Spelling suggestions: "subject:"reconhecimento dde objeto 3D"" "subject:"reconhecimento dee objeto 3D""
1 |
Feature extraction from 3D point clouds / Extração de atributos robustos a partir de nuvens de pontos 3DPrzewodowski Filho, Carlos André Braile 13 March 2018 (has links)
Computer vision is a research field in which images are the main object of study. One of its category of problems is shape description. Object classification is one important example of applications using shape descriptors. Usually, these processes were performed on 2D images. With the large-scale development of new technologies and the affordable price of equipment that generates 3D images, computer vision has adapted to this new scenario, expanding the classic 2D methods to 3D. However, it is important to highlight that 2D methods are mostly dependent on the variation of illumination and color, while 3D sensors provide depth, structure/3D shape and topological information beyond color. Thus, different methods of shape descriptors and robust attributes extraction were studied, from which new attribute extraction methods have been proposed and described based on 3D data. The results obtained from well known public datasets have demonstrated their efficiency and that they compete with other state-of-the-art methods in this area: the RPHSD (a method proposed in this dissertation), achieved 85:4% of accuracy on the University of Washington RGB-D dataset, being the second best accuracy on this dataset; the COMSD (another proposed method) has achieved 82:3% of accuracy, standing at the seventh position in the rank; and the CNSD (another proposed method) at the ninth position. Also, the RPHSD and COMSD methods have relatively small processing complexity, so they achieve high accuracy with low computing time. / Visão computacional é uma área de pesquisa em que as imagens são o principal objeto de estudo. Um dos problemas abordados é o da descrição de formatos (em inglês, shapes). Classificação de objetos é um importante exemplo de aplicação que usa descritores de shapes. Classicamente, esses processos eram realizados em imagens 2D. Com o desenvolvimento em larga escala de novas tecnologias e o barateamento dos equipamentos que geram imagens 3D, a visão computacional se adaptou para este novo cenário, expandindo os métodos 2D clássicos para 3D. Entretanto, estes métodos são, majoritariamente, dependentes da variação de iluminação e de cor, enquanto os sensores 3D fornecem informações de profundidade, shape 3D e topologia, além da cor. Assim, foram estudados diferentes métodos de classificação de objetos e extração de atributos robustos, onde a partir destes são propostos e descritos novos métodos de extração de atributos a partir de dados 3D. Os resultados obtidos utilizando bases de dados 3D públicas conhecidas demonstraram a eficiência dos métodos propóstos e que os mesmos competem com outros métodos no estado-da-arte: o RPHSD (um dos métodos propostos) atingiu 85:4% de acurácia, sendo a segunda maior acurácia neste banco de dados; o COMSD (outro método proposto) atingiu 82:3% de acurácia, se posicionando na sétima posição do ranking; e o CNSD (outro método proposto) em nono lugar. Além disso, os métodos RPHSD têm uma complexidade de processamento relativamente baixa. Assim, eles atingem uma alta acurácia com um pequeno tempo de processamento.
|
2 |
Feature extraction from 3D point clouds / Extração de atributos robustos a partir de nuvens de pontos 3DCarlos André Braile Przewodowski Filho 13 March 2018 (has links)
Computer vision is a research field in which images are the main object of study. One of its category of problems is shape description. Object classification is one important example of applications using shape descriptors. Usually, these processes were performed on 2D images. With the large-scale development of new technologies and the affordable price of equipment that generates 3D images, computer vision has adapted to this new scenario, expanding the classic 2D methods to 3D. However, it is important to highlight that 2D methods are mostly dependent on the variation of illumination and color, while 3D sensors provide depth, structure/3D shape and topological information beyond color. Thus, different methods of shape descriptors and robust attributes extraction were studied, from which new attribute extraction methods have been proposed and described based on 3D data. The results obtained from well known public datasets have demonstrated their efficiency and that they compete with other state-of-the-art methods in this area: the RPHSD (a method proposed in this dissertation), achieved 85:4% of accuracy on the University of Washington RGB-D dataset, being the second best accuracy on this dataset; the COMSD (another proposed method) has achieved 82:3% of accuracy, standing at the seventh position in the rank; and the CNSD (another proposed method) at the ninth position. Also, the RPHSD and COMSD methods have relatively small processing complexity, so they achieve high accuracy with low computing time. / Visão computacional é uma área de pesquisa em que as imagens são o principal objeto de estudo. Um dos problemas abordados é o da descrição de formatos (em inglês, shapes). Classificação de objetos é um importante exemplo de aplicação que usa descritores de shapes. Classicamente, esses processos eram realizados em imagens 2D. Com o desenvolvimento em larga escala de novas tecnologias e o barateamento dos equipamentos que geram imagens 3D, a visão computacional se adaptou para este novo cenário, expandindo os métodos 2D clássicos para 3D. Entretanto, estes métodos são, majoritariamente, dependentes da variação de iluminação e de cor, enquanto os sensores 3D fornecem informações de profundidade, shape 3D e topologia, além da cor. Assim, foram estudados diferentes métodos de classificação de objetos e extração de atributos robustos, onde a partir destes são propostos e descritos novos métodos de extração de atributos a partir de dados 3D. Os resultados obtidos utilizando bases de dados 3D públicas conhecidas demonstraram a eficiência dos métodos propóstos e que os mesmos competem com outros métodos no estado-da-arte: o RPHSD (um dos métodos propostos) atingiu 85:4% de acurácia, sendo a segunda maior acurácia neste banco de dados; o COMSD (outro método proposto) atingiu 82:3% de acurácia, se posicionando na sétima posição do ranking; e o CNSD (outro método proposto) em nono lugar. Além disso, os métodos RPHSD têm uma complexidade de processamento relativamente baixa. Assim, eles atingem uma alta acurácia com um pequeno tempo de processamento.
|
3 |
Reconhecimento eficiente de objetos usando multifoveamento em nuvem de pontos 3DOliveira, F?bio Fonseca de 03 July 2017 (has links)
Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2018-03-12T13:20:56Z
No. of bitstreams: 1
FabioFonsecaDeOliveira_DISSERT.pdf: 13806860 bytes, checksum: a622440d82c100fbdf5477635a9da0a1 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-03-13T21:12:27Z (GMT) No. of bitstreams: 1
FabioFonsecaDeOliveira_DISSERT.pdf: 13806860 bytes, checksum: a622440d82c100fbdf5477635a9da0a1 (MD5) / Made available in DSpace on 2018-03-13T21:12:27Z (GMT). No. of bitstreams: 1
FabioFonsecaDeOliveira_DISSERT.pdf: 13806860 bytes, checksum: a622440d82c100fbdf5477635a9da0a1 (MD5)
Previous issue date: 2017-07-03 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / As inova??es tecnol?gicas no campo de hardwares e sensores 3D permitiram realizar
a aquisi??o de nuvens de pontos 3D em tempo real. Como consequ?ncia, surgiram
variedades de aplica??es interativas relacionadas ao mundo 3D que cada vez mais v?m
recebendo aten??o dos pesquisadores. No entanto, um dos principais problemas que ainda
permanece ? o processamento computacionalmente intensivo que exige abordagens otimizadas
para lidar com esse modelo de vis?o 3D, especialmente quando ? necess?rio
realizar tarefas em tempo real. Assim sendo, partimos da proposta de um modelo de multirresolu??o
3D apresentado como nuvens de pontos foveada que ? uma poss?vel solu??o
para esse problema, mas se limita a uma ?nica estrutura foveada com mobilidade dependente
do contexto. Desse modo a nossa proposta ? um aperfei?oamento desse modelo
com a incorpora??o de m?ltiplas estruturas foveadas. Entretanto, a uni?o de v?rias estruturas
foveadas resulta em um consider?vel aumento de processamento, uma vez que h?
interse??es entre regi?es de estruturas distintas, as quais s?o processadas m?ltiplas vezes.
Solucionamos esse problema propondo um modelo de multifoveamento que considera
as interse??es durante a uni?o das estruturas foveadas. Tal modelo pode ser usado para
identificar objetos em nuvens de pontos 3D, uma das tarefas chaves para a automa??o,
com sincroniza??o eficiente, permitindo a valida??o do modelo e verifica??o da sua aplicabilidade
no contexto de vis?o computacional. Os resultados demonstraram um ganho
em desempenho do modelo de multifoveamento proposto em rela??o ao uso de m?ltiplas
estruturas foveadas do modelo de nuvens de pontos. / Technological innovations in the field of hardware and 3D sensors allowed real time
3D point clouds acquisition. Therefore, varieties of interactive applications related to the
3D world that have been receiving increasing attention from researchers, arisen. However,
one of the main problems that remains is the computationally intensive processing
that requires optimized approaches to deal with this 3D vision model, especially when it
is necessary to perform tasks in real time. Thus, we started from a proposed 3D multiresolution
model presented as foveated point clouds which is a possible solution to this
problem, but is limited to a single foveated structure with context dependent mobility. In
this way, our proposal is an improvement of this model with the incorporation of multiple
foveated structures. However, the union of several foveated structures results in a
considerable increase of processing, since there are intersections between regions of distinct
structures, which are processed multiple times. We address this problem by using
a proposed multifoveated model that regards intersections on the union procedure. Such
approach can be used to identify objects in 3D point clouds, one of the key tasks for
automation, with efficient synchronization, allowing the validation of the model and verification
of its applicability in the context of computer vision. The results demonstrate a
gain in performance of the proposed model in relation to the use of multiple structures of
the foveated point cloud model.
|
Page generated in 0.1115 seconds