MATCHING DE VISTAS PARCIALES BASADO EN EL CALCULO DE COMPONENTES PRINCIPALES

Santiago Salamanca Mi no Escuela de Ingenier as Industriales, UEX, ssalaman@unex.es Carlos Cerrada Somolinos Escuela T ecnica Superior de Ingenier a Industrial, UNED, ccerrada@ieec.uned.es Antonio Ad an Oliver Escuela Superior de Ingenier a Inform atica, UCLM, Antonio.Adan@uclm.es Pilar Merch an Garc a Escuela de Ingenier as Industriales, UEX, pmerchan@unex.es Miguel Ad an Oliver Escuela Universitaria de Ingenier a T ecnica Agr cola, UCLM, madan@roble.pntic.mec.es

Resumen
En este paper se presenta un m etodo para la estimaci on de la posici on (rotaci on+traslaci on) entre los datos de rango de una vista parcial y los del objeto completo al cual pertenece. Para ello se crear a una base de datos con las componentes principales de las distintas vistas parciales obtenidas virtualmente del objeto completo y se comparar an con las del parcial. Este proceso permite calcular una primera aproximaci on de la transformaci on entre ambas entidades que, posteriormente, ser a renada mediante la aplicaci on del algoritmo Iterative Closest Point (ICP). Se mostrar a que el m etodo propuesto no s olo permite calcular, con una elevada tasa de acierto, la mejor transformaci on sobre vistas parciales, sino tambi en sobre vistas parciales con oclusiones. Para ello se muestran un conjunto de resultados experimentales obtenidos sobre datos de rango reales. Palabras clave: Matching, datos de rango, componentes principales, ICP, visi on por computador.

datos de partida y los represente. Con respecto a estas representaciones existen dos categor a fundamentales [9]: representaci on basada en el objeto y representaci on centrada en las vistas. La primera crea modelos bas andose en carac ter sticas representativas de los objetos. Estos pueden, a su vez, dividirse en cuatro categor as fundamentales: representaci on basadas en curvas y fronteras, representaci on axial, descripci on supercial y representaci on volum etrica. De estas la m as empleada es la tercera, en la que se busca una representaci on de la supercie denida por los datos de rango para, posteriormente, extraer caracter sticas sobre ellas. Podemos citar, por ejemplo, los modelos esf ericos. Entre ellos los m as importantes son los basados en el c alculo del Simplex Angle Image [1, 2, 6, 7] que es una caracter sticas de tipo geom etrico medida sobre los nodos de una malla hexagonal que se ha aproximado a los datos de rango. En general, el empleo de los modelos basados en los objetos son de dif cil aplicaci on en el matching de vistas parciales. Con respecto a la representaci on centrada en las vistas, trata de generar el modelo en funci on de la apariencia del objeto desde distintos puntos de vista. Dentro de esta categor a existen muchas t ecnicas [9]. De todas ellas cabe citar los m etodos basados en componentes principales [4, 12], que se basan en el empleo de estas para la reducci on de la base de datos de las im agenes de rango de un objeto generadas desde distintos puntos de vista. El m etodo que proponemos en este trabajo se encuentra a mitad de camino entre las dos categor as ya que no captaremos tanto la apariencia del objeto desde cada punto de vista, sino una medida caracter stica de este. En concreto mediremos tres distancias cr ticas para cada punto de vista del objeto. Esta distancia se determinar a mediante el

1.

INTRODUCCION

El problema de matching resuelve el posicionamiento de un objeto perteneciente a una escena con respecto a un sistema de referencia ligado a ese mismo objeto almacenado en una base de datos. El caso que se plantea en este trabajo es el acoplamiento de los datos 3D, o datos de rango, de una vista parcial sobre los datos del objeto completo. Su resoluci on es de gran inter es pr actico ya que puede ser empleado en tareas con robots industriales, navegaci on de robots m oviles, inspecci on visual, etc. Para abordar el problema es necesario generar un modelo que nos permita extraer informaci on de los

c alculo de las componentes principales (no hay que confundirlo con el m etodo comentado en el p arrafo anterior). Este c alculo de componentes nos permitir a realizar una primera aproximaci on a la matriz de transformaci on que relaciona a la vista parcial con la total. Para obtener la transformaci on denitiva se aplicar a el algoritmo Iterative Closest Point (ICP) [3] que calcula la transformaci on partiendo de una estimaci on gruesa de esta. Conceptualmente el m etodo es muy sencillo ya que, a partir de un conjunto de datos de rango P y un subconjunto de este Q, lo que hace es calcular, para cada punto p P el punto q Q m as cercano a el. Una vez realizado este paso eval ua la transformaci on T (rotaci on m as traslaci on) que minimiza la suma S de los cuadrados de las distancias entre los pares (p, q ). Por u ltimo aplica T sobre P y repite el algoritmo hasta que S llegue a un m nimo. En [11] se muestra una comparativa de las distintas variantes de este algoritmo. 1.1. GENERAL DEL DESCRIPCION ALGORITMO

Desde el punto de vista de su aplicaci on al merging hay que tener en cuenta que los autovectores son invariantes frente a rotaciones y desplazamientos y los autovectores frente a desplazamientos, correspondiendose estos u ltimos con un sistema de referencia ligado a los propios datos. Esto hace que se puedan emplear los primeros para evaluar qu e parte de los datos de rango se corresponden con la vista parcial, y los segundos para calcular una primera aproximaci on a la transformaci on que deben sufrir los datos parciales para ser acoplados sobre los totales. Esta s olo reejar a la submatriz de rotaci on de la transformaci on total ya que los or genes de los dos triedros coincidir an. Para la aplicaci on de la t ecnica comentada va a ser necesario evaluar, de forma previa al proceso de reconocimiento, las posibles vistas parciales existentes sobre los datos de rango del objeto completo. Para ello se ha discretizado el espacio de los posibles puntos de vista existentes en torno al objeto, y se ha desarrollado un m etodo para la generaci on de vistas parciales virtuales (VPV) basado en el algoritmo z-buer. De cada una de estas VPV se calcular an sus componentes principales que se emplear an en la fase de merging seg un lo expuesto anteriormente. La comparaci on de los autovalores da informaci on de cu ales son las posibles zonas en donde la vista parcial puede acoplarse, pero dicha informaci on es de car acter global y, como hemos dicho, s olo da informaci on de la rotaci on. De esta forma ser a necesario realizar una u ltima fase de c alculo que nos marque cu al es la transformaci on denitiva. Para ello emplearemos el algoritmo ICP, comentado en la introducci on, sobre un n umero de posibles candidatos marcados en la fase de comparaci on de autovalores. El ICP debe partir de una aproximaci on a la transformaci on inicial, que en nuestro caso se corresponde con la dada en el acoplamiento de los autovectores. La zona donde se acoplar a la vista, y la transformaci on denitiva ser a medida mediante el error de n en el algoritmo ICP. En la gura 1 se muestra un esquema del proceso de c alculo de componentes principales sobre los datos de rango del objeto completo y del proceso de merging. A continuaci on se explicar a con detalle todos los pasos comentados anteriormente. En concreto, en el apartado 2 veremos como generar las componentes principales sobre los datos de rango del objeto completo. En la secci on 3 analizaremos el m etodo de merging. En el apartado 4 mostraremos algunos resultados experimentales. Para terminar, en la secci on 5, se expondr an las conclusiones y las posibles mejoras al m etodo.

Como se ha comentado, el m etodo propuesto en este trabajo se basa en el c alculo de las componentes principales sobre los datos de rango de una vista parcial, que denotaremos como X. Estas se denen como los autovalores y autovectores e i )|i = 1, . . . , m} de la matriz de covarianza {(i , Q = X c XT c (1)

donde Xc son los datos desplazados con respecto a su centroide. En el caso particular que se est a tratando, Xc es una matriz de dimensi on n 3, por lo que los autovectores ser an tres y nos marcan las tres direcciones principales de estos. En concreto, el primer autovector nos indica la direcci on donde se encuentra la m axima varianza en los datos. Desde un punto de vista geom etrico, y suponiendo que los datos se encuentran equiespaciados, esto implica que la distancia entre los datos extremos proyectados sobre el primer autovector es la m axima de entre todas las posibles en Xc . El segundo marca una direcci on normal a la primera en la que existe la m axima varianza seg un dichas direcciones normales. De forma similar, la distancia entre los datos extremos proyectados sobre el segundo autovector es la m axima seg un las posibles direcciones normales al primer autovector. Por u ltimo, el tercer autovector forma con los otras dos un sistema ortonormal. Con respecto a los autovalores, nos dan una medida de las distancias anteriormente citadas.

Proceso de creacin del modelo (off -line)

Proceso de clculo de la transformacin

Datos de rango del objeto completo (datos de entrada)

Repetir para todos los puntos de vista en torno al objeto

Datos de rango del objeto completo

Datos de rango de la vista parcial ( VP )

Creacin de las imagen multipixel

Aplicacin del algoritmo z-buffer

Filtrado de datos VPV )

Clculo de las componentes principales de las VPV

Clculo de las vistas parciales virtuales (

Clculo de las vistas parciales virtuales (VPV )

Clculo de las componentes principales de la VP

Figura 2: Diagrama de bloques para el c alculo de las componentes principales sobre los datos de rango del objeto completo pleto, c es el centroide, m ax es la funci on m aximo y || || es la distancia eucl dea. A partir de esta normalizaci on, y como se puede observar en la gura 2, el paso fundamental es el c alculo de las vistas parciales virtuales (VPV) que pasaremos a describir a continuaci on. 2.1. VISTAS PARCIALES VIRTUALES (VPV)

Clculo de las componentes principales de las VPV

Comparacin de autovalores (Estimacin de punto de vista)

Almacenamiento de los autovalores

Almacenamiento de los autovectores

Estimacin de la matriz de transformacin

Aplicacin del algoritmo ICP para el clculo final de la transformacin

La VPV se puede denir como el conjunto de datos O Mn , generadas a partir de un punto de vista PV, y que se aproximar an a las vistas parciales reales obtenidas mediante un sensor de rango desde ese mismo PV. Como se deduce de la denici on anterior, el dato de partida es, adem as de los datos del objeto, un punto de vista desde el cual mirar al objeto. Para ello lo que hacemos es discretizar el espacio de visi on en torno a este, circunscribiendo una esfera teselada. Cada uno de los nodos de esta esfera constituir a un punto de vista desde el cual calcular las VPVs (ver gura 3). Denido un punto de vista, la manera en la que se determina la VPV es mediante la aplicaci on del algoritmo z-buer. Este es empleado en aplicaciones de visualizaci on 3D y permite denir aquellos patches de una malla que pueden ser visualizados desde un punto de vista concreto: ser an visibles aquellas caras cuyas componentes en el eje Z , que se corresponde con el eje de visi on, tengan un mayor valor. Este m etodo est a pensado para ser aplicado cuando exista informaci on de las supercies a visualizar, pero no para el caso de puntos 3D. Para poder aplicarlo debemos denir un m etodo que nos permita dicernir una informaci on similar. Esto lo haremos generando la matriz multipixel [10] de los datos de rango. Esta se obtiene a partir de la proyecci on de los datos sobre un plano normal al eje de visi on: Mn = UMn (3)

Figura 1: Diagrama de bloques del proceso propuesto para el merging de una vista parcial sobre los datos de rango del objeto completo

2.

COMPONENTES PRINCIPALES SOBRE LOS DATOS DE RANGO DEL OBJETO COMPLETO

De forma previa a la fase de localizaci on es necesario crear una base de datos que almacene las componentes principales de las posibles vistas parciales existentes en los datos de rango del objeto completo. Para ello seguiremos el esquema de la gura 2. Como hemos visto en la secci on 1.1, las componentes principales se calculan sobre los datos de rango desplazados con respecto a su centroide. Adem as de este desplazamiento, los normalizaremos a la unidad, por lo que los datos sobre los que trabajaremos son: Mn = Mc m ax(||M c||) (2)

donde M son los datos de rango del objeto com-

donde U es la transformaci on que nos da dicha

Puntos 3D con la misma proyeccin 2D

Puntos 2D proyectados Profundidad

Figura 4: Matriz multipixel

Figura 3: Discretizaci on del espacio de visi on en torno a los datos de rango del objeto completo para la estimaci on de los puntos de vista. Cada nodo de la esfera constituye un punto de vista desde el que se estimar a la VPV. proyecci on. Esta transformaci on implica un cambio del sistema de referencia original S = {O, X, Y, Z } en un nuevo sistema S = {OX Y Z } donde la componente en Z , que denotaremos como z , es el valor de profundidad. De estos nuevos datos se puede obtener una imagen sin m as que discretizar el plaumero de p xeles de la imagen y no X Y en el n asignar a cada uno de ellos la coordenada z . Al realizar esta discretizaci on puede ocurrir que existan varios puntos que les correspondan el mismo pixel. Para no perder informaci on de profundidad lo que haremos ser a almacenar en una matriz tridimensional estos valores. Debido a esta estructura es por lo que se le denomina matriz multipixel. En la gura 4 se muestra un esquema de este tipo de matriz. Por otro lado, en la gura 5 se muestra como una imagen en nivel de grises, cada una de las matrices que forman esta estructura. Cuanto m as cercano al blanco es el pixel, m as alltimo, en la gura 6 se to es el valor en z . Por u muestra la imagen obtenida tras extraer de cada pixel el valor m aximo de z . Si los datos asociados con los valores en z se denotan como O Mn , la VPV se obtendr a aplicando la inversa de la transformaci on U denida en la ecuaci on (3), es decir: O = U1 O (4)

Figura 5: Visualizaci on de cada uno de los planos de la matriz multipixel como imagen de intensidad

Figura 6: Imagen asociada a los mayores valores en la coordenada z de cada pixel

(a)

Figura 8: Imagen asociada a los mayores valores en la coordenada z de cada pixel tras aplicar un ltro de mediana
Datos espurios

Z Y X Y

Z X

X
(b)

Y X Z Z

Figura 7: Datos de rango de la Vista Parcial Virtual. Para su mejor visualizaci on se muestran desde dos puntos de vista. En (b) se observa la aparici on de datos espurios

Figura 9: Ambig uedad en cuatro sentidos

En la gura (7) (a) y (b) se pueden observar los datos de rango de la VPV obtenidos tras la ejecuci on de los pasos que se acaban de comentar. Se puede observar que, aunque los resultados son aceptables, aparecen datos espurios. Estos se evidenciaban ya en la gura 6, que tambi en muestra que el ruido es de tipo impulsional. Debido a esto, como u ltimo paso, y antes de la aplicaci on de la ecuaci on (4), ltraremos la imagen mediante un ltro de mediana (gura 8) para obtener los datos de la VPV denitivos (gura 10). 2.2. COMPONENTES PRINCIPALES SOBRE VPV

(gura 9). Como se puede ver en esta misma gura, si j asemos el sentido de uno de los ejes podr amos reducir la ambig uedad de cuatro a dos, siendo esta una rotaci on en torno al eje que hemos jado de radianes. De esta forma, antes del almacenamiento de los autovectores de la VPV se aplicar an los siguientes pasos:

1.

Se verica si el tercer autovector forma un angulo menor a /2 con el vector que dene el eje de visi on. Si no es as , se cambia el signo a las tres componentes de este. En caso contrario no se modica. Se dene el sentido del primer autovector de tal forma que forme con el segundo y tercero un sistema dextr ogiro.

Determinados los datos de rango de la VPV se pasa a calcular las componentes principales sobre ellos. Como ya dijimos, estas se corresponden con los autovalores y autovectores de la matriz de covarianza (1), donde Xc es ahora O. Debido a que los autovectores nos van a marcar direcciones, los sentidos de estos pueden producir incertidumbres en el futuro proceso de matching. En concreto si los triedros se denen de tipo dextr ogiro la ambig uedad aparece en cuatro sentidos

2.

Tras su aplicaci on, se obtienen las componentes principales de la VPV que pueden ser almacenadas en la base de datos para su posterior utilizaci on en la fase de merging. En la gura 11 se muestran las componentes principales denitivas de una VPV.

Figura 10: Datos de rango denitivos de la VPV. Se puede observar, compar andola con la gura 7(b), la eliminaci on del ruido

Figura 11: En esta gura se muestran los autovectores denitivos calculados sobre los datos de rango de una VPV. El primer autovector se representa en rojo, en verde el segundo y en azul el tercero Tras esto, se calcular an las componentes y se redenir an los sentidos siguiendo los pasos comentados en el apartado 2.2 para, a continuaci on, comparar los autovectores de las vista parcial con los autovectores de todas las VPV mediante una medida de error: (5) e = ||v r ||
v v donde v = {v 1 , 2 , 3 } es el vector formado por r r los autovectores de una VPV, r = {r 1 , 2 , 3 } es el vector formado por los autovectores de la vista parcial real y || || es la distancia eucl dea.

3.

PROCESO DE MATCHING

El proceso de matching se divide en cuatro etapas (gura 1): 1. 2. 3. 4. C alculo de las componentes principales de la vista parcial. Comparaci on de los autovalores y estimaci on de las zonas candidatas para el acoplamiento. Estimaci on de la transformaci on inicial mediante el empleo de los autovectores. Aplicaci on del algoritmo ICP para la determinaci on de la transformaci on nal.

Desarrollaremos en el siguiente punto el m etodo para la realizaci on de las tres primeras etapas. A continuaci on veremos como aplicar el algoritmo ICP para obtener el resultado nal. 3.1. CALCULO INICIAL DE LA MATRIZ DE TRANSFORMACION

El hecho de que una determinada VPV tenga asociada el m nimo valor de e no implica que sea el mejor candidato, ya que la caracter stica que estamos empleando es de tipo global. Debido a esto es por lo que no se emplea u nicamente una, sino, un conjunto de ellas sobre las que se calcular an las transformaciones iniciales. En nuestro caso hemos considerado cinco VPVs. Estas transformaciones, y debido a que los datos se encuentran normalizados con respecto al mismo centroide, s olo reejar an la rotaci on necesaria para que los autovectores queden acoplados. Matem aticamente, calcularemos la matriz de rotaci on R que aplicada sobre los autovectores de la vista parcial real, Er , los haga coincidir con los de la VPV, Ev . Debido a que tanto Er como Ev son ortonormales, la matriz de rotaci on se calcular a aplicando la expresi on: R = Er (Ev )
1

Como se acaba de indicar, lo primero que hay que hacer es calcular los autovalores y autovectores de la vista parcial. Para que las condiciones de partida sean equivalentes a las de la VPV, aplicaremos sobre estos datos los mismos pasos que aplic abamos a los datos de rango del objeto completo: normalizaci on con respecto al centroide de los datos de rango del objeto completo, M; creaci on de la matriz multipixel; aplicaci on del algoritmo zbuer y ltrado. En este caso, el objetivo no es el mismo que en el anterior, sino el que nuestros datos de partida sean los m as similares posibles a los empleados en el c alculo de las componentes principales de la VPV.

= Er (Ev )

(6)

Hay que recordar que en la denici on de los autovectores aparec a una ambig uedad en dos sentidos, por lo que la matriz de rotaci on nal puede ser la

real, Xc , normalizados y transformados mediante la matriz homog enea T, y los datos del modelo son aquellos datos del objeto completo Mn que se encuentran m as pr oximos a los datos de la escena. Estos u ltimos variar an en cada paso de iteraci on. Al igual que en casos anteriores, || || representa la distancia eucl dea. Determinados los datos en un determinado paso, y suponiendo que e(k ) es mayor que el error de n, se tiene que determinar la transformaci on que haga que el error e(k ) sea m nimo en ese paso de iteraci on. La resoluci on para el vector de desplazamiento, t es [5]: Figura 12: En esta gura se muestra el resultado tras la comparaci on de los autovalores de la vista parcial real con los de las VPVs. En (a) se ve la vista parcial desde dos puntos de vista para su mejor visualizaci on. En (b) se representan los cinco puntos de vista con menor e . Con una echa se marca el primer candidato. En (c) podemos visualizar el resultado de la aplicaci on de la matriz de rotaci on calculada mediante la ecuaci on (6) siendo Ev igual a los autovectores de la VPV obtenida mediante el punto de vista del primer candidato denida en (6) o la obtenida tras rotar en torno al tercer autovector un a ngulo de radianes. En la gura 12 se muestra el resultado de la aplicaci on del algoritmo de comparaci on de los autovalores. En (c) se puede observar que la matriz R que se obtiene es una primera aproximaci on al valor denitivo, que tendr a que ser renado mediante la aplicaci on del algoritmo ICP. Por tanto, y como resumen, tras la realizaci on de esta fase se obtiene una matriz de transformaci on T en donde la submatriz de rotaci on, R, viene dada por (6) y el vector de traslaci on es t = [000]T . 3.2. DEL ALGORITMO APLICACION ICP 1 n
n

t=

ri
i=1

1 n

ri
i=1

(8)

donde ri y ri son las coordenadas de los datos del modelo y de la escena respectivamente. Con respecto al c alculo de la matriz de rotaci on que minimiza el error hemos empleado la aproximaci on de Horn [8]. En esta, se dene R como los autovectores de la matriz M que se dene como: M = P (P )
T

(9)

Esta aproximaci on nos da una soluci on cerrada a dicho c alculo, lo que acelera de forma muy signicativa el algoritmo ICP. El algoritmo que acabamos de describir se aplicar a, como hemos visto en la secci on anterior, a los primeros cinco candidatos, teniendo en cuenta la ambig uedad de doble sentido, obtenidos tras la comparaci on de autovalores. La matriz de transformaci on nal ser a aquella en la que el error de n del ICP (7) sea menor. En la gura 13 se muestran el resultado obtenido con los mismos datos de la gura 12 tras la aplicaci on del algoritmo ICP sobre los cinco primeros candidatos.

El Iterative Closest Point (ICP) [3], comentado en la introducci on, es un algoritmo iterativo que minimiza el error cuadr atico medio e(k ) = 1 n ||P P ||2 (7)

4.

RESULTADOS EXPERIMENTALES

entre los n datos de rango de un objeto inc ognita P , que se denominan datos de la escena y los datos del objeto de la base de datos P, que denominan datos del modelo. En nuestro caso los datos de la escena son los datos de la vista parcial

El algoritmo propuesto en este trabajo se ha probado sobre un conjunto de 21 objetos adquiridos mediante el sensor de rango GRF-2 que proporciona una resoluci on media de aproximadamente 1 mm. El tama no de los objetos var a desde los 5 a 10 cm. de altura y los hay tanto de forma poli edrica como de forma libre (gura 14). Para el c alculo de las componentes principales sobre los datos de rango de los objetos completos se

ha empleado una esfera de 1280 nodos. Aunque se ha probado tambi en con una malla de 5120 nodos no se ha visto ninguna mejora en los resultados de merging, con el detrimento en tiempo de c alculo que implica el aumento de estos nodos. Con respecto al tama no de la matriz multipixel, se ha estimado experimentalmente que una dimension en torno a 2222 p xeles ofrece buenos resultados. Este tama no puede ser cr tico ya que un tama no de imagen grande va a implicar una pobre extracci on de la VPV, mientras que un tama no peque no puede reducir el n umero de datos de rango de la VPV a tasas que no son aceptables para el c alculo de las componentes principales. Una vez creado la base de datos de todos los objetos se pas o a probar el algoritmo de merging. Se realiz o sobre tres vistas parciales para cada objeto, es decir, sobre un total de 63 casos. La tasa de aciertos fue de casi el 90 % (88,89 %), lo que demuestra la validez del m etodo. El tiempo medio de c alculo del algoritmo, programado en un Pentium 4 a 2.4 Ghz. bajo el entorno Matlab, es aproximadamente igual a 75 seg. De este tiempo, la fase de comparaci on de los autovalores y decisi on de los mejores candidatos es muy peque no, del orden de 1 seg. El resto de tiempo se consume calculando las componentes principales de la vista parcial real y, fundamentalmente, aplicando el algoritmo ICP a los diez primeros candidatos: cinco del c alculo directo de la matriz R (6) y los cinco restante debido a la ambig uedad de doble sentido aparecida en la denici on de los autovectores (secci on 2.2). En la gura 15 y 16 se muestran los resultados obtenidos sobre varios objetos poli edricos y de forma libre respectivamente. Adem as de la imagen de intensidad se presenta en (a) los datos de rango del objeto completo, en (b) los de la vista parcial, en (c) el resultado tras la comparaci on de los autovalores y en (d) el resultado nal una vez aplicado el algoritmo ICP. Algunas guras han sido rotadas para una mejor visualizaci on. Cabe citar por u ltimo que el algoritmo es capaz de tratar con vistas parciales con auto-oclusiones. En la gura 17 se muestra un ejemplo de este hecho.

Figura 13: Resultado nal del algoritmo de merging mostrado desde dos puntos de vista para su mejor visualizaci on

5.

CONCLUSIONES Y L INEAS DE INVESTIGACION FUTURAS

Figura 14: Conjunto de datos sobre los que se ha probado el algoritmo

En este trabajo se ha mostrado un m etodo para el merging de los datos de rango de una vista parcial sobre los del objeto completo. Para realizar esta tarea se ha hecho uso de las

Objeto 1

Objeto 3

(a)

(b)

(a)

(b)

(c) Objeto 3

(d)

(c)
Objeto 4

(d)

(a)

(b)

(a)

(b)

(c)

(d)

(c)

(d)

Figura 15: Algunos resultados sobre objetos poli edricos tras la aplicaci on del algoritmo de merging propuesto

Figura 16: Algunos resultados sobre objetos de forma libre tras la aplicaci on del algoritmo de merging propuesto

Objeto 5

ter sticas, no s olo para su aplicaci on al merging, sino tambi en para la resoluci on del problema de reconocimiento. Para ello se deber a aplicar el m etodo a varios objetos candidatos y elegir aquel objeto en el que la vista parcial mejor se acople. Agradecimientos Este trabajo ha sido soportado por el proyecto de la CICYT PDI2002-03999-C02-02

(a)

(b)

Referencias
[1] Antonio Ad an, Carlos Cerrada, and Vicente Feliu. Automatic pose determination of 3D shapes based on modeling wave sets: a new data structure for object modeling. Image and Vision Computing, 19(12):867890, October 2001.

(c)

(d)

Figura 17: Resultado de la fusi on sobre un objeto de forma libre que presenta auto-oclusiones

[2] Antonio Ad an, Carlos Cerrada, and Vicente Feliu. Global shape invariants: a solution for 3D free-form object discrimination/identication problem. Pattern Recognition, 34(7):13311348, July 2001. [3] Paul.J. Besl and N.D. McKay. A method for registration of 3-D shapes. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(2):239256, February 1992. [4] Richard J. Campbell and Patrick J. Flynn. Eigenshapes for 3D object recognition in range data. In Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, volume 2, pages 25052510, June 1999. [5] David A. Forsyth and Jean Ponce. Computer Vision: A Modern Approach. Prentice Hall, 2002. [6] M. Hebert, K. Ikeuchi, and H. Delingette. A spherical representation for recognition of free-form surfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence, 17(7):681690, July 1995. [7] K. Higuchi, M. Hebert, and K. Ikeuchi. Merging multiple views using a spherical representation. In IEEE CAD-Based Vision Workshop, pages 124131, 1994. [8] Berthold K.P. Horn. Closed form solutions of absolute orientation using orthonormal matrices. Journal of the Optical Society A, 5(7):11271135, July 1988. [9] George Mamic and Mohammed Bennamoun. Representation and recognition of 3D freeform objects. Digital Signal Processing, 12(1):4776, January 2002.

componentes principales. En ellas, los autovalores, nos permiten comprobar cu ales son las zonas en donde existe m as probabilidad de que se encuentre acoplada la vista parcial. Por otro lado, los autovectores han sido utilizados para calcular una transformaci on inicial entre los datos. Esta primera transformaci on es pasada al algoritmo ICP que es el que nos indica cual es la transformaci on nal. Para la creaci on de la base de datos sobre la que realizaremos la comparaci on de los autovalores, se ha dise nado un m etodo que permite generar vistas parciales virtuales a partir de los datos de rango del objeto. Para ello se ha propuesto un m etodo basado en el algoritmo z-buer. El algoritmo ha sido probado sobre una base de datos de 21 objetos, tanto poli edricos como de forma libre, en un total de 63 casos (tres vistas parciales por cada objeto). La tasa de aciertos obtenida es del 88,89 %. Se ha visto tambi en que el algoritmo se muestra robusto frente a vistas en las que aparecen auto-oclusiones. Este m etodo todav a se encuentra en fase de desarrollo. Actualmente, una mejora que se est a realizando consiste en una selecci on m as adecuada sobre la cual aplicar el algoritmo ICP ya que, como se puede observar, por ejemplo, en la gura 12 (b), los cinco primeros candidatos se encuentran agrupados en dos zonas claramente diferenciadas. Si se detectasen estas zonas podr a reducirse la fase nal a estos dos casos con la consiguiente mejora en el tiempo de ejecuci on del algoritmo. Por otro lado, el algoritmo tiene buenas carac-

[10] Pilar Merch an, Antonio Ad an, Santiago Salamanca, and Carlos Cerrada. 3D complex scenes segmentation from a single range image using virtual exploration. Lecture Notes in Computer Sience, 2527(1):923932, November 2002. [11] Szymon Rusinkiewicz and Marc Levoy. Efcient variants of the ICP algorithm. In Proceeding of the Third International Conference on 3D Digital Imaging and Modeling (3DIM01), pages 145152, Quebec, Canada, May 2001. [12] Danijel Skocaj and Ales Leonardis. Robust recognition and pose determination of 3-D objects using range image in eigenspace approach. In Proc. of 3DIM01, pages 171178, 2001.