Presentazione Attività di Ricerca Secondo periodo – Aprile-Settembre Ottobre 2008

Obiettivi progetto 1.Studio di fattibilità ed analisi dei requisiti; ricerca e definizione di sistemi di acquisizione, telecamere e sistema di illuminazione più adatto allo scopo; studio dello stato dellarte negli algoritmi e nelle librerie software per il pick and place 2.Studio e sviluppo di algoritmi di visione per lindividuazione della posizione e rotazione nel 3D (o 2D ½) del pezzo per calcolo del punto di pick; 3.studio e sviluppo di algoritmi per lindividuazione dellingombro dei contenitori dei manufatti 4.studio di segmentazione e localizzazione dei pezzi anche in caso di due oggetti adiacenti o parzialmente sovrapposti 5.Realizzazione di un primo sistema prototipale e campagna di test 6.Estensione al caso di gruppi di pezzi sovrapposti e sviluppo di librerie invarianti alla dimensione e forma dei pezzi 7.Realizzazione di un sistema prototipale e campagna di test fatto (periodo 1) fatto (periodo 2)

Ricostruzione 3D

Ricostruzione 3D Problemi ancora da affrontare: La presenza in alcuni casi di picchi non corretti dovuti alla mancanza di match corretto tra le due viste; verranno studiati metodi per eliminarle o tollerarle La gestione di parti poco riflettenti, come il nero, o troppo riflettenti (come specchio o superfici lucide), nonché la gestione delle parti contenenti dei liquidi

Segmentazione oggetti complessi Che approccio utilizzare? Segmentazione basata sullapparenza/colore Colori non unici Apparenza molto confusa e occlusioni Segmentazione basata sui contorni Occlusioni Contrasti non evidenti e riflessi Segmentazione basata su modello 3D completo Modello 3D complesso da acquisire Computazionalmente oneroso Segmentazione basata su feature matching e trasf. geometriche Robusto a rotazione, scaling, luminosità, ecc. Veloce (pochi punti, non immagine completa o modello 3D) Feature matchate devono essere correlate Segmentazione non completa, ma a punti

Nostro approccio I metodi di segmentazione feature-based implementano i seguenti passi: Feature extraction Feature matching Calcolo trasformazione geometrica tra modello e immagine SIFT

Feature extraction: SIFT SIFT (Scale Invariant Feature Transform) – Lowe 2004 I passi principali dellalgoritmo SIFT sono i seguenti: 1.Scale-space extrema detection: questo passo ricerca i massimi su tutte le scale e tutte le locazioni spaziali. Viene implementato efficientemente utilizzando le DoG (Difference of Gaussians) per identificare punti di interesse invarianti alla scala e allorientazione. 2.Keypoint localization: per ogni punti di massimo trovato, un modello dettagliato viene utilizzato per determinare la locazione e la scala. I keypoint selezionati alla fine sono scelti sulla base di una misura di stabilità. 3.Orientation assignment: ad ogni keypoint vengono assegnate una o più orientazioni, sulla base delle direzioni del gradiente in un intorno del keypoint. Tutte le operazioni fatte successivamente sul keypoint vengono fatte rispetto alla direzione, scala e locazione assegnate al keypoint, garantendo quindi invarianza a queste caratteristiche. 4.Keypoint descriptor: vengono calcolati i gradienti locali alla scala selezionata e in un intorno del keypoint. Questi vengono poi trasformati in una rappresentazione che permette distorsioni locali della forma e cambi di illuminazione.

Scale-space extrema detection

Scale-space extrema detection

Ricerca massimi nello scale-space Oltre a cercare i massimi in un intorno Elimino i punti con basso contrasto Elimino i punti sugli edge

Ricerca massimi nello scale-space Keypoint risultanti

Calcolo orientazione dei keypoints Calcolo modulo e orientazione del gradiente Si calcola listogramma delle orientazioni, quantizzato per 36 direzioni Il picco dellistogramma e gli altri picchi entro l80% del picco maggiore sono scelti come direzione principale del keypoint. Se ne risultano più di uno (e ciò succede in media il 15% delle volte), si crea un keypoint per ciascuna direzione principale. Queste direzioni multiple contribuiscono significativamente alla stabilità del matching. Il descrittore viene calcolato su un intorno di 16 x 16 orientato in modo concorde alla sua direzione principale. Questo intorno viene suddiviso in 16 matrici 4 x 4 e per ciascuna listogramma dellorientazione del gradiente discretizzato su 8 bin (4x4x8=128 valori).

Matching dei keypoints Semplice distanza Euclidea tra i descrittori a 128 valori Per aumentare la robustezza vengono scartati tutti i match per cui il rapporto tra la distanza del match migliore e la distanza del secondo match migliore è maggiore di 0.8. Questo permette di evitare match falsi dovuti allo sfondo o ad altri oggetti nella scena.

Trasformate geometriche

Trasformata proiettiva o omografica Colleziono tutti i punti e con SVD o MLE stimo i 9 parametri della trasformata

Trasformata proiettiva o omografica Usando direttamente tutti i punti per la trasformazione ho due tipi di problemi: Match sbagliati Match corretti ma su oggetti diversi

Trasformata omografica con RANSAC Allora abbiamo usato il RANSAC (dettagli sul report)

Trasformata Euclidea Necessità di distinguere (clusterizzare) match di oggetti diversi keypoint punto caratterizzante vettore spostamento keypoint matchato proiezione punto caratterizzante vettore spostamento ruotato MODELLOOGGETTO

Alcuni risultati (il resto dal vivo …)

Difetti … del SIFT 1.Il SIFT, come la maggior parte di questi metodi, si basa sul gradiente, quindi sul fatto che gli oggetti di interesse presentano parti texturate con un buon contrasto. Se questo non è vero i keypoints ottenuti sono troppo pochi e non affidabili; 2.Il SIFT ha dimostrato di avere una limitata robustezza ai cambi di luminosità localizzati, ad esempio dovuti ai riflessi dei flowpacks ; 3.Il nostro approccio considera di confrontare limmagine corrente con un modello delloggetto da cercare. Sebbene questo nel nostro caso sia inevitabile (volendo creare un sistema flessibile e non vincolato ad un solo oggetto), se il modello non è sufficientemente rappresentativo delle situazioni possibili il nostro approccio diventa inaffidabile; 4.Il SIFT, per costruzione, ottiene sempre solo un match per ciascun keypoint del modello; questo significa che nel caso di oggetti poco texturati i pochi keypoints ottenuti sul modello rischiano di essere suddivisi sulle varie istanze delloggetto presenti nellimmagine corrente e non essere sufficienti per segmentarli tutti.

Sviluppi (quasi-)futuri MULTI-MODELLO: Copie multiple da fondere Varie faccie: mutualmente esclusive MULTI-MATCH: Correggere il problema del SIFT del match 1-a-1

Integrazione 3D Come integrare segmentazione e 3D? Altezza solo nei punti di prelievo! Abbiamo davvero bisogno di prelevare il più alto? O solo quelli non coperti da altri?