Detecció de cares mitjantçant visió per computador

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