emen de ca es pe acili a l'e ique a ge de les di e en s o og a ies deis
nos es albums online.
MyHe i agé, a
qui
'assembles? Simila a Picasa Web Albums, MyHe i age pe -
me e ique a au oma icamen les ca es de la gen que apa eix en les se es col·leccions
de o og a ies. A més a més, pe o, a egeix un se ei, si més no cu iós: MyHe i age o e -
eix econeixemen de ca es que pe me als usua is puja
una
o og a ia d 'ells ma eixos
i oba a quina celeb i a s'assemblen.
Assis encia en
l'
AF
/
AE
de les came es digi als, locali zació de ca es Úl imamen
la majo ia de les came es digi als inclouen un so wa e de de ecció de ca es que pe me
de ec a els os es de les pe sones que es oben dins de l'enquad e de la came a i
man eni
el
ocus ix sob e elles. Un cop més simpli ican la eina a l'usua i.
4h p://www.myhe i age.com
7
......
C,,.._&F
...
~
__
"" I+e
0Wn0 ew
I
Celebdy ~
I Co Mb lymo pb look-allk
.......
Lolding
...
Plan.
wd
Figu a 1.6.: MyHe i age o e eix
un
se ei d'e ique a de ca es en o og a ies i ambé
o e eix una ecnologia de econeixemen de ca es que pe me u ili za
di e ides aplicacions que u ili zen la simila i a en e ca es.
Figu a 1.7.: Mol es de les came es que podem
aba
ac ualmen al me ca inclouen la
de ecció de ca es
pe
op imi za l'en ocamen , l'exposició i l'exposició amb
lash. Algunes d'elles
ambé
ap o i en aques a ecnologia
pe
l'eliminació
d'ulls e mells.
8
ASIMO.
un
obo sociable ASIMO és un obo humanoide que en e d'al es coses
é
la capaci a de de ec a i econéixe ca es. Aixo pe me al obo in e ac ua amb
les pe sones
d'una
mane a mol eaIís ica enin la possibili a de di igi -se a elles pel
seu nom, di igi la se a mi ada cap a elles, e c.
Figu a 1.8.: ASIMO és un obo humanoide c ea pe Honda
capa~
en e mol es al es
coses de econeixe ca es.
9
1.4. Mo i ació
Aques eball
és
ui de la co¡'¡abo ació en e
l'au o
i
el
g up GRINS5 del depa a-
men d'ESAU6 de la UPC7.
Ac ualmen
el
g up de ece ca col·labo a amb el p ojec e ROBAUCOB, un conso ci de
di e sos cen es ecnologics que p oposa desen olupa di e en s ecnologies necessa ies
pel desen olupamen de obo s móbils
capa<¡os
de du a e me asques complexes amb
un al g au d'au onomia i capaci a de col·labo ació. Aques s obo s, a més
a nés,
han de compa i asques amb pe sones de la mane a més amigable i
na u al
possible.
Un deis objec ius del p ojec e és desen olupa no es o mes d'in e acció pe sona- obo
més e icien s i na u als. La idea
és
que
el
obo no
es
limi i
an
sois a obei les o d es
o mulades
pe
ia elec ónica sinó que
ambé
sigui
capa~
d 'in e ac ua amb els seus
col·labo ado s humans
i,
a més
a nés,
e -ho de la mane a més na u al, inclús amb
la eu
i,
sob e o ,
mi jan~an
ges os que,
pe
asques que es eali zen a I'ex e io i en
condicions ex emes,
po
con e i -se en
el
canal més iable
pe
la comunicació.
El g up GRINS s'enca ega d'in es iga aques ipus de comunicació a
pa i
de ges os
que són econegu s pe I'o dinado
mi jan~an
ecniques de isió pe compu ado .
Aques a
pa
del p ojec e implica p incipalmen es sub asques: la de ecció de ca es,
el
econeixemen de ges os i
el
seguimen de pe sones.
D'al a
banda,
el
g up de ece ca ambé es
oba
in es igan la iabili a de la de ecció
de passa ge s dins
d'un
ehicle. La idea és pode aplica a i icacions a iables als
pea ges en unció del nomb e de ia ge s que ocupin
el
ehicle.
Aques s dos p ojec es man enen un comú denominado , la de ecció de ca es com a
sis ema que pe me p onos ica la p esencia
d'una
pe sona. Aixi dones
el
g up de
ece ca
ha
obe dos ies d'in es igació pel que a a la de ecció de ca es: una p ime a
que ap o i a una llib e ia de p og ama i lliu e de isió pe compu ado que imple-
men a un sis ema de de ecció de ca es; i
una
segona ia, complemen a ia, que p e én
desen olupa un sis ema de de ecció de ca es p opi des de ze o. Del desen olupamen
d'aques a segona ia
ha
so gi
el
p ojec e inal de ca e a que eniu en e
manso
5G up de Robó ica In el·ligen i Sis emes
6Enginye ia de Sis emes, Au oma ica i In o ma ica Indus ial
7Uni e si a Poli ecnica de Ca alunya
8 Au onomous and Coope a ing Robo s
10
1.5. Objec ius del eball
IllIadl
Imolgl
~
.....
d.
I
pomno e. i ¡
.....
_
••
Lllb e la
de
De ecclo
de
Ca es -
-
Modolo
Aqueo PFC
En enamen
-EJ
B.o.
--"---"-_."---".--"---"---'--"--.".-."---"--.''---".-."
Figu a
1.9.:
El
sis ema de de ecció de ca es que especi iquem és
un
sis ema
au onom
que
po
se
u ili za
pe qualse ol aplicació que en eque eixi
la
se a
uncionali a .
L'objec iu p incipal d'aques eball és cons ui
una
llib e ia de de ecció de ca es
p opia que pe me i a qualse ol aplica iu
de ec a
la
p esencia de ca es en qualse ol
ima ge.
La
idea
és
que aques a llib e ia se eixi com a
eina
pe
a les aplicacions que
necessi in
la
de ecció de ca es i que
l'en o n
de desen olupamen dissenya pe c ea -la
se eixi com a base pe millo a -ne
la
iabili a de
ca a
a
un
u u .
A con inuació desc iu em quins són els equisi s mínims que
hau ia
de compli
aques a
llib e ia.
Requisi s de la llib e ia
La
llib e ia
ha
de se
capa~
de econéixe en
una
ima ge
si
hi
ha
una
o més ca es
i,
en cas que així sigui,
ambé
n'ha
de p ecisa
la
se a locali zació,
o ien ació i mida. És a di ,
la
llib e ia ep com a
en ada
una
ima ge digi ali zada i
e o na
com a
so ida
la
locali zació, l'o ien ació i les dimensions de
cada
una
de les
ca es que hagi
oba ,
en cas d 'ha e -ho
e o
Degu a
la
complexi a del p oblema, en aques eball ens cen a em únicamen en
de ec a
ca es que es iguin en posició on al. Diem que
una
ca a
es
oba
en posició
11

on a! quan aques a s'o ien a en l'eix que es di igeix ins a l'óp ica de la came a.
Podem eu e exemples de ca es en aques a posició en les ima ges de la Figu a 1.10.
En les ima ges de la Figu a
1.11
eiem un conjun de ca es que
es
oben en posicions
di e en s a la on al i que pe
an
el
sis ema de de ecció que dissenya em no en
ga an i a la se a de ecció.
Figu a 1.10.: Ca es en posició on al.
Figu a 1.11.: Ca es en di e en s posicions, cap d'elles on al.
Tampoc ga an i em la de ecció de ca es semi ocul es, únicamen ens comp ome em a
de ec a aquelles ca es que hagin queda en la majo mesu a descobe es. In en a em
pe ó que les ulle es i les ba bes i els bigo is no siguin un impedimen a l'ho a d'e ec ua
la de ecció d
'una
ca a.
També ens ma ca em com a objec ius aconsegui un pe cen a ge de de eccions supe io
a!
90%
i
do a
a la llib e ia
d'una
espos a apida pe acili a -ne la in eg ació en
sis emes de de ecció en emps eal.
12
2. Analisi d' An eceden s
Els da e s
a en~os
en les ecnologies de
la
compu ació,
han
acili a el desen olupa,-
men de moduls de isió en
emps
eal que in e ac uen amb els humans.
Pe
aixo, el
p oblema de
la
de ecció de ca es
ha
es a
a l'o d e del
dia
en el camp de la isió
pe
compu ado en aques s úl ims anys.
Da e amen
s'han
ana
desen olupan di e en s écniques
pe
de ec a
una
ca a
dins
una
ima ge en escala de g isos o en colo . Pod íem classi ica -les dins de les
qua e
ca ego ies següen s:
•
Mé odes
basa s
en
el
coneixemen
(Knowledge-based
me hods).
Cod-
i iquen el coneixemen
huma
del qué cons i ueix
una
ca a
ípica (en gene al, les
elacions en e els
e s
acials).
•
Mé odes
basa s
en
ca ac e ís iques
in a ian s
(Fea u e
in a ian
ap-
p oaches).
Es cen en en
oba
les ca ac e ís iques es uc u als
d'una
ca a
que exis eixen ins i
o
quan
la
posició, el
pun
de is a, o les condicions
d'il·luminació a ien.
•
Mé odes
basa s
en
pa ons
(Templa e
ma ching
me hods).
Es basen en
di e sos
pa ons
es auda d
emmaga zema s pe desc iu e
la
ca a
com
un
o
o
els
e s
acials pe sepa a .
•
Mé odes
basa s
en
l'apa enc;a
(Appea ance-based
me hods).
T eballen
amb models
(o
plan illes) que ap enen a
pa i
d'un
conjun d'ima ges d'en e-
namen que
cap en
la
a iabili a de
l'apa en~a
acial.
Cal
apun a
que so in algunes écniques es poden supe posa en més
d'una
de les
ca ego ies p esen ades.
Pe
més de all de les écniques que s'u ili zen en
la
de ecció de ca es podeu consul a
l'es udi De ec ing Faces in Images: A Su ey
[1].
13
14
3.
Concep es
P e is
En
aques capí ol p esen axem
un
segui de concep es
que
ens se an necessa is pe
desen olupa
la
nos a
solució.
En
p ime lloc in odui em
la
écnica de
la
bina i zació d
'una
ima ge i eu em com
la
pod em
adap ax a les necessi a s que eque eix el nos e p oblema.
En
segon lloc
de ini em
un
me ode que ens pe me i cons ui
un
pa ó
d
'una
ca a
en unció de la
p obabili a de
cada
píxel en
una
ca a
bina i zada. l pe acaba enuncia em
qua e
mesu es que ens
ajuda an
a ca ac e i za
una
ima ge.
3.1. Bina i zació
Una
co ec a binaxi zació
d'una
ima ge
d'una
caxa
pe me
segmen a di e en s
e s
acials com
a a
la
zona deis ulls, del nas i
la
boca. Sembla se que els
e s
acials
coincideixen amb les zones més osques del os e i
pe
an
la
bina i zació ens
pe me
dis ingi aques es caxac e ís iques comunes en
o es
les caxes.
El
nos e objec iu se a aconsegui segmen a co ec amen els
e s
acials de
la
ca a
mi jan~an
una
binaxi zació de
la
ima ge.
En
els següen s
apa a s
jus i ica em
de alla em quina me odologia u ili za em
pe
a
du
a e me aques a asca.
3.1.1. Bina i zació pe lIinda ix
No malmen els me odes de bina i zació, segmen en en dos
una
ima ge
d'en ada
le.
L'assignació
d'un
píxel de
la
ima ge
bina i zada
lb a
un
deis dos segmen s
(O
i
1)
s'aconsegueix compa an el seu ni ell de g is
l(ij)
amb
un
ce llinda p ees able
(en anglés h eshold).
La
ima ge inal esul a mol senzilla de calcula
ja
que
pe
cada
píxel només
s'ha
d'e ec ua
una
compaxació numé ica.
15
3.2. Pa ons
A l 'ull
huma
li
és
senzill econeixe la p esencia o absencia d
'una
ca a
en
una
ima ge
co ec amen bina i zada.
Pe
du
a e me la
ma eixa
asca
en
una
maquina, aques a
hau ía
de coneixe unes egles en base a les quals pogués de e mina
ambé
la
p esencia
d'una ca a.
En
aques
apa a
p oposem
un
me o de que ens pe me i sabe , en
la
mesu a del
possible,
quan
una
ima ge bina ia es co espon a
una
ca a.
La idea d'aques me ode so geix de
la
idea de compa a
un
pa ó
(una ima ge bina ia
ep esen an ) amb
una
ima ge bina ia
pe
decidi
si
aques a
úl ima
po
se o no
una
ca a.
El p ime p oblema el obem en I'elecció del pa ó. No hi
ha
un
pa ó
únic que
ca ac e i zi a o es les ca es. AIgunes ca es se an més alla gades, d'al es més amples,
d'al es
ind an
els
e s
acials de di e en s mides i o mes, e c.
3.2.1. Pa ó bina i
Dona
un
conjun de n ima ges bina ies {II, ... ,In}, on
cada
ima ge bina ia queda
ep esen ada pe
una
unció I(i,j)--l{O,l} , anomena em
pa ó
bina i a
la
unció que
compleixi la següen exp essió:
{
1
sí
P(i,j)=
O
on
n
g>
al amen
9 =
Lh
(i,j)
=
L!¡
(i,j)
+
..
, +
In
(i,j)
k=l
i on ep esen a un alo en e O i n.
La
idea és ecolli en
el
pa ó
els pixels neg es que més apa eixen en un conjun de
ca es bina i zades.
En
la
ima ge de la Figu a 3.4 podem eu e
la
ep esen ació del
pa ó
ob ingu
d'un
conjun de 100 ima ges de ca es bina i zades.
22

Figu a 3.4.:
La
ima ge ep esen a
un
pa ó
bina i de
3lx3l
píxels.
La
ima ge
s'ha
ob ingu
a
pa i
d'un
conjun de 100 ca es bina i zades
pe
llinda
dillll.mic amb
un
pe cen il igual a
20
i ixan a 55.
Un cop de ini el
pa ó,
ens cal
oba
una
unció dis ancia que compa i
la
simili ud
en e el
pa ó
i
una
ima ge bina ia qualse ol.
La
di icul a de
oba
una
unció
dis ancia
óp ima
ens obliga a busca
una
al a
es a egia més igo osa
pe
e i ica la
simili ud
d'un
pa ó
amb
una
ima ge bina ia.
3.2.2. Pa ó de p obabili a s
Dona
un
conjun de n ima ges bina ies {I¡, ...
,1n},
on
cada
ima ge
bina ia
queda
ep esen ada pe
una
unció I(i,j)-+{O,l}, anomenem
pa ó
de p obabili a s a
la
unció
que compleix
la
següen exp essió:
pe
'
')
_
'L~_¡Idi,j)
'1,,) -n
'Lh
(i,j)
+
...
+
In
(i,j)
n
De
la
que es
po
dedui que P(i,j)-+[O,l] i ho podem
in e p e a
com la p obabili a
que
un
píxel de les n ima ges bina ies sigui
1.
Exp essa em com a
P'(i,j)-+l-P(i,j)
la
p obabili a que
un
píxel de les n ima ges
bina ies sigui O .
Pe
cons ui aques
pa ó
de p obabili a s u ili za em
un
conjun de 100 ima ges de
ca es bina i zades amb
un
pe cen il igual a
20
com hem jus i ica en
la
Secció 3.1.2.
23
La
ima ge
de
la
Figu a
3.5 ep esen a el
pa ó
de
p obabili a s
ob ingu
d'aques es
100 ima ges
de
ca es.
Figu a
3.5.:
La
ima ge
ep esen a
un
pa ó
de
p obabili a s
de
31
x
31
pixels; la
ima ge
s'ha
ob ingu
a
pa i
d'un
conjun
de
100 ca es bina i zades
pe
llinda
dinamic amb
un
pe cen il igual a 20. Els pixels més oscos indiquen que
en
la
bina i zació
d'una
ca a
és més p obable que el alo
en
aquel! pixel
sigui
O.
Els pixels més cla s indiquen que en
la
bina i zació
d'una
ca a
és
més p obable que el alo en aquel! pixel sigui 1.
24
3.3.
Ex acció de ca ac e ís iques
Pe
pode c1assi ica les ima ges en ca es o no ca es necessi em p ime de
o
eni
un
conjun de ca ac e ís iques que ens pe me in di e encia
un
ipus d'ima ge
d'una
al a.
En
aques
apa a
p esen em di e en s ca ac e ís iques segons el ipus d'ima ge
(ima ges en escala de g isos o
bé
ima ges en monoc om), que ens
pe me an
dis ingi
la
p esencia o absencia
d'una
ca a.
3.3.1.
Ca ac e ís iques
en
ima ges monoc omes
En
una
ima ge monoc oma
cada
píxel queda ep esen a
pe
1
bi
d'in o mació. Típi-
camen , les ima ges mono c omes s'in e p e en amb píxels de colo blanc
quan
el seu
alo és 1 i amb píxels de colo neg e
quan
el seu alo
és
O.
Pe
aques
mo iu
ambé
s'anomenen ima ges en blanc i
neg eo
Les ima ges monoc omes són mol u ili zades en isió pe compu ado . No cal di que
semp e
és
p ~ e ible
eballa amb el mínim nomb e de bi s d'in o lI)ació men e es
acin ale les uncionali a s desi jades.
Quan
aixo sigui possible en el nos e sis ema
in en a em aplica aques a p axis i eballa , en aques cas, amb ima ges mOnoc omes.
A con inuació p esen em algunes ca ac e ís iques que ap o i a em
d'aques
ipus d'i-
ma ge.
Pe cen a ge
de
píxels
neg es
Mesu a el nomb e de píxels neg es espec e el o al.
Dis ancia d'una ima ge bina ia a
un
pa ó
de
p obabili a s
Donada
una
ima ge
bina ia
1 de n píxels qualse ol i
un
pa ó
de p obabili a s1 P amb les ma eixes di-
mensions, de ini em
una
dis ancia D que exp essi
la
simili ud en e aques s dos. Amb
al es pa aules, busca em
la
simili ud en e
la
ima ge
bina ia
i el conjun d'ima ges
bina ies que hem u ili za
pe
c ea el
pa ó
de p obabili a s:
D(I
P) _
¿d(i,j)
, - n
lVeu e la Secció 3.2.2
25
d(
..
)
{P(i,j)
si
I(i,j)
= 1
',]
=
P'(i,j)
si
I(i,j)
= O
De
la
que
podem
dedui que la
majo
semblan~a
d'un
pa ó
a
una
ima ge bina ia,
maxD,
e
de inida pe
la
següen exp essió:
maxD(P)
=
¿maxd(i,j)
n
d(
.')
{P(i,j)
max
']
=
,
P'(i,j)
s,
P(i,j)
> 0.5
al amen
De
la
ma eixa mane a, la
majo
di e encia d
'un
pa ó
a
una
ima ge bina ia minD
e
de inida
pe
la
següen exp essió:
Pe
an :
minD(P)
=
¿mind(i,j)
n
.
d(.')
{P(i,j)
mm
']
=
,
P'(i,j)
s,
P(i,j)
< 0.5
al amen
minD(P)
:¡;
D(I,
P)
:¡;
maxD(P)
Pe
exemple,
la
dis ilncia en e el
pa ó
de
la
Figu a
3.6 i
la
ima ge bina ia de
la
Figu a
3.7a
és
de 0.77, de 0.5 amb
la
ima ge de
la
Figu a
3.7b i de 0.23 amb
la
de la Figu a
3.7c.
En
e ec e,
la
ima ge de la Figu a 3.7a és
la
més semblan a
la
ep esen ada pel
pa ó;
la
ima ge de
la
Figu a
3.7c
és
la
que menys s'assembla;
la
ima ge de
la
Figu a
3.7b es
oba
en e aques s dos llinda s.
26
(a)
0.9 0.2 0.9
0.1
0.3
0.1
0.4 0.6 0.4
Figu e 3.6.:
Pa ó
de p obabili a s de 3x3 pixels
(b)
••
•
(e)
Figu e 3.7.: Ima ges bina ies de 3x3 pixels
3.3.2. Ca ac e ís iques en ima ges
en
escala de g isos
En
el cas de les ima ges en escala de g isos
cada
pixel queda ep esen a no malmen
pe 8 bi s d'in o mació. Els pixels poden p end e
a a
un
alo que a des de O ins a
255. Tipicamen es sol assigna als pixels amb alo O el colo neg e i als pixels amb
alo 255 el colo blanco
La
es a
de alo s queden assigna s amb
una
g adació de
g isos que a de g isos més oscos
pe
alo s p ope s al
O,
a g isos més cla s a mesu a
que els alo s
s'ap open
al 255.
La
u ili zació de les ima ges en escala de g isos no és
an
p e e ible com
la
de les
ima ges en monoc omo So in , pe o, es a ine i able l'ús de
la
ima ge en escala de
g isos,
ja
que
la
in o mació addicional que p esen a en elació a
la
ima ge monoc Oma
es a imp escindible pe a
la
esolució de
la
uncionali a eque ida.
Quan
no ens quedi
al e emei eballa em amb ima ges en escala de g isos.
27

A con inuació p esen em algunes ca ac e ís iques que ap o i a em d'aques ipus d'i-
ma ge.
Mi jana d'una ima ge Anomena em
mi jana
d'una
ima ge 1 de n píxels a la mi jana
de les in ensi a s deis seus píxels:
_
¿,I(í,j)
x=
n
Des iació es anda d
d'
una ima ge Anomena em des iació es anda d
d'una
ima ge
1 de n píxels a la mesu a de la dispe sió de les in ensi a s deis seus píxels:
n
28
4.
Disseny
Di idi em el disseny
de
la llib e ia de de ecció
de
ca es
en
es
componen s
p incipals:
el eco egu de
la
ima ge,
la
de ecció
de
ca es i el il a
de
de eccions
pe
locali zació.
Jun amen
amb
aques s
es
móduls ens
hau em
de
p eocupa
ambé
de
dissenya
un
en o n
que ens
pe me i
ob eni
un
conjun de egles o models que ens
ajudin
a
classi ica
una
ima ge
com
una
ca a
o
com
una
no-ca a.
En
el
diag ama
de
la
Figu a
4.1
podem
eu e com in e accionen
en e
ells aques s
elemen s.
Lllb ena
de
De ecclO de Ca es
Ima ge NxM
Reco egu
de
la
Ima ge
I
p'. de IUocal
~
P"
d'"c.l.
: I
pa.
d,
o acló I
•
'mocl.1 I
•
dl, inel.
en e I
ln" es
e n'l
1
______
..
mlnlmde l
lne l: e eTn,s, 1
____
....
lII. a
de I
cl es
l _
FII n
de
Dl ecclons
p.
Loc.u zac16
all ad.
__
a •
.mod.'
....
------,
De ecclO de Ca es
l
.....
nel l'l'
Mlb
c el
Figu a
4.1.
Mod,13
29
4.1.
Reco egu de la
ima ge
L'objec iu d'aques módul és p opo ciona al módul de de ecció de ca es
un
conjun de
subima ges de la ima ge d'en ada.
La
dimensionali a d'aques conjun de subima ges
es a á
di ec amen elacionada amb de quina
mane a
desplacem, escalem i o ien em
la
ines a enca egada de ecó e
la
ima ge
d'
en ada.
Anomenem ines a, a l'enquad amen que u ili zem pe cen a -nos en
una
egió
d'una
ima ge.
En
el nos e cas,
la
ines a queda de inida p incipalmen pe es a gumen s:
la
locali zació, les dimensions i
la
o ien ació espec e la ima ge.
Així dones, el eco egu de
la
ima ge depend á de
es
pa áme es que de ini an amb
quin g au
d'exhaus i i a
es
eali za á
la
ce ca en
la
ima ge d'en ada: el pas de llisca ,
el
pas
d'escala i el pas de o ació de
la
ines a.
Reco egu
de
la Ima ge
-------------
pe.
de !lisca •
pas d'ne.la •
piS
de o aeló •
Ima ;.
NxM
. -
IIIs a
de
in
..
'
••
,
pIS
de
o acló
~
Con"
d'O~.n lcI6
pas
de
III'ca
~
Imllge
1m
....
B
PII
~ l.
I
.....
de_S_ ~_
...
_·:n_:_·
......
o IonIad.
Can l
•
e e.cll.
Figu a 4.2.
En
els següen s
apa a s
de ini em quines dimensions i o ma
ha
de eni
la
ines a
que eco i la ima ge i de quina
mane a
la
despla~a em,
l'escala em i
la
o ien a em
30
pe al d'ob eni
el
conjun de subima ges que p opo ciona em al módul de de ecció
de ca es.
4.1.1.
Elecció
de
la
ines a
Fo ma de
la
ines a Dins de les mol es ines es que es poden escolli pe eali za
aques a asca hem
ia
una
ines a quad ada basan -nos en:
• la simplici a geomé ica.
• esul a su icien
pe
aco a
una
zona mínima on apa eguin
e s
acials in a i-
an s com
a a
celles, ulls, nas i boca i on es minimi zin
el
nomb e d'elemen s
es uc u als in usius;
an
sois apa eixen ulle es i bigo is, no ho an se ells, si
ba bes pe ó en meno mesu a.
Figu a 4.3.: Les ines es mos en la egió d'in e és de les ca es
Dimensions de
la
ines a La mida de la ines a és ambé
una
decisió impo an
que in lueix en el endimen de la nos a solució.
Si
op em
pe
una
ines a mol
pe i a
les ope acions que em en aques a se an menys
cos oses.
No
obs an es a em pe den esolució
i,
so in , de alls que poden se
daus
a
1 'ho a de de ec a ca es. Pel con a i,
si
op em pe
una
ines a mol g an no hau em
de
pa i
pel de all que ens o e i a la ima ge pe ó
sí,
en can i, pel cos compu acional
que ind a associa a cada ope ació e ec uada sob e la ines a.
Es
ac a
dones d'assoli un comp omís i u ili za
una
ines a el més
pe i a
possible
que ens pe me i econéixe la p esencia, o no, d 'una ca a.
Apel·la em a la nos a capaci a
pe
de ec a
una
ca a
pe
decidi amb quina mida
de ines a eballa em. Com podem eu e en la igu a 4.4, amb
una
ines a de
31
Si
op em
pe
aques a opció,
o a
la ima ge i man eni la o ien ació de la ines a
cons an , pe
cada
pas de o ació hau em de
o a
la ima ge pe o pos e io men no
ens cald a
o a
la subima ge ob inguda de 31x31 pixels.
El cos compu acional de
o a
la ima ge
d'en ada
an s
cops com passos de o ació
apliquem
és
signi ica i amen in e io al de
o a
o es les ines es esul an s de ecó -
e
o a
la ima ge. Pe aques mo iu ens decan a em pe u ili za aques a opció pe
a oba ca es en di e en s o ien acions dins
una
ima ge.
38

4.2.
De ecció
de
ca
es
El modul de de ecció de ca es és l'enca ega de eb e les subima ges de 31x31 píx-
els p opo cionades pel modul de eco egu de la ima ge
i,
en unció del model de
classi icació selecciona , decidi quines d'elles són ca es i quines no.
El diag ama de la Figu a 4.10 mos a
el
uncionamen in e n d'aques mOdul. Basi-
camen s'e ec uen dos passos abans de eni classi icada
la
ima ge d'en ada.
En
p ime lloc, en unció del model selecciona , es p ocessa la ima ge pe ob eni la
selecció d'a ibu s.
En
segon lloc, la classi icació s'enca ega de classi ica la ima ge
d'en ada
com a ca a o no-ca a a
pa i
de la selecció
d'a ibu s
i
el
conjun de egles
de inides pel model selecciona .
- - - I
'1
1
'model
~
_ecdó
==l
............
L....:::::...J
'model
Imal",
31x31
1-
.-
__
~.I~/n;o:
__________________________
~1
1
1
-----------
_____
J
Figu a 4.10.
En els següen s
apa a s
eu em com l'ap enen a ge supe isa ens
ajuda
a gene a els
conjun s de egles o models que ens pe me en classi ica
una
ima ge de 31x31 píxels
en ca a o no-ca a.
39
4.2.1. Ap enen a ge supe isa
Un classi icado és
una
unció que p en
un
conjun de ca ac e ís iques com a en ades i
p odueix com a so ida
una
classe e ique ada.
Una
mane a
de gene a
un
classi icado
és aga a un conjun d'exemples
e ique a s
i
ac a
de de ini
una
egla que pugui
assigna
una
e ique a
a qualse ol
al a
dada
d'en ada.
So in
la
cons ucció deis
classi icado s no és
una
asca
i ial i pe aixo exis eixen écniques d 'ap enen a ge
au oma ic
que acili en la cons ucció d'aques s models.
L'ap enen a ge supe isa és
una
écnica de l'ap enen a ge
au oma ic
que pe me
ap end e
una
unció a
pa i
d'unes dades d'en enamen . Aques es dades consis eixen
en
un
conjun d'objec es
d'en ada,
ípicamen ec o s, i les se es espec i es so ides.
La
so ida de
la
unció ap esa
po
se
un
alo con inu o
bé
po
p edi
una
e ique a
de classe.
En
el p ime cas pa lem
d'una
unció de eg essió i en el segon cas pa lem
d'una
unció de classi icació.
Així doncs
la
p incipal
asca
de l'ap enen a ge supe isa és p edi el alo de
la
unció
pe a qualse ol objec e
d'en ada
alid desp és d'ha e is
un
nomb e d'exemples
d'en enamen .
En
el cas, que ens
ocupa
l'ap enen a ge supe isa ens se i a
pe
a
classi ica l'objec e
d'en ada
com a
ca a
o com a no-ca a.
A con inuació enume em els di e en s passos que cal segui
pe
a ob eni
el
conjun
de egles que de ini an el classi icado :
40
•
En
p ime lloc cal decidi quin ipus de dades
es
a an se i com a exemples
pe l' en enamen .
•
En
segon lloc cal ecopila
un
conjun de dades d'en enamen .
El
conjun d'en-
enamen
ha
de ep esen a de
la
millo
mane a
possible les ca ac e is iques del
món eal.
Pe
an ,
cal ecopila un conjun d'objec es
d'en ada
p ou ep esen-
a iu
i e co espond e a
cada
exemple
la
se a espec i a so ida.
•
El
següen pas és de e mina la ep esen ació de les ca ac e ís iques
d'en ada
de
la
unció d'ap enen a ge.
La
p ecissió de la unció
d'ap enen a ge
depén o -
amen
en com els objec es
d'en ada
es an
ep esen a s. Tipicamen , l'objec e
d'en ada
es con e eix en
un
ec o de ca ac e ís iques o a ibu s.
El
nomb e
de ca ac e ís iques no
ha
de se mol g an pe no augmen a excessi amen
la
dimensionali a del p oblema pe o, al ma eix emps, cal
eni
cu a
que sigui
su icien men g an com pe p edi amb
la
maxima exac i ud
la
so ida.
• Seguidamen cal de e mina
l'es uc u a
de
la
unció
d'ap enen a ge
i e -li co -
espond e
un
algo isme d'ap enen a ge.
• Un cop a iba s aquí ens queda comple a el disseny. Cal execu a l'algo isme
d'ap enen a ge
sob e el conjun d'en enamen . Els pa ame es de l'algo isme
d'ap enen a ge
s'han
d'ajus a
pe op imi za el endimen del classi icado .
•
Pe
acaba , desp és
d'ajus a
els
pa ame es
i e ec ua l'ap enen a ge, el endi-
men de l'algo isme
po
se mesu a a
pa i
d'un
conjun de
es
di e en del
conjun d'en enamen .
D'aques a
mane a
es ga an eix, en
la
mesu a del possi-
ble, que
la
p edicció del classi icado no
es a
sob eajus ada
al conjun de dades
d'en enamen .
En
els següen s
apa a s
desc iu em de quina
mane a
hem aplica en el nos e cas
cada
un
d'aques s passos p oposa s pe ob eni els conjun s de egles que ens
pe me an
classi ica les ima ges
d'en ada
del módul en ca es o no-ca es.
4.2.2. Ca ac e ís iques de
les
ima ges d'en ada
El p ime pas pe gene a el
modelo
conjun de egles del classi icado
és
especi ica
com
han
de se les dades
d'en ada.
En
el nos e cas les dades
d'en ada
se an ima ges
que compli an les següen s ca ac e ís iques:
•
La
ima ge
ha
de
eni
unes dimensions de 31x31 píxels,
al
com
s'ha
desc i a la
Secció 4.1.1.
1"
31
~I
.....................
.....................
••.••.
u
.............
·
....................
'
.....................
.................... ,
....................
'
....................
'
.....................
.....................
.....................
.....................
....................
'
.................... '
............ -....... .
....................
'
....................
,
.................... '
....................
'
....................
'
.................... ,
....................
'
....................
,
.................... ,
.................... ,
....................
'
....................
,
••.••.•••
u
.........
,
....................
,
.................... ,
.................
-
..
Figu a
4.11.: La ima ge
é
una
amplada
i
al~ada
de
31
píxels.
•
La
ima ge és
una
ima ge en escala de g isos, és a di , no con é in o mació de
colo .
41
Figu a 4.12.: La ima ge
d'en ada
és
una
ima ge en escala de g isos.
4.2.3.
Recopilació de
les
ima ges
El
segon pas
pe
gene a
el
modelo
conjun de egles del classi icado
és
ecopila un
conjun de dades d'en enamen que se i an a l'algo isme d'ap enen a ge pe en ena
el
classi icado . Pe e -ho, hem ecolli un conjun d'ima ges que compleixen les
ca ac e ís iques de inides a
l'apa a
an e io i les hem e ique a com a ca a o no-ca a,
o
espec an els c i e is que de inim a con inuació.
Ima ges e ique ades
com
a
ca a
Pe econéixe
una
ima ge com una ca a, i pe
an
e ique a -la com a al, s'han de dona les següen s condicions:
Figu a 4.13.: Conjun de
100
ima ges e ique ades com a ca a.
42
• La ima ge
ha
de con eni
una
ca a en posició on al .
• La ima ge
ha
d'emma ca únicamen la egió que a de la
pa
supe io de les
celles a la
pa
in e io deis lla is, i de I'ex em de I'ull esque a a I'ex em de
I'ull d e , al com
s'ha
desc i a la Secció 3.1.2.
Ima ges
e ique ades
com
a no ca a To es les ima ges que no compleixen les condi-
cions de les ima ges e ique ades com a
ca a
les e ique a em com a no-ca es.
,.
IIJ
,JJ
""'-
~k
¡¡¡
••
1"
11
,
:JI
•
~81
¡ l!
'
.
[
·-
E
E~
·
..
'
~
/
",
1:
"
II!.I
~
•
::;.¡,
-
!I
.
Figu a 4.14.: Conjun de
100
ima ges e ique ades com a no-ca a.
4.2.4.
P ocessa
de
la
ima ge
El següen pas és de ini el p ocessa de la ima ge
d'en ada
pe
al d'ob eni
el
conjun
d'a ibu s
o ca ac e is iques
d'en ada
del c1assi icado .
En
el
diag ama de la Figu a 4.15 podem eu e els passos que e ec uem en
el
p ocessa
de la ima ge. En p ime lloc bina i zem la ima ge d'en ada. Un cop bina i zada i en
43

unció del
modelo
conjun de egles que ulguem u ili za , ob ind em de
la
ima ge
en escala de g isos i de
la
ima ge biná ia el conjun
d'a ibu s
que ca ac e i za an la
ima ge.
• & I.ccló
d'A bD
de 1.lma a_
811*1.
Figu a 4.15.
El
Pll nlde
p o .bl
...
De inició deis a ibu s EIs
a ibu s
que anali za em
es an
basa s en I'ob enció de
dues mesu es sob e
la
ima ge
d'en ada
en escala de g isos i dues més sob e
la
ima ge
d'en ada
bina i zada
amb un pe cen il de
20
al
com hem jus i ica en
la
Secció 3.2.21
i les iden i ica em amb la
lle a
M (de mesu a) seguida
d'un
núme o iden i ica iu. A
con inuació enume em aques es qua e mesu es:
• Des iació
es anda d
de
la
ima ge en escala de g isos -
MI
•
Mi jana
de
la
ima ge en escala de g isos -M2
• Pe cen a ge de píxels neg es de
la
ima ge monoc oma -
M3
• Dis ancia de
la
ima ge monoc oma a
un
pa ó
de p obabili a s -M4
Les qua e mesu es p esen ades,
pe
si
soles, ens p opo cionen in o mació mol aluosa
sob e
la
ima ge. El c ucul de
la
des iació es anda d,
la
mi jana
i el pe cen a ge de
l egeu
el Capi ol 3.3
44
pixels neg es, ens donen in o mació ela i a a la a iació de la in ensi a deis g isos de
la ima ge.
En
can i, la dis áncia de la ima ge monoc oma al
pa ó
de p obabili a s
ens
apo a
in o mació di ec amen elacionada amb la mo ologia de la ima ge.
De o es mane es, excep uan la dis áncia de la ima ge monoc oma al pa ó de p ob-
abili a s, la es a de mesu es desap o i en en g an
pa
la
in o mació ela i a a la
posició dins de la ima ge. Pe exemple, no és
el
ma eix calcula la des iació es ánda d
en
o a
la ima ge que només e -ho en
una
egió especí ica.
Pe
aques mo iu old em
ap o i a la in o mació ela i a a la posició dins de la ima ge, i ho a em calculan les
mesu es desc i es an e io men en di e en s zones de la ima ge.
A la Figu a 4.16 podem eu e el conjun de egions que hem decidi u ili za iden i i-
cades
cada
una
d'elles amb la lle a R (de egió) seguida
d'un
núme o iden i ica iu:
(a)
Rl
(b)
R2
(e) R3 (d)
R4
(e) R5
( )
R6 (g) R7 (h) R8
(i) R9 (j) RIO
Figu a 4.16.:
En
les igu es es mos a un
quad a
de 31x31 píxels on
el
colo neg e
ep esen a la egió de la ima ge sob e la qual s'e ec ua la mesu a.
La combinació del conjun de mesu es amb
el
conjun de o es les egions on s'e ec uen
aques es, dóna com a esul a els
a ibu s
que conside a em suscep ibles de se u il-
45
i za s pel classi icado . En o al són
40
a ibu s. A la Taula
4.1
apa eixen aques s
40
a ibu s ob ingu s
d'una
ima ge.
Pe
exemple, la in e secció M2-R2
és
un
a ibu
que
indica que la
mi jana
de la egió R2 de la ima ge en escala de g isos és de 169.009.
Taula 4.1.: La
aula
con é els
a ibu s
esul an s d'aplica les mesu es a la ima ge
d' escala de g isos i a la ima ge en blanc i neg e de la p ime a
ca a
de la
Figu a 4.13. Les iles de la
aula
con enen les qua e mesu es co esponen s
a cada una de les
10
egions de inides.
De o s els
40
a ibu s
que hem de ini , alguns d'ells poden se op ims, d'al es edun-
dan s, i d'al es innecessa is pe classi ica la ima ge com a ca a o no ca a.
EIs classi icado s acos umen a disminui
el
seu endimen quan apa eixen
a ibu s
i elle an s, edundan s o poc signi ica ius
ja
que la se a p esencia amplia I'espai
d'hipo esi sob e
el
que es eali za la p edicció.
No
obs an , en úl ima ins ancia, aixo
acaba depenen del classi icado que s'u ili za.
Pe exemple,
si
s'u ili za un classi icado nal e bayes, aques assumeix la independen-
cia en e els a ibu s dona el alo de la classe, és a di , els a ibu s edundan s an
que
el
classi icado uncioni mol pi jo . En can i, els a b es de decisió, poden a iba
a millo a
el
seu endimen amb
a ibu s
edundan s.
Pe
al
d'op imi za el nos e classi icado ob i em la possibili a de eballa amb
di e en s conjun s
d'a ibu s
pe in en a
oba
el
conjun que n'op imi zi
el
endi-
46
men o
Selecció d'a ibu s L'ap enen a ge au oma ic ens o e eix eines
pe
al
de selecciona
els
a ibu s
més elle an s pe du a e me
una
c1assi icació. Exis eixen p incipalmen
dos mé odes
pe
a eali za aques a asca: els basa s en il es i els basa s en w appe s.
Els mé odes basa s en il es es ableixen un anquing pe als
a ibu s
mesu an la
elle ancia en la p edicció de la
c1asse
pe
sepa a .
En
can i, els mé odes basa s
en w appe s a aluen subconjun s
d'a ibu s
ins
ha
oba
el
més adequa . Aques s
úl ims, u ili zen mé odes d'ap enen a ge pe a l'a aluació.
En la Taula 4.2 podem eu e di e en s conjun s
d'a ibu s
que hem ob ingu mi -
jan~an
els mé odes esmen a s an e io men i
ambé
d'al es conjun s que hem escolli
seguin un c i e i p opi.
47
4.3.
Fil a
de de eccions pe locali zació
A iba s a aques pun , disposem d 'un conjun de ines es que
el
classi icado
ha
de ec a com a ca es, és a di , disposem de la locali zació i mida de les ca es de ec ades.
No
obs an , aques conjun de ines es no
é
pe qué co espond e amb
el
nomb e de
ca es de la ima ge. Es poden dona dos casos: pe
una
pa
és
possible que
una
ca a
hagi es a de ec ada en di e en s ines es p ope es en e elles,
d'al a
banda
po
se
que s'hagin p odul alses de eccions.
En la ima ge de la Figu a 4.20 podem eu e un exemple del que es em explican .
Pe
cada
ca a apa eixen múl iples de eccions i a més a més apa eixen ambé alses
de eccions.
Figu a 4.20.: En la ima ge podem eu e o es les ines es que
el
classi icado
ha
e i-
que a com a ca es. Podem eu e com
cada
ca a p esen a múl iples
de eccions.
Aques s esul a s no són desi jables: pe
una
banda
ens in e essa que cada ca a només
sigui iden i icada un cop,
d'al a
banda
ens in e essa edui
el
maxim possible
el
nomb e de alses de eccions.
A con inuació eu em de quina mane a podem u ili za la in o mació ela i a a la
posició de les di e en s ines es pe millo a
el
maxim possible aques s esul a s.
54

4,3,1. Fusió de ines es
e'ines
Diem que
una
ines a A
és
eina
d'una
ines a B quan la dis ancia en e els seus
cen es és in e io a
una
dis ancia d. De ini em la condició de eina ge com ansi i a,
és a di ,
si
la ines a A
és
eina de la ines a B i la ines a B és eina de la ines a
e,
lla o s di em que la ines a A
ambé
és eina de
la
ines a C.
Le múl iples de eccions en
una
ma eixa
ca a
donen lloc a un conjun de ines es que
donada
una
dis ancia mínima compleixen que son eines en e elles.
Ap o i a em aques a ci cums ancia pe ga an i en la mesu a del possible que cada
ca a és de ec i
una
sola egada. Aixó ho a em compac an cada conjun de ines es
eines en
una
única ines a. La ines a esul an s'ob ind a
d'una
mi jana ponde ada
del cen e i de les dimensions del conjun de ines es eines.
Veiem en la ima ge de la Figu a 4.21 que
si
apliquem
el
usiona de ines es eines
solucionem
el
p oblema de múl iples de eccions en
una
sola ca a.
Figu a 4.21.: La ima ge mos a les de eccions esul an s de usiona les ines es eines
de la ima ge de la Figu a 4.20.
A a
cada
ca a
només es de ec a
una
egada.
Veiem pe o, com de o es mane es con inuen apa eixen alses de eccions. Veiem a
con inuació qué més podem e
pe
in en a elimina el maxim aques es alses de ec-
cions.
55
4.3.2.
Mínim
de ines es
e"ines
Si
o nem a obse a la ima ge de la Figu a 4.20 podem eu e que
el
nomb e de
ines es elnes en les ca es
és
mol supe io al nomb e de ines es elnes en les alses
de eccions.
Ap o i a em aques a peculia i a pe in en a edui
el
nomb e de alses de eccions.
Només ens queda em amb aquelles ines es que siguin
el
esul a de usiona un
conjun de ines es elnes amb un nomb e de ines es supe io s o iguals a un alo
mínimo
D'aques a mane a si ajus em
el
mínim de ines es elnes de o ma co ec a
pod em edui conside ablemen
el
nomb e de alses de eccions.
En
la ima ge de la Figu a 4.22 podem eu e
el
esul a d'aplica aques a no a es icció
d'un
mínim de ines es elnes
i,
eiem en aques cas, com hem aconsegui elimina
o es les alses de eccions.
Figu a 4.22.: La ima ge mos a les de eccions esul an s de usiona només els conjun s
de ines es elnes amb un mínim de ines es de e mina de la ima ge
de la Figu a 4.20.
Cada
ca a només es de ec a una egada i no hi
ha
cap alsa de ecció.
56
5. Plani icació
Cos os
En
aques capí ol esumi em
la
plani icació i cos os associa s al p ojec e.
En
p ime
lIoc de ini em els paque s de eball, desp és en plani ica em el seu desen olupamen
mi jan~an
un
diag ama de
gan
i
ja
pe
acaba esumi em els cos os associa s al
desen olupamen del p ojec e.
5.1. Paque s de eball
El
p ojec e
s'ha
es uc u a
ep 8 paque s de eball. Els de alls de
cada
un
d'ells es
p esen en a con inuació:
• Es udi d 'an eceden s i iabili a . Abans d'enca a el p ojec e
ha
calgu e
una
p ime a ap oximació a
la
p oblema ica de
la
de ecció de ca es, a les di e en s
solucions exis en s i e algunes p o es pe eu e
la
iabili a de dissenya
un
algo isme de ca es basa , en
pa ,
en
la
bina i zació. Aques
paque
es di ideix
en les següen s sub asques:
Es udi
de
la
p o blema ica de la de ecció de ca es
-
Es udi
d'algo ismes ac uals
-Viabili a d'implemen a
un
algo isme de de ecció de ca es
mi jan~an
la
bina i zació de ca es
• Adap ació a l'en o n
de
eball.
Ha
es a
indispensable
aques a
ase d'ap enen-
a ge
de les di e en s eines que
s'han
e se i en
la
eali zació
d'aques
eball:
Mic oso Visual S udio C++,
OpenCV
i Weka. Aques
paque
es di ideix en
l'ap enen a ge de les següen s eines:
57
58
Mic oso Visual S udio
C++
Llib e ies de
ac amen
de
la
ima ge
d'üpenCV
Llib e ies d'ap enen a ge
au oma ic
d'üpenCV
-Weka
• Disseny. L'especi icació de
cada
modul
jun
amb
la
de inició deis seus eque i-
men s i uncionali a s.
El
paque es di ideix en es sub asques:
-Reco egu de
la
ima ge
De ecció de ca es
Fil a
de de eccions
• Recopilació
de
les ima ges. Ha calgu p epa a
una
base de dades de ca es p opia
adap ada
a les necessi a s de
la
nos a
solució.
• Impl'emen ació. To es les asques elacionades en
po a
á e me
la
imple-
men ació del disseny. El paque es di ideix en es sub asques:
-Reco egu de
la
ima ge
De ecció de ca es
* P ocessa de
la
ima ge
* Selecció
d'a ibu s
*
En enamen
Fil a
de de eccions
• P a es i esul a s.
P epa a
una
ase de p o es pe comp o a el endimen deis
di e en s classi icado s en ena s,
eu e'n
conclusions i aplica -les a
la
llib e ia
implemen ada. Veu e
el
endimen global de
la
llib e ia p ac ican
la
de ecció
de ca es en di e en s ima ges. Aques paque s
s'ha
di idi en dues sub asques:
-P o es del endimen deis classi icado s
-Resul a s en ima ges
• Disseny i implemen ació d'una in e ície g a ica d'usua i.
P epa a
una
aplicació
que aci ús de
la
llib e ia implemen ada pe me en
la
de ecció de ca es en
una
ima ge .
• Documen ació
del
p ojec e. Redacció de
la
memo ia del p ojec e.
59

5.2. Plani icació
60
..........................................
!l
...
-!'!
........
, , I
.......
I!I
..........
::
61
.............
··········1
.........
..........
I
................
l·············· •
.............
...
.....
.
.....
.
······1
1 '
I ¡
,!
! "
i ;
i'
62
63
70

7.
Tes s
Resu
I a s
Expe i
men a
Is
En
aques capí ol ens cen a em en a alua el endimen deis classi icado s
en ena s
pe
al
de eu e quins d'ells ens o e eixen
un
millo endimen . Discu i em
ambé
I'o igen de I'ele a cos compu acional de
la
nos a
solució. Finalmen comen a em
un
segui de esul a s d'aplica
la
de ecció de ca es implemen ada en di e en s ima ges.
7.1.
Tes
Pe
a a alua el endimen de
cada
un
deis classi icado s que hem
en ena
hem u il-
i za
un
conjun d'ima ges de es . Hem ecopila
un
o al
de 100 ima ges de ca es i
23.573 ima ges de no-ca es, o es elles di e en s a les del conjun d'ima ges d'en ena-
men o
El p océs
pe
a alua
cada
un
deis
42
conjun s de egles
ha
es a
el següen .
En
p ime lloc hem p ocessa
cada
ima ge de
la
base de dades de es pe ob eni el
conjun
d'a ibu s
d'en ada
del classi icado .
En
segon lloc
pe
a
cada
ima ge hem
compa a
la
se a classe amb
la
que
ha
p edi el classi icado .
D'aques a
mane a
hem
ob ingu
un
segui de esul a s que podem eu e esumi s en
les aules i els g a ics de les següen s pagines.
Pe
simpli ica la comp ensió deis g a ics els hem di idi en unció del ipus de clas-
si icado
u ili za
(nal e bayes, decision ee, adaboos ) i del mé ode de selecció del
conjun
d'a ibu s
(c i e i p opi, il e, w appe ).
Abans de passa a comen a els esul a s, pe ó, de ini em
un
concep e que ens se i a
pe a es ima el endimen
d'un
classi icado i que ens
ajuda a
a a alua els esul a s
ob ingu s:
la
ma iu
de con usió.
71
7.1.1.
La
ma iu
de
con usió
La
ma iu
de con usió
és
una
eina de isuali zació que s'u ili za
pe
a a alua el endi-
men
d'un
classi icado .
Cada
ila de la
ma iu
ep esen a el núme o de p ediccions de
cada
classe, men e que
cada
columna ep esen a el núme o d'ins imcies en
la
classe
eal.
La
de ecció de ca es és
un
p oblema de classi icació de dues classes:
ca a
o no-ca a.
Pe
aques mo iu,
la
ma iu
de con usió del p oblema de de ecció de ca es cons a
de dues iles i dues columnes que in o men del nomb e de posi ius, alsos posi ius,
nega ius i alsos nega ius esul an s de classi ica
un
conjun de dades de es .
En
la
ma iu
de con usió de la Taula
7.1
podem eu e com es dis ibueixen els di e en s
esul a s:
72
ca a
p odlcd6
no-ca a
ca a
alsos
nep ius
no-ca a
Taula 7.1.:
Ma iu
de con usió.
• Els posi ius són aquelles ins ancies que el classi icado
ha
p edi co ec amen
com a posi i es, és a di , com a ca es, coincidin així amb el seu alo eal.
•
En
can i, els alsos posi ius són o es aquelles ins ancies que el classi icado
ha
p edi com a posi i es, és a di , com a ca es, quan en eali a e en ins ancies
nega i es) és a di , no-ca es.
•
D'al a
banda
són nega ius aquelles ins ancies que el classi icado
ha
p edi
co ec amen com a nega i es, és a di , com a no-ca es, coincidin així amb el
seu alo eal.
• Anomenem alsos nega ius a o es aquelles ins ancies que el classi icado
ha
p edi com a nega i es, és a di , com a no-ca es, pe o que en eali a e en
ins ancies posi i es,
és
a
dí ,
ca es.
Veiem
un
exemple que il·lus i de
mane a
en enedo a el
compo amen
d'una
ma iu
de con usió. Conside em
un
model que eali za
la
p edicció
pe
a 10.000 ins áncies
del qual ob enim
la
ma iu
de con usió que es
mos a
a la Taula 7.2. Com podem
eu e el model p ediu co ec amen 9.700 no-ca es i 100 ca es.
D'al a
banda
p ediu
e óniamen 150 no-ca es i
50
ca es.
_a
...
1
ca a
no-ca a
ca a
150
p ecllcc16
no-ca a
SO
Taula 7.2.: Exemple
d'una
ma iu
de con usió.
Nosal es ens cen a em únicamen en les alses de eccions i ho a em ixan -nos en
els pe cen a ges de alsos nega ius i de alsos posi ius.
Pe
exemple, de la
ma iu
de
con usió de
la
Taula
7.2 ob ind íem
un
0,5% de alsos nega ius i
un
1,5% de alsos
posi ius.
Com més
edui
sigui el pe cen a ge de alses de eccions del nos e c1assi icado millo
se a el seu endimen . Di
d'una
al a
mane a, millo
se a
el pe cen a ge de ca es
de ec ades co ec amen .
Un cop
in odui s
aques s concep es,
a a
sí,
ja
podem passa a comen a el esul a s
ob ingu s
d'una
mane a
més de allada.
73
7.1.2. Models gene a s amb
un
classi icado
Na'i e
Bayes
En la aula de la Figu a
7.3
podem eu e els pe cen a ges de alses de eccions e-
sul an s d'aplica
el
conjun d'ima ges de es als di e en s models gene a s amb un
classi icado Nal e Bayes.
Cada
ila de la
aula
co espon a un model gene a amb un
conjun
d'a ibu s
di e en s.
Taula 7.3.: La
aula
mos a els esul a s d'a alua els models gene a s amb un classi-
icado N
al e Bayes.
74
En
el g a ic de
la
Figu a
7.1
podem eu e els esul a s de di e en s models gene a s
amb
un
classi icado
NaY e
Bayes u ili zan els conjun s
d'a ibu s
selecciona s a
pa i
d'un
c i e i p opi.
NIlYe
lI8yes
I~
J
•
~
'
....
--
Figu a 7.1.
Com podem eu e, de
o s
els models, el gene a amb el conjun
d'a ibu s
SI, és el que
ob é
uns esul a s més des a o ables.
D'aques a
mane a
es
con i ma el que ha íem
a an~a
a
I'apa a
4.2.4: eali za les di e en s mesu es en di e en s egions de
la
ima ge
pe
a ob eni els a ibu s,
ajuda
a millo a el endimen del model gene a .
E ec i amen , els models gene a s a
pa i
deis conjun s
d'a ibu s
S2, S3, S4,
S5
i
ALL que con enen
un
majo
nomb e
d'a ibu s
amb mesu es e ec uades sob e di e en s
egions de la ima ge, ob enen
un
millo pe cen a ge de alses de eccions que el model
gene a a
pa i
del conjun
d'a ibu s
SI.
Aques a onica
ambé
es man é pe a models gene a s amb di e en s ipus de clas-
si icado s com podem eu e en els g a ics de les Figu es 7.4 i 7.7, que mos en els
esul a s ob ingu s de models gene a s amb els ma eixos conjun s
d'a ibu s
i amb
classi icado s
basa s
en Decision T ee i AdaBoos espec i amen .
Pel que a a
la
es a
de models gene a s, podem conclou e que el pe cen a ge de alsos
nega ius és millo en els gene a s amb els conjun s
d'a ibu s
S2,
S3,
S4
i
S5
i que
el
75

pe cen a ge de alsos posi ius és millo en el model gene a pel conjun
d'a ibu s
ALL.
En
el g idic de la Figu a 7.2 podem eu e els esul a s de di e en s models gene a s amb
un
classi icado Nal e Bayes u ili zan els conjun s
d'a ibu s
ob ingu s
mi jan~an
mé odes de selecció basa s en il es.
Nol eBoyes
~,----------------------------------------------------
-+-----
l,-+--
J •
..,.
i
,..,.
.-
.-
" " "
_
........
Figu a
7.2.
"
Com podem eu e, els models gene a s a
pa i
deIs conjun s
d'a ibu s
F3,
F4
i F5
són els que ob enen uns millo s esul a s. El p ime d'ells amb
un
o al
de
10
a ibu s,
el segon amb
20
i
el
e ce amb 30.
Aques a obse ació
la
pod em e
ambé
en els models ob ingu s amb al es classi i-
cado s com podem eu e en els g anes de les Figu es 7.5 i 7.8, que mos en els esul a s
ob ingu s de models gene a s amb els ma eixos conjun s
d'a ibu s
i amb classi icado s
basa s en Decision T ee i AdaBoos espec i amen .
En
el g ane de
la
Figu a 7.3 podem eu e els esul a s de di e en s models gene a s amb
un classi icado Nal e Bayes u ili zan els conjun s
d'a ibu s
ob ingu s
mi jan~an
mé odes de selecció
basa s
en w appe s.
76
,---------------
------------
Nl e
layes
~,------------------------------------------------------
.~ -----------------------------------------------<Q"'-----
W1
a
---
Figu a 7.3.
.....
W3
Reco dem que el p oposi
d'u ili za
els mé odes de selecció
basa s
en w appe s és
oba
un
conjun op im en unció del c1assi icado que s'u ili zi: AdaBoos en el cas
del conjun
d'a ibu s
Wl,
Decision T ee pe al conjun
d'a ibu s
W2 o Nal e Bayes
pe al conjun
d'a ibu s
W3. Aixo en eo ia, pe qué com podem eu e, a la
p ac ica
no
ha
es a
aixÍ.
Veiem que el model gene a a
pa i
del conjun
d'a ibu s
W3 no
és
el que ob é
un
millo endimen
si
el compa em amb
la
es a
de models. Aixo succeeix
ambé
pels
models gene a s
mi jan~an
al es c1assi icado s com
podem
eu e en els g a ics de les
Figu es 7.6 i 7.9.
Així dones sembla se que aques mé ode de selecció
d'a ibu s
no
ha
dona els esul a s
espe a s. El
mo iu
que no hagi
es a
així, adica segu amen en que
s'han
u ili za
di e en s implemen acions deis c1assi icado s pe
du
a e me
la
selecció
d'a ibu s
i
la
gene ació deis models.
La
selecció
d'a ibu s
s'ha
e
mi jan~an
les implemen acions
deis classi icado s de l'eina Weka, men e que la gene ació de models
s'ha
e u ili zan
les implemen acions deis classi icado s de les llib e ies d'OpenCV.
Un al e deis possibles mo ius pe qué els conjun s
d'a ibu s
ob ingu s
a
pa i
de
mé odes de selecció
basa s
en w appe s no hagin
p odul
els esul a s espe a s és el
77
mé ode de ce ca u ili za pe a ob eni -los, Bes Fi s , que no ga an eix en cap cas
ob eni
el
conjun óp imo
7.1.3. Models gene a s amb
un
classi icado Decision T ee
En
la
aula
de la Figu a 7.4 podem eu e els pe cen a ges de alses de eccions e-
sul an s d'aplica
el
conjun d'ima ges de es als di e en s models gene a s amb un
classi icado Decision T ee.
Cada
ila de la
aula
co espon a un model gene a amb
un conjun
d'a ibu s
di e en s.
Taula 7.4.: La
aula
mos a els esul a s d'a alua els models gene a s amb un classi-
icado Decision T ee.
En
el
g <l ic
de la Figu a 7.4 podem eu e els esul a s de di e en s models gene a s
amb un classi icado Decission T ee u ili zan
els
conjun s
d'a ibu s
selecciona s a
pa i
d'un
c i e i
p opio
78
¡----
I
i
~,-------------------------------------------------------
Declslon
T ae
,
~ ---~M ---------------------------------------------
--
Figu a 7.4.
De
la
ma eixa
mane a
que en el g ane de
la
Figu a
7.1, són els models gene á s a
pa i
deis eonjun s 82, 83, 84, 85 i ALL els que
man enen
un
pe een a ge de alses
de eecions més bons.
A més a més, es
dóna
el eas que el model gene a amb el eonjun
d'a ibu s
ALL és
el que
é
un
índex d'enee més bo
an
pels alsos nega ius eom
ambé
pels alsos
posi ius.
En
el
gnl. ie
de
la
Figu a
7.5
podem
eu e els esul a s de di e en s models gene a s amb
un
classi ieado Decision T ee u ili zan els eonjun s
d'a ibu s
ob ingu s
mi jan~an
me odes de selecció
basa s
en il es.
79
• En can i
el
pe cen a ge de alsos posi ius és millo pe als models gene a s mi -
janºan
classi icado s AdaBoos que no pas amb els models gene a s
mi janºan
classi icado s N al e Bayes i Decision T ee .
• Els models gene a s a pa i de conjun s
d'a ibu s
ob ingu s
mi janºan
mé odes
de selecció basa s en w appe s no han dona els esul a s espe a s i en gene al
han aconsegui uns pe cen a ges de alses de eccions supe io s, i
pe
an
pi jo s,
als d'al es models.
Amb
o
aixo ens hem de decan a i escolli els models que ens o e eixin un millo
endimen . En ia em es basan -nos en
el
pe cen a ge de alses de eccions: un
model gene a
mi janºan
un classi icado Nal e Bayes, un al e gene a
mi janºan
un classi icado Decision T ee i un al e gene a
mi janºan
un classi icado AdaBoos .
En la aula de la Figu a
7.6
podem eu e els pe cen a ges de alses de eccions d'aques s
es models escolli s.
Taula 7.6.: La
aula
mos a els esul a s d'a alua els es models, gene a s amb cada
un dels classi icado s, que p esen en un pe cen a ge de alses de eccions
in e io més baix.
Pel que a al model gene a amb un classi icado Nal e Bayes escolli em
el
que u ili za
el
conjun
d'a ibu s
ALL, és a di , o s els a ibu s. El model ens p opo ciona un
pe cen a ge de alses de eccions
d'un
1,96%, amb un
4%
de alsos nega ius i un 1,95%
de alsos posi ius.
Pel que a al model gene a amb un classi icado Decission T ee escolli em
el
que
u ili za
el
conjun
d'a ibu s
F4. El model ens p opo ciona un pe cen a ge de alses
de eccions
d'un
6,47%, amb un
1%
de alsos nega ius i un 6,49% de alsos posi ius.
Pel que a al model gene a amb un classi icado AdaBoos escolli em
el
que u ili za
el
conjun
d'a ibu s
83. El model ens p opo ciona un pe cen a ge de alses de eccions
d'un
0,55%, amb un
12%
de alsos nega ius i un 0,5% de alsos posi ius.
86

En
el g á ic de
la
Figu a 7.10 podem eu e els pe cen a ges de alses de eccions d'aque-
s s
es
models escolli s.
I
I
j
--------
~ _------------------------------------------------
.......
...,.·ALl
0eciIIDn
T_
-
F4
-
.-
Ad
..
oos ·U
Figu a
7.10.: El g á ic
mos a
els pe cen a ges de alses de eccions deis 3 models que
hem conside a milla s pe a
cada
ipus de classi icado s.
87
7.2.
Cos de ecó e la
ima ge
Pe qué ens em
una
idea de
la
dimensionali a del p oblema que ens
oca
esold e
ap oxima em quin
és
el cos compu acional de ecó e
una
ima ge en busca de ca es
de di e en s mides i en di e en s posicions. Ho a em calculan el nomb e de subima ges
di e en s que ob ind em de ecó e la ima ge.
En
p ime lloc el nomb e de subima ges ob ingudes de ecó e
la
ima ge en llisca
una
ines a
d'una
mida de e minada
e
de ini
pe
la següen exp essió:
LF
(I(M,
N)) d dh
(N
-30) x
(M
-30)
= - x - =
-'-----'--='------'-
pI pI
p¡Z
On:
I (M,
N)
és
una
ima ge de M píxels
d'amplada
i N píxels
d'al~ada.
d és el
despla~amen
e ical que
po
e
una
ines a de 31x31 píxels.
dh
és
el
despla~amen
ho i zon al que
po
e
una
ines a de 31x31 píxels.
pi
co espon al pas de llisca .
La
següen exp essió co espon al nomb e de egades que
s'ha
d'escala la ima ge
pe
ob eni subima ges de di e en s dimensions:
#E(I(M,N))
On:
pe
co espon al
pas
d'escala .
max
(d , dh)
pe
max
((N
-
30),
(M
-30))
pe
Els ac o s d'escala aplica s a la ima ge
d'en ada
queden de ini s pe la següen
successió:
88
a
(1)
= 1
a
(n)
= a (n -
1)
x
max
(M,
N)
max(M,N)+(a(n-1)
xpl
x pe)
Saben dones el nomb e d'escala s i els ac o s d'escala que s'apliquen a la ima ge p in-
cipal,
la
següen exp essió co espon al nomb e de subima ges ob ingudes de ecó e
la
ima ge amb ines es de di e en s mides:
#E(I(M,N))
LEF
(I
(M
x
N))
= L
(LF
(I
(M
X a(n), N x
a(n))))
n=l
La
aula
de
la
Figu a
7.7 ens
mos a
el nomb e de subima ges ob ingudes pe a ima ges
de di e en s mides, i pe a di e en s passos de llisca i d'escala .
Podem
eu e com
més
g an
és
la
ima ge més es dispa a el nomb e de subima ges ob ingudes. També
podem eu e que
an
soIs passan
d'un
pas
de llisca i d'escala de 1 a 2 edulm el
nomb e de subima ges ob ingudes en un 8%.
89
-
320
200
64;000
640
1.280
1.024
1.310.720
"do
..........
__
..
_do
....-
1 1
6751746
100,0000%
2 2
sa&.447
''-'
3 3
1.s.164
.~
4 4
-.
O,S637K
1 1 81.989.319 100,0000%
2
3
4
2
3
4
6.
7114. 1OO
1'-64$
491.494
1 1
769267.157
100,0000%
2
3
4
2
3
..
Ii3,SS2
.•
14.G25J1S4
4.713.919
8,2614"
UlU_
~
Taula
7.7.:
La
aula
mos a
el nomb e de ines es que eco e l'algo isme en unció
de les dimensions de
la
ima ge,
de
l's ep
de
llisca i
de
l's ep
d'escala.
La
úl ima
columna
ens
mos a
el
pe cen a ge
de
ines es eco egudes
de
o es
les possibles.
90
7.3.
Resul a s
En aques
apa a
p esen a em els esul a s ob ingu s d'aplica la de ecció de ca es
implemen ada en di e en s ima ges.!
7.3.1. Compa ació en e classi icado s
Com hem explica en
l'apa a
an e io , al inal, deis
42
classi icado s que hem gene a ,
n'hem selecciona es pe a la nos a solució: Nal e Bayes -ALL, Decision T ee -F4 i
AdaBoos -83. Veiem a con inuació com es compo a cada un d'el!s a l'ho a
d'a aca
di ec amen
el
p oblema de de ec a ca es en
una
ima ge.
En la ima ge de la Figu a
7.11
eiem
el
esul a de de ec a les ca es amb
el
model
N
al e Bayes -ALL. Podem eu e que de les 9 ca es que apa eixen en la ima ge,
el
nos e algo isme en de ec a
7,
pe o en can i apa eixen un
o al
de
24
alses de eccions.
Cal ema ca que les dues ca es no de ec ades es an l!euge amen inclinades i
pe
an
po
se comp ensible que
el
nos e algo isme no les hagi de ec a .
Figu a 7.11.: model u ili za : nal e bayes -al! / mida de la ima ge: 1182x683 / pas
de llisca : 2 / pas d'escala : 2 / dis ancia en e ines es elnes: 5 /
mínim de ines es elnes: 3 / nomb e de ca es de la ima ge: 9 / ca es
de ec ades: 7 / alses de eccions: 24 / emps d'execució:
16
min
57
seg
lP o es eali zades amb un p ocessado In el Co e Duo T5500 a 1,66GHz.
91

En
la ima ge de la Figu a 7.12 eiem
el
esul a de de ec a les ca es amb
el
model
AdaBoos -
S3.
De les 9 ca es que apa eixen l'algo isme en de ec a 4 i únieamen
apa eix 1 alsa de ecció.
Figu a 7.12.: model u ili za : adaboos -
s3
/ mida de la ima ge: 1182x683 / pas
de llisea : 2 / pas' d'escala : 2 / dis ancia en e ines es elnes: 5 /
mínim de ines es elnes: 3 / nomb e de ea es de la ima ge: 9 / ea es
de ee ades: 4 / alses de eccions: 1 / emps d'exeeueió: 7 min 5 seg
Pod eu obse a que no mos em la ima ge esul an de de ec a les ca es amb
el
model Deeision T ee -F4. El mo iu
és
que les alses de eccions són an es que la
ima ge queda plena de ines es impedin així una a aluació del esul a .
Així dones, eiem com els esul a s de les p o es eali zades en la Secció
7.1
es
aslladen en la de eeció de ea es en ima ges. En aques cas quan hem u ili za
el
model Nal e Bayes -ALL hem ob ingu un pe cen a ge de alsos nega ius més baix,
és a di , un pe cen a ge de posi ius més al , pe un pe een a ge de alsos posi ius
més
al o
En
can i quan hem u ili za
el
model AdaBoos -
S3
hem ob ingu un pe -
cen a ge de alsos nega ius més al , és a di ,
un
pe een a ge de posi ius més baix,
pe
un pe cen a ge de alsos posi ius mol baix.
Així dones ambdós models sembla que es complemen en mol bé, no obs an
si
ens
haguéssim de queda amb un deIs dos eseolli íem
el
Adaboos -
S3
ja
que ens o e eix
un pe cen a ge de alses de eceions mol més edul .
92
En
el
següen
apa a
mos a em di e en s esul a s d'aplica la de ecció de ca es amb
el
model Adaboos -83, amb di e en s pa ame es i en di e en s ima ges.
7.3.2.
Resul a s expe imen als
Figu a 7.13.: model u ili za : adaboos -
s3
/ mida de la ima ge: 705x703 / pas
de llisca : 2 / pas d'escala : 2 / dis ancia en e ines es
eYnes:
5 /
minim de ines es
eYnes:
5 / nomb e de ca es de la ima ge: 4 / ca es
de ec ades: 4 / alses de eccions: O / emps d'execució: 4 min
19
seg
93
Figu a 7.14.: model u ili za : adaboos -s3 /
mida
de
la
ima ge: 287x416 / pas
de llisca : 2 / pas d'escala : 2 / dis ancia en e ines es e nes: 5 /
mínim de ines es elnes: 5 / nomb e de ca es de
la
ima ge: 1 / ca es
de ec ades: 1 / alses de eccions: O / emps d'execució:
51
seg
Figu a 7.15.: model u ili za : adaboos -s3 / mida de
la
ima ge: 625x352 /
pas
de llisca : 2 / pas d'escala : 2 / dis ancia en e ines es e nes: 5 /
mínim de ines es
Ve1nes:
5 / nomb e de ca es de
la
ima ge: 4 / ca es
de ec ades: 3 / alses de eccions: O / emps d'execució: 1 min 34 seg
94
Figu a 7.16.: model u ili za : adaboos -
s3
/ mida de la ima ge: 502x377 / pas
de llisca : 2 / pas d'escala : 2 / dis ancia en e ines es elnes: 5 /
minim de ines es elnes: 5 / nomb e de ca es de la ima ge: 2 / ca es
de ec ades: 2 / alses de eccions: 1 / emps d'execució: 1 min
26
seg
Figu a 7.17.: model u ili za : adaboos -
s3
/ mida de la ima ge: 500x315 / pas
de llisca : 2 / pas d'escala : 2 / dis ancia en e ines es elnes: 5 /
minim de ines es elnes: 5 / nomb e de ca es de la ima ge: 1 / ca es
de ec ades: 1 / alses de eccions: 4 / emps d'execució: 1 min 7 seg
95
• Els classi icado s de
la
llib e ia
ac ual
s'han
cons ul a
pa i
d'un
conjun
de ca es d'en enamen que no enien ni ulle es no bigo i. Cald ia es udia
la
possibili a de eballa amb di e en s classi icado s pe de ec a ca es amb
ulle es i ca es.
• Un
al e
aspec e a eni en comp e pe a eballs u u s se ia implemen a nous
heu ís ics que ajudessin a il a les alses de eccions a
pa i
de les se es local-
i zacions a
la
ima ge i la se a posició ela i a a al es de eccions.
•
Pe
eballs u u s
ambé
se ia bo eu e
si
la
combinació en e els di e en s
classi icado s ob ingu s po millo a -ne el seu endimen i iabili a .
• Se ia con enien
ambé
e
un
es udi compa a iu amb al es algo ismes de de ec-
ció de ca es pe eu e quins a an a ges i quins incon enien s p esen a
la
nos a
solució espec e a les al es.
Com podem eu e pel nomb e de p opos es de eball u u , aques a llib e ia
é
mol
camí pe ecó e . El g an a an a ge és que el eni
un
en o n
ja
c ea i
una
me odolo-
gia pe gene a els classi icado s pe ec amen de inida, acili a
la
implemen ació de
qualse ol d'aques es u u es millo es.
102

Bibliog a ia
[lJ
Yang, Ming-Hsuan,
D.
J.
K iegman,
and
N.
Ahuja. "De ec ing aces in images:
a su ey."
Pa e n
Analysis
and
Machine In elligence,
IEEE
T ansac ions on
24
(2002): 34-58.
[2J
Sung, Kah-Kay and Tomaso Poggio. "Example-Based Lea ning o View-Based
Human Face De ec ion." IEEE T ans.
Pa e n
Anal. Mach. In ell.
20
(Janua y
1998): 39-5l.
[3J
Rowley, Hen y A., Shumee Baluja, and Takeo Kanade. "Neu al Ne wo k-Based
Face De ec ion."
IEEE
T ansac ions on
Pa e n
Analysis
and
Machine In elli-
gence
20
(1998): 23-38.
[4J
Viola, Paul
and
Michael Jones. "Robus Real- ime Objec De ec ion." In e na-
ional Jou nal o Compu e
Visiono
200l.
[5J
Viola, P. and
M.
Jones. "Rapid objec de ec ion using a boos ed cascade o simple
ea u es." 2001,1-511-1-518 ol.l.
[6J
Ming-Hsuan Yang, "Face De ec ion", o appea in Encyclopedia o Biome ics
(eds.
S.
Z.
Li)
,2008
[7J
Resou ces o Face De ec ion
h p:// ision.ai.uiuc.edu/mhyang/ ace-de ec ion-su ey.h ml
[8J
The Face De ec ion Homepage
h p://w . acede ec ion.com/
[9J
B adski, Ga y and Ad ian Kaehle . Lea ning OpenCV: Compu e Vision wi h
he OpenCV Lib a y. 1s edi ion. O'Reilly Media, Inc., Oc obe 2008.
[10J
OpenCV Wiki
h p://openc .willowga age.com/wiki/
103
[U]
Weka
h p://www.cs.waika o.ac.nz/ml/weka/
104
A. Con ingu s del
DVD
~/
~emó ia.pd
~wo kspace/
Aques di ec o i con é el codi i les di e en s
solucions implemen ades.
~ ace
da abase / Aques di ec o i con é
la
base de dades de
~da a/
~models/
ea es i no-ca es que s'ha u ili za an pe
en ena com p o a els classi icado s
gene a s.
Aques di ec o i con é els i xe s de dades
necessa is pe du a e me 1 'en enamen i les
p o es.
Aques di ec o i con é els di e en s models o
conjun s de egles ob ingu s de I'en enamen
deIs di e en s classi icado s.
105
~wo kspace/
106
~include/
~ acede ec o /
~bina ize
/
~mask
gene a o /
~ ace
da a
mining/
~a
pa se /
~ aining/
Aques di ec o i con é el codi on de la
llib e ia de de ecció de ca es.
Aques di ec o i con é
una
solució Visual
S udio de l'aplicació de de ecció de ca es que
hem desen olupa .
Aques di ec o i con é
una
solució Visual
S udio
d'una
aplicació que pe me bina i za
una
ima ge
mi jan~an
llinda
ix
o llinda
diniimic pe pe cen il.
Aques di ec o i con é
una
saludó Visual
S udio
d'una
aplicació que gene a un
pa ó
de p obabili a s a
pa i
d'un conjun
d 'ima ges d' en ada.
Aques di ec o i con é una solució Visual
S udio que a
pa i
d'una
base de dades
d'ima ges gene a un i xe de dades
en
o ma a . amb els a ibu s de
cada
una
de
les ima ges.
Aques di ec o i con é
una
solució Visual
S udio d'una aplicació que pe me con e i
els i xe s de dades de o ma .a a o ma
.xml pe que puguin se llegi s pe la llib e ia
d'ap enen a ge au oma ic
d'üpenCV.
Aques di ec a i con é
una
saludó Visual
S udio
d'una
aplicació que e ec ua
l'en enamen i les p o es deIs classi icado s a
pa i
d'un
i xe de dades.
~sea ch
algo i hm
cos /
Aques di ec o i con é
una
solució Visual
S udio
d'una
aplicació que pe me e ec ua el
~images/
caleul del cos de ecó e la ima ge amb una
ines a.
Aques di ec o i con é les ima ges u ili zades
en les di e en s aplicacions.
B.
Aplicació
de
De ecció
de
Ca es
Hem dissenya
una
aplicació que a se i
la
llib e ia que hem
cons ul
en aques
p ajec e. Aques a aplicació
pe me
cap u a
ima ges des
d'una
came a ins al·lada a
l'o dinado o
bé
ob eni -les de disc i de ec a -hi
la
p esencia de ca es
o
ajus an
els
pa ame es de de ecció.
La
podeu
aba
en el
DVD
annex a la memo ia.
Figu a
B.l.:
In e ície de l'aplicació.
107

A la
ba a
la e al de la in e ície hi obem les eines pe ob eni la ima ge i els elemen s
que ens pe me en con igu a la de ecció.
~-
SeJoc Clll lilie --
'0
__
iO~ '"
:~~
EIICIIcnImlgllPa am ...........-·---,
1
.......
Li)'
I •
i_
...
Li)i
l---'-
.
....:...
__
,~
__
~
____
~_.:......._·
_>_;
I!!J
__
-·
....
··
...
-··-1
,--
E::iII
i·
. I
...............
Li)¡
,
_________
~.J
í"VINllll zalianOJl ione:·_-~
Aques bo ó en pe me selecciona de disc una ima ge.
Aques bo ó ens pe me e
una
cap u a
de la came a de l'o dinado .
Aques bo ó pe me desa la ima ge de so ida del classi icado amb
les de eccions assenyalades.
Aques bo ó engega
el
p océs de de ecció de ca es.
Aquí podem sel·lecciona quin deis models implemen a s olem u il-
i za pe de ec a les ca es.
Aquí podem con igu a amb quin g au d'exhaus i i a es
du a
a
e me
el
eco egu de la ima ge. Ens pe me de ini
el
pas de llisca
i
el
pas d' escala .
Si
seleccionem aques a opció abans de
o na
el
esul a il a em les
de eccions pe locali zació. Ens pe me de ini quin se a
el
mínim
de ines es eines pe conside a -les
una
de ecció i la dis ancia que
de ineix la condició de elna ge.
En
aques equad e podem eu e les so ides de la de ecció.
I •
I
__
n I Aquí podem de ini quin g uix ind an les ines es que assenyala an
I
¡¡¡
: les de eccions de les ca es i podem eu e quina
és
la ines a mínima
•.
,1
que ixa la mida mínima que
ha
de eni
una
ca a pe se de ec ada.
108
C.
Alguns
Resul a s
de
De eccions
de
Ca es en
Ima ges
Figu a
C.l.:
model u ili za : adaboos -s3 /
mida
de
la
ima ge: 471x480 /
pas
de
IIisca :
2/
pas
d'escala :
2/
dis ancia en e ines es
eYnes:
5/
mínim de
ines es
eYnes:
5 / nomb e de ca es de
la
ima ge: 4 / ca es de ec ades:
3 / alses de eccions: O /
emps
d'execució: 1 min
39
seg
109
Figu a C.2.: model u ili za : adaboos -s3 / mida de
la
ima ge: 1024x768 /
pas
de
llisca : 2 / pas d'escala : 2 / dis ancia en e ines es eines: 5 / mínim de
ines es eines: 5 / nomb e de ca es de la ima ge: 3 / ca es de ec ades:
2 / alses de eccions: 2 / emps d'execució: 6 min
58
seg
Figu a C.3.: model u ili za : adaboos -s3 / mida de
la
ima ge: 1040x768 /
pas
de
llisca : 2 / pas d'escala : 2 / dis ancia en e ines es eines: 5 / mínim de
ines es e1nes:
lO/nomb e
de ca es de
la
ima ge: 1 / ca es de ec ades:
1 / alses de eccions:
29
/ emps d'execució: 8 min 1 seg
110
Figu a
OA.: model u ili za : adaboos -
s3
/
mida
de
la
ima ge: 301x400 / pas de
llisca : 2 / pas d'escala : 2 / dis ancia en e ines es eines: 5 / mínim de
ines es eines:
lO/nomb e
de ca es de
la
ima ge: 1 / ca es de ec ades:
O / alses de eccions: 1 /
emps
d'execució: 49 seg
Figu a 0.5.: model u ili za : adaboos -s3 /
mida
de
la
ima ge: 420x490 /
pas
de
llisca :
2/
pas d'escala :
2/
dis ancia en e ines es eines:
5/
mínim de
ines es eines: 5 / nomb e de ca es de
la
ima ge: 1 / ca es de ec ades:
1 / alses de eccions: 1 / emps d'execució: 1 min 32 seg
111