Sparse KNN - a method for object recognition over x-ray images using KNN based in sparse reconstruction

Sparse KNN - a method for object recognition over x-ray images using KNN based in sparse reconstruction

620

Ingeniería

Rayos x - Aplicaciones industriales.

Visión por computador.

Procesamiento electrónico de datos.

Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2016

El reconocimiento de objetos en imágenes de rayos X no es una tarea trivial, lidiando con problemas fundamentales tales como la ausencia de color o la oclusión particular del problema, difiriendo esta segunda de la oclusión con la que generalmente nos encontramos,puesto que en una radiografía el objeto siempre es visible, así como cada otro objeto en la imagen, por lo que más que obstruir la visión, las imágenes de rayos X las combinan. Es por esto que se presenta un método basado en los puntos SIFT extraídos de la imagen.Estos puntos son primeramente usados para entrenar un modelo para cada clase presente,Pistola, Shuriken, Hoja de afeitar y Otros o No clase. Luego, utilizando este modelo, se busca la reconstrucción sparse de estos puntos, los cuales son clasificados utilizando una métrica de distancia, construyendo un clasificador por cada clase. Una fase clave en este método es la selección de características, seleccionamos alrededor de 50 características de las 128 del descriptor SIFT, esta selección diferente para cada clasificador. La finalidad de esta selección es disminuir el ruido agregado por la oclusión radiológica antes explicada.Se demuestra empíricamente la importancia del ajuste de parámetros, los cuales toman una gran importancia para aumentar el rendimiento del algoritmo, entre los parámetros a ajustarse encuentran, umbrales de aceptación de distancia, umbral sobre el Sparsity Concentration Index, siendo este un índice usado para saber si la reconstrucción sparse es representativa de una o varias clases; y una representación de la importancia de posición relativa al centro del objeto a cada punto SIFT encontrado. La efectividad de nuestro método fue probada reconociendo tres objetos peligrosos diferentes: pistolas, shuriken (estrellas ninja) y cuchillas de afeitar. Con esto, en nuestros experimentos, se obtienen resultados sobre un 94% de precisión.

Svec P., Erick.

2017-07-04T22:16:02Z

2017-07-04T22:16:02Z

2016

Mery Quiroz, Domingo

Pontificia Universidad Católica de Chile. Escuela de Ingeniería

acceso abierto

xi, 47 hojas

application/pdf

es

tesis de maestría

10.7764/tesisUC/ING/21187

https://doi.org/10.7764/tesisUC/ING/21187

https://repositorio.uc.cl/handle/11534/21187