Diseño de filtros digitales para el reconocimiento y la multi-clasificación de objetos en escenas reales.

Abstract

Hoy en día, la necesidad de técnicas de reconocimiento de objetos , se hace cada vez más evidente en diferentes aplicaciones importantes como seguridad, inspección industrial automática, y diagnóstico médico, entre otras. Los sistemas de reconocimiento de objetos basados en características son quizás los más populares, sin embargo, estos sistemas son computacionalmente intensivos y más aún, su desempeño general depende de la toma de decisiones subjetivas por parte del diseñador. El reconocimiento de objetos por correlación, es una alternativa importante a los sistemas basados en características, ya que poseen sólidas bases matemáticas y pueden implementarse de forma eficiente en hardware opto-digital y en sistemas digitales con múltiples procesadores a gran velocidad. El problema general del reconocimiento de objetos consiste en la identificación, localización, y clasificación de diferentes objetos de interés a partir de una escena observada. Este problema puede resolverse al utilizar un banco de filtros de correlación donde se requiere de al menos un filtro por cada clase diferente de objeto. Sin embargo, bajo este enfoque la complejidad computacional del sistema puede incrementarse significativamente conforme aumenta el número de diferentes clases de objetos. En esta tesis, se propone el diseño de nuevos filtros adaptativos de correlación con restricciones complejas para el reconocimiento y la multiclasificación de objetos en escenas reales. Nuestra hipótesis consiste en que, es posible reconocer y clasificar múltiples objetos con una sola operación de correlación, haciendo uso de los planos de intensidad y de fase compleja generados por el filtro de correlación, en una misma etapa. De está forma, se podrá reducir considerablemente la complejidad computacional de un sistema de reconocimiento y clasificación de objetos basado en correlación. La construcción de los filtros de correlación adaptativos se realiza a través de un algoritmo de adaptación que optimiza las métricas de desempeño del filtro. El impacto de la propuesta es analizado respecto a la tolerancia al ruido, la complejidad computacional y la confiabilidad en el reconocimiento y clasificación, respecto a los filtros de correlación convencionales. __________________________________

Nowadays, the need for object recognition techniques has became increasingly evident in various important applications such as security, automatic industrial inspection, and medical diagnostics, among others. Feature-based object recognition systems are perhaps the most popular, however, these systems may be computationally intensive and, moreover, its overall performance depends on the some ad-hoc decisions made by the designer. Object recognition by correlation filtering represents important alternative to feature-based systems because they have strong mathematical basis and can be e ciently implemented in hybrid opto-digital correlators or in digital processing systems at high speed. The main problem of object recognition is the identification, localization, and classification of several objects of interest from an input observed scene. This problem can be solved by using a bank of correlation filters which requires at least one filter per each di erent class of objects. However, under this approach the computational complexity of the resultant pattern recognition system can be increased considerably as the number of classes of objects increases. In this thesis, we propose the design of new adaptive composite filters with complex constraints for multi-class pattern recognition in real scenes. The hypothesis consists in proving that it is possible to recognize and classify multiple objects with a single correlation operation, using the intensity and phase distributions at the output complex correlation plane at the filter output, the same stage. n this manner, the computational complexity of the pattern recognition system can be reduced considerably. The proposed adaptive filters are constructed with the help of an iterative algorithm optimizing performance metrics. The impact of the proposal is analyzed in terms of tolerance to additive noise, computational complexity, and recognition and classification e ciency, compared to conventional correlation filters.