1 / 22

Analyse de la variabilit é en vision par ordinateur

Analyse de la variabilit é en vision par ordinateur. Richard Lepage Département de génie de la production automatisée École de technologie supérieure Montréal (Québec) Canada. Collaborateurs. Couleur de la canneberge Gilles Doyon, CRDA, Agriculture Canada

odessa
Télécharger la présentation

Analyse de la variabilit é en vision par ordinateur

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Analyse de la variabilité en vision par ordinateur Richard Lepage Département de génie de la production automatiséeÉcole de technologie supérieureMontréal (Québec) Canada

  2. Collaborateurs • Couleur de la canneberge • Gilles Doyon, CRDA, Agriculture Canada • Jean-Sébastien Lussier, étudiant en GPA • Youssouf Cherawala, étudiant Maîtrise GEL • Primitives visuelles • Dave St-Pierre, étudiant Maîtrise GPA • Visages • Mathieu Barrette, étudiant Maîtrise GEL • Anthropométrie 3D • Zouhour Ben Azouz, doctorante, CNRC Ottawa • Marc Rioux, chercheur, CNRC Ottawa

  3. Plan • Analyse de la variabilité 1 • Échelle de couleur • Primitives visuelles dans une image • Analyse de la variabilité 2: variante • Gabarit de visages • Anthropométrie 3D

  4. u1 u2 i2 i1 Analyse de la variabilité 1

  5. u1 A i u2 Hi maximiser minimiser

  6. Échelle de couleur de la canneberge • La qualité d’un lot de canneberges peut être déterminée par la couleur moyenne du lot • On désire passer d’une représentation à 3 composantes (RVB) à une échelle unique

  7. Traitement Conversion RVB  Lab Segmentation Élimination des réflets de l’éclairage

  8. Primitives visuelles Résultats de l’ACP 1ère composante Uniforme 64% 2e composante Horizontale 12% 3e composante Verticale 11% 4e composante Oblique 7% 5e composante Diagonale 5% Attributs: vecteur de 9 composantes organisé en imagette de 3x3

  9. Analyse de la variabilité 2: variante • Lorsque le nombre d’attributs P est beaucoup plus grand que le nombre de mesures N, la matrice de covariance C devient de dimension très élevée (PP) et l’extraction des vecteurs et valeurs propres devient alors moins aisée. • La solution: la matrice de covariance complémentaire

  10. v1 v2 ANP u1 1 u2 2

  11. Gabarits de visages Exemples d’images de la base de visages “Yale Face Database”

  12. Base de « visages propres »

  13. Reconstruction des visages de la base à partir des 6 premiers « visages propres »

  14. Applications Compression Les « visages propres » sont connus (apprentissage) Seulement les M premiers coefficients caractérisent Nouveau visage Projeté dans l’espace des « visages propres » Extraire le « visage propre » le plus près Performances

  15. mesures unidimensionnelles • Anthropométrie 3D Anthropométrie traditionnelle Distances entre des points de repère anatomiques Circonférences

  16. Numérisation 3D du corps humain Système de numérisation de la surface du corps humain Modèle 3D de corps humain

  17. Objectif général: aide à la conception Expertise du concepteur Description compacte et générative des modèles de corps humain Test de satisfaction des clients Extraction et visualisation des principaux modes de variation de la forme Sélection de modèles représentatifs de la population étudiée Numérisation d’unéchantillon d’une population + Application Caractéristiques du produit conçu Contraintes budgétaires

  18. Description compacte du corps humain • Analyse en composantes principales de la représentation volumétrique basée sur une carte de distances signées

  19. Exemples de reconstruction avec 64 vecteurs propres  =2,3 mm = 1,8 mm =3 mm = 2,3 mm =2,8 mm = 2,6 mm =2,5 mm = 2 mm =2,3 mm = 1,9 mm

  20. Performances 95% de la variabilité de la forme dans un ensemble de 300 personnes est induite par les 64 premiers vecteurs propres Distribution des distances entre les sommets des modèles reconstruits et les modèles réparés:Moyennes: 0,2-3,3 mmÉcarts type: 0,2-2,8 mm

  21. Premier mode de variation Étude des principaux modes de variation de la forme humaine .…. Deuxième mode de variation Coefficients de projection du modèle noyau dans la base des composantes principales .…. …….

  22. Principaux modes de variation Non normalisé Normalisé par rapport à la hauteur

More Related