Академический Документы
Профессиональный Документы
Культура Документы
ecnica Nacional
Facultad de Ciencias
Ingeniera Matem
atica
Optimizacion
Emparejamiento de Patrones de Puntos (Point-Pattern Matching)
1.
Introducci
on
Un problema que surge en el reconocimiento de patrones es el llamado emparejamiento de patrones de puntos. En este problema, un patron tal como un caracter, n
umero, smbolo impreso o
escrito a mano, o incluso el esquema de una pieza fabricada puede ser descrita por un conjunto
de puntos tal como,
P = {p1 , p2 , ..., pn }
(1)
donde
p
pi = i1
pi2
2.
Objetivos
Demostrar el uso de la optimizacion sin restricciones para resolver problemas de la vida
real.
Usar el concepto de similitud para cuantificar el concepto de mejor emparejamiento de
puntos.
Mostrar que el patr
on
optimo de una base de datos que mejor se ajusta a un patron de
puntos dado puede ser obtenido minimizando una funcion cuadratica convexa.
Usar un algoritmo de Newton modificado que se ajuste a la forma de la matriz Hessiana
del problema para resolver el mismo.
3.
Transformaci
on Semejante
Dos patrones de puntos P y P se dicen que son similares si un patron puede obtenerse al
aplicarse una rotaci
on escalada m
as una translacion a la otra. Si el patron P esta dado por (1)
y P = {p1 , p2 , ..., pn } con pi = [
pi1 pi2 ]T .
entonces P y P son similares s y solo s existe un angulo de rotacion , un factor de escala , y
un vector de translaci
on r = [r1 r2 ]T tal que la relacion
cos sin
r
pi =
pi + 1
(2)
sin cos
r2
se sigue para i = 1, 2, ...n. Una transformacion que mapea un patron P a un patron Q se
denomina transformaci
on semejante. De (2), podemos ver que una transformacion semejante
esta caracterizada por el vector columna de parametro [ r1 r2 ]T .
2
b = sin
(3)
4.
Formulaci
on del Problema
donde k.kF denota la norma de Frobenius. La solucion para la minimizacion del problema corresponde a encontrar la mejor transformacion que minimizara las diferencias entre los patrones
P y Q en el sentido de Frobenius. Puesto que
n
2
X
kpi (x) qi k2
P (x) Q
=
F
i=1
la mejor transformaci
on obtenida es en el sentido de los mnimos cuadrados.
Ahora, si x es el minimazador del problema en (4), entonces el error
Q) =
e(P,
P (x ) Q
F
(5)
Q) debera ser lo m
Es una medida de disimilitud entre los patrones P y Q. Obviamente e(P,
as
peque
no posible y un valor de cero correspondera a un perfecto emparejamiento.
5.
Soluci
on del problema en la ecuaci
on (4)
n
2
X
kpi (x) qi k2
P (x) Q
=
F
i=1
n
X
2
api1 bpi2 + r1
=
bpi1 + api2 + r2 qi
i=1
2
n
X
pi1 pi2 1 0
=
pi2 pi1 0 1 x qi
i=1
= xT Hx 2xT b +
(6)
con
n
n
X
X
T
T
Ri Ri
Ri
p
p
i1
i2
i=1
i=1
, Ri =
H=
n
X
pi2 pi1
Ri
nI2
(7a)
i=1
b=
n
X
[Ri I2 ]T qi
(7b)
i=1
n
X
kqi k2
(7c)
i=1
(8)
6.
Comp puede verse en (6), la norma de Frobenius de una matriz se puede relacionar con la norma
L2 de sus vectores columna. Si definimos dos nuevos vectores
q1 (x)
p1 (x)
p2 (x)
q2 (x)
p(x) = . y q = .
.
.
.
.
qn (x)
pn (x)
entonces (6) implica que
2
p(x) qk2
P (x) Q
= k
F
(9)
Con cantidad suficientemente grandes de p para minimizar el maximo error entre los smbolos
P y Q.Si Tomamos
ri1 = [pi1 pi2 1 0]T
ri2 = [pi2 pi1 0 1]T
q
qi = i1
qi2
entonces la funci
on objetivo en (8) se puede expresar como
n
X
e2p (x) =
!1/2
T
T
[(ri1
(x) qi1 )2p + (ri2
(x) qi2 )2p ]
(10)
i=1
1
e2p1
2p (x)
n
(2p 1 X
e2p1
2p (x)
n
X
T
T
[(ri1
(x) qi1 )2p1 + (ri2
(x) qi2 )2p1 ]
(11a)
i=1
T
T
T
T
[(ri1
(x) qi1 )2p2 ri1 ri1
+ (ri2
(x) qi2 )2p2 ri2 ri2
]
(11b)
i=1
(2p 1
e2p T e2p
e2p (x)
7.
Reconocimiento de caract
eres escritos a mano
Para propositos ilustrativos hemos considerado el problema de reconocimiento de caracteres escritos a mano usando una base de datos que comprende diez caracteres estandar mostrado en la
Fig. 1 con n = 196, y los patrones para a, c, e, ... puede ser denotada como Pa , Pc , Pe , ... donde el
subndice representa el caracter asociado. La Fig. 2 nos indica un conjunto de puntos de muestra
del patron Pa en la base de datos. El caracter a ser reconocido es trazado en la Figura 3 parece
una e rotada. Es de mayor tama
no en relacion con el caracter correspondiente en la base de
datos, y en gran parte est
a localizada en el tercer cuadrante. Aplicando el metodo discutido, el
caracter en la Fig. 3 est
a representado por un patron de punto Q con n = 196.
Para la construcci
on de la matriz Hessiana se usan las coordenadas de los puntos Pi con
i = 1, ..,10 usando la forma de la matriz en (7a).
La disimilitud entre cada patr
on Pcaracter en la base de datos y el patron Q es medido en terminos de e(Pcaracter , Q) en (5) y e2p (Pcaracter , Q) en (9) con 2p = 128. Notar que la minimizaci
on
de e(Pcaracter , Q) puede ser visto como un caso especial del problema en (9) con p = 1 y su
solucion puede ser obtenida usando (8). Para la minimizacion de e128 (Pcaracter , Q) se usa una
6
implementaci
on secuencial para el metodo de Newton para obtener la solucion.
Los resultados se resumen en la Fig. 4 donde x2 y x128 denotan los minimizadores de e2 (Pcaracter , Q)
y e128 (Pcaracter , Q) respectivamente.
8.
Conclusiones
Por los resultados, es evidente que el caracter en la Fig. 3 es mas similar al caracter e.
Los metodos de descenso nos permiten obtener buenas aproximaciones de los caracteres
de una base de datos para as determinar patrones de puntos.
Usando algoritmos del tipo Branch and Bound se puede obtener una convergencia m
as
rapida.
Los problemas de emparejamiento de patrones de puntos se pueden aplicar a diversos campos como procesamiento de documentos, austronastica, biologa y qumica computacional,
entre otros.
Ademas uno de sus principales usos se da en el registro de imagenes y el reconocimiento
de objetos basado en objetos.