MÉTODO DE TRANSFORMACIÓN DE IMÁGENES EN NUBES DE PUNTOS DE ESPACIOS MULTIDIMENSIONALES, MÉTODO DE IDENTIFICACIÓN DE OBJETOS E INDIVIDUOS, MÉTODO DE SEGMENTACIÓN, MÉTODO DE LOCALIZACIÓN DE PUNTOS DE INTERÉS Y USOS.

Método de transformación de imágenes en espacios multidimensionales que selecciona combinaciones de pixeles de imágenes,

calcula para cada combinación de pixeles una distancia entre cada par de pixeles y una intensidad de cada píxel y genera una nube de puntos en espacios multidimensionales, mediante una asignación, a cada combinación de pixeles, de un punto en los espacios multidimensionales cuyas coordenadas corresponden con unos valores seleccionados entre las distancias, intensidades y una combinación. Además se describe un método de identificación de objetos e individuos, un método de segmentación, un método de localización de puntos de interés y usos de los mismos basados todos ellos en el método de transformación.

MÉTODO DE TRANSFORMACIÓN DE IMÁGENES EN NUBES DE PUNTOS DE ESPACIOS MULTIDIMENSIONALES, MÉTODO DE IDENTIFICACIÓN DE OBJETOS E INDIVIDUOS, MÉTODO DE SEGMENTACIÓN, MÉTODO DE LOCALIZACIÓN DE PUNTOS DE INTERÉS Y USOS

OBJETO DE LA INVENCIÓN La presente invención, tal y como se expresa en el enunciado de esta memoria descriptiva se refiere en primer lugar a un método de transformación de imágenes en nubes de puntos de espacios multidimensionales. Además un segundo objeto de la presente invención es un método de identificación de objetos e individuos que hace uso del método de transformación de imágenes en nubes de puntos de espacios multidimensionales. La identificación de los objetos e individuos se realiza a partir de su aspecto, tamaño y forma, mediante la captación de imágenes de cada objeto o individuo, que puede estar en movimiento y cambiar de postura y orientación. Un tercer objeto de la presente invención es un método de segmentación de imágenes que hace uso del método de transformación de imágenes en nubes de puntos de espacios multidimensionales y un cuarto objeto de la presente invención es un método de localización de puntos de interés que de igual modo hace uso del método de transformación de imágenes mencionado. También se describen diversos usos de estos métodos así como el dispositivo empleado para la captura de las imágenes. Nótese que a lo largo de la presente memoria cuando se habla de espacios multidimensionales se ha englobado en ellos también los espacios unidimensionales. Nótese también que a lo largo de la presente memoria cuando se refiere indistintamente a objetos, individuos, seres humanos o escenas, se estarán englobando todos ellos.

ANTECEDENTES DE LA INVENCIÓN La invención aquí presentada tiene aplicación principalmente, aunque no exclusivamente, en tres campos distintos:

• Clasificación de individuos.

En muchas aplicaciones, es necesario asignar un individuo a una de varias clases. Por ejemplo, en un proceso industrial puede ser necesario distinguir objetos de distintos tipos (por ejemplo, distinguir botellas de latas) . Otro ejemplo es la distinción de animales de distintas especies. Otro ejemplo es un sistema de visión artificial, que deba reconocer un determinado objeto (por ejemplo, coches) y distinguirlo de cualquier otro objeto (peatones, señales, contenedores...) . En esta tarea, el objeto a identificar no ha sido accesible previamente al sistema, y debe compararse con una base de datos de objetos parecidos.

Esta clasificación se puede realizar en ocasiones atendiendo al aspecto exterior del individuo, de modo que pueda clasificarse simplemente a partir de una o varias imágenes del mismo. Existe un gran número de métodos disponibles para este tipo de clasificación, adaptados a distintas condiciones y distintos tipos de objetos, por ejemplo alineando las imágenes y comparando la forma (Belongie, Malik, Puzicha 2002, Shape Matching and

ES 2 447 640 Al

Object Recognition Using Shape Contexts) , usando puntos clave (Lowe, 1999. Object recognition from local scale-invariant features) , usando descriptores estadísticos de las imágenes (Prokop, Reeves 1992, A survey of moment-based techniques for unoccluded object representation and recognition) , utilizando métricas de las imágenes como histogramas de color (Swain, Ballard 1991, Color Indexing) o correlogramas de color (Huang, Kumar, Mitra, Zhu, Zabih 1999, Spatial color indexing and applications) , etc. El método de transformación de imágenes en nubes de puntos en espacios multidimensionales descrito en el presente documento se relaciona con los correlogramas de color, y supone una mejora, frente al estado de la técnica anteriormente mencionado, que permite una mejor utilización de la información disponible en la imagen con el mismo o menor coste computacional y de memoria.

Existen otros métodos más específicos a la clasificación de un tipo de objeto desde una perspectiva concreta, como por ejemplo detectores de caras humanas (Turk, Pentland, 1991, Face recognition using eigenfaces) . Estas técnicas son muy específicas para zonas o patrones del objeto o individuo lo que las hace menos versátiles que el método descrito en la presente invención. En general, a mayor flexibilidad menor especificidad, es decir, los métodos son menos capaces de distinguir objetos muy parecidos.

• Identificación de individuos.

Una aplicación similar es la identificación de individuos. En este caso el objetivo es distinguir entre sí varios individuos concretos. Dichos individuos pueden ser muy parecidos entre sí (por ejemplo, pueden ser animales de una misma especie) , y el objetivo no es clasificarlos dentro de uno de varios posibles grupos, sino identificarlos individualmente. Por ejemplo, hay experimentos científicos en el que varios individuos deben ser juntados durante un tiempo para permitir que interaccionen, pudiendo posteriormente separarlos e identificar cada uno de ellos. Esta identificación se puede realizar marcando previamente a los individuos, pero esto requiere manipulación previa que en algunos casos puede resultar muy costosa. Además, en el caso de identificación de animales, puede resultar muy difícil realizar estas marcas, y pueden alterar el comportamiento posterior de los animales. Existen técnicas que permiten la identificación individual sin necesidad de marcado a base de observar diferencias morfológicas entre los individuos. En muchos casos estas técnicas están limitadas por la necesidad de obtener imágenes de una parte muy concreta del individuo, para lo que es necesario controlar con precisión la posición del mismo. De nuevo, esto es especialmente complicado en el caso de la identificación de animales. Aun así, existen varios métodos que permiten distinguir individualmente algunos animales, por ejemplo tomando imágenes de la vascularización de las orejas. Estos métodos tienen el inconveniente de requerir una manipulación directa del animal (normalmente exigiendo su inmovilización parcial) , y ser válidos sólo para un pequeño conjunto de especies.

ES 2 447 640 Al

Es posible realizar la identificación individual mediante fotografías del individuo, utilizando técnicas similares a las utilizadas para la clasificación de individuos. Pero estas técnicas suelen necesitar diferencias relativamente marcadas entre los distintos individuos. Por ejemplo, no hay disponible ninguna técnica capaz de distinguir entre ellos un grupo de peces cebra hermanos o de moscas Drosophila melanogaster hermanas. El método aquí presentado resuelve este problema.

Un caso particular consiste en la identificación de seres humanos a partir de imágenes de su cara, en el que existen numerosas técnicas, como por ejemplo “eigenfaces”, que logran una buena identificación entre individuos. Estas técnicas pueden adaptarse en mayor o menor medida a identificar otro tipo de objetos y animales, pero suelen tener el inconveniente de necesitar un alineamiento preciso entre las imágenes a comparar, y ser poco robustas ante deformaciones del mismo.

• Seguimiento de individuos (tracking) .

En muchas aplicaciones científicas y técnicas, es necesario seguir la trayectoria de varios individuos que se mueven en una misma región. Una de las formas más extendidas para realizar este seguimiento consiste en hacerlo utilizando vídeo. Una de las mayores limitaciones de esta técnica de seguimiento es la dificultad de mantener las identidades de dos individuos después de que se crucen (ya que durante el cruce uno puede ocluir la imagen del otro, haciendo que se pierdan sus trayectorias) .

La mayor parte de las técnicas de tracking disponibles se basan en el análisis temporal de las trayectorias de cada individuo, de modo que tras un cruce se pueda realizar la asignación más probable de acuerdo con dichas trayectorias (Kalman filtering, etc.) . Otra alternativa consiste en la identificación de cada individuo, de modo que se pueda recuperar su identidad después de un cruce. En muchos casos, esta identificación requiere marcar previamente a cada individuo, por ejemplo con distintos colores, para su posterior identificación. Otra opción es usar las técnicas que permiten identificar objetos diferentes, mencionadas en los apartados anteriores. Sin embargo, normalmente estas técnicas sólo funcionan bien cuando las diferencias entre individuos son relativamente grandes. Por ejemplo, normalmente no son capaces de distinguir individuos de una misma especie. Además, en el caso de animales el cambio de postura puede hacer que haya una gran variabilidad entre imágenes de un mismo individuo, y muchos de estos métodos son poco robustos respecto a esta variabilidad. En concreto, en la actualidad no existe...

1. Método de transformación de imágenes en nubes de puntos de espacios multidimensionales, en el que se dispone de al menos una imagen a transformar capturada mediante al menos un dispositivo de captación de imágenes, caracterizado porque comprende las siguientes fases:

i) seleccionar combinaciones de al menos dos pixeles de la al menos una imagen; ii) calcular, para cada una de las combinaciones de los al menos dos pixeles seleccionadas en la fase i) , una distancia entre cada par de pixeles y una intensidad de cada uno de los píxeles;

iii) generar al menos una nube de puntos en al menos un espacio multidimensional, mediante una asignación, a cada combinación de al menos dos pixeles, de un punto en al menos uno de los espacios multidimensionales cuyas coordenadas corresponden con unos valores seleccionados entre las distancias, intensidades y una combinación de ellas calculadas en la fase ii) .

2. Método, según la reivindicación 1, caracterizado porque las combinaciones de al menos dos pixeles de la fase i) están seleccionadas entre:

• todas las combinaciones posibles entre los al menos dos pixeles de la imagen;

• todas las combinaciones posibles entre los al menos dos pixeles de la imagen que cumplan que las distancias entre los al menos dos pixeles sean inferiores a un umbral;

• un pixel central y todas las combinaciones posibles con al menos otro pixel que se encuentre a una distancia menor a un umbral, generándose una nube de puntos en cada espacio multidimensional para cada uno de los pixeles de la imagen, calculándose así una signatura de cada pixel; y,

• todas las combinaciones posibles entre al menos dos pixeles de la imagen que cumplan que su distancia a un pixel central es menor que un cierto umbral, generándose una nube de puntos en cada espacio multidimensional para cada uno de los pixeles de la imagen, calculándose así una signatura de cada pixel.

3. Método, según la reivindicación 1 o 2, caracterizado porque somete la al menos una imagen a un preprocesado para mejorar la calidad de la imagen.

4. Método, según una cualquiera de las reivindicaciones 1 a 3, caracterizado porque, para imágenes cuyos pixeles contienen más de una longitud de onda, la fase ii) comprende calcular una intensidad para cada longitud de onda del pixel.

5. Método, según una cualquiera de las reivindicaciones 1 a 3, caracterizado porque, para imágenes cuyos pixeles contienen más de una longitud de onda, la fase ii) comprende asignar un índice unidimensional a cada combinación posible de longitudes de onda de un mismo pixel.

ES 2 447 640 Al

6. Método, según una cualquiera de las reivindicaciones anteriores, caracterizado porque comprende multiplicar todas las distancias entre pixeles calculadas en la fase ii) por un factor de escala.

7. Método, según la reivindicación 6, caracterizado porque el factor de escala maximiza la similitud entre la nube de puntos de al menos uno de los espacios multidimensionales de la al menos una imagen, y las nubes de puntos correspondientes de al menos otra imagen.

8. Método, según una cualquiera de las reivindicaciones anteriores, caracterizado porque cuando se dispone de más de una imagen a transformar, la generación de nubes de puntos en espacios multidimensionales se lleva a cabo mediante técnicas seleccionadas entre: -generar nubes de puntos en espacios multidimensionales diferentes e independientes para cada imagen; Y; -generar nubes de puntos en un mismo espacio multidimensional para varias imágenes. -una combinación de las técnicas anteriores.

9. Método, según la reivindicación 8, caracterizado porque cuando se generan nubes de puntos en un mismo espacio multidimensional para varias imágenes, la generación de nubes de puntos se lleva a cabo mediante técnicas seleccionadas entre: -generar una nube de puntos formada por la unión de las nubes de puntos correspondientes a cada imagen; -generar una nube de puntos formada por la unión de las nubes de puntos correspondientes a cada imagen donde se ha añadido una dimensión adicional al espacio multidimensional con identificadores de cada imagen para que las nubes de puntos procedentes de cada imagen no se superpongan; -generar una nube de puntos formada por la unión de las nubes de puntos correspondientes a cada imagen, donde se ha hecho una transformación previa diferente a los puntos procedentes de cada imagen obteniendo una nube de puntos no invariante ante un intercambio de dos imágenes; y, -una combinación de las técnicas anteriores.

10. Método, según una cualquiera de las reivindicaciones anteriores, caracterizado porque comprende realizar operaciones matemáticas convencionales entre las distancias y/o intensidades calculadas en la fase ii) , generándose a partir de cada uno de los espacios multidimensionales originales al menos un espacio de igual o distinta dimensionalidad que el espacio original.

11. Método, según una cualquiera de las reivindicaciones anteriores, caracterizado porque comprende calcular un histograma de cada uno de los espacios multidimensionales.

12. Método de identificación de objetos e individuos, caracterizado porque comprende las siguientes etapas:

ES 2 447 640 Al

• capturar al menos una imagen de referencia de al menos un objeto o individuo mediante un dispositivo de captación de imágenes;

• tratar la al menos una primera de referencia mediante el método descrito en una cualquiera de las reivindicaciones 1 a 11, obteniendo al menos una nube de puntos de referencia de la al menos una primera imagen;

• almacenar la al menos una nube de puntos de referencia en una base de datos asociándola al objeto o individuo del que proviene;

• capturar al menos una imagen de estudio de al menos un objeto o individuo mediante un dispositivo de captación de imágenes;

• tratar la al menos una imagen de estudio mediante el método descrito en una cualquiera de las reivindicaciones 1 a 11, obteniendo al menos una nube de puntos de estudio de la al menos una segunda imagen;

• comparar la al menos una nube de puntos de estudio con la al menos una nube de puntos de referencia almacenada en la base de datos; y,

• identificar el objeto o individuo en base a la comparación de las nubes de puntos de estudio y referencia.

13. Método, según la reivindicación 12, caracterizado porque tras las fases de captura de la al menos una imagen de referencia y la al menos una imagen de estudio se lleva acabo una fase de segmentación de la al menos una imagen de referencia y de la al menos una imagen de estudio identificando unos pixeles que se corresponden al objeto o individuo o parte de del mismo.

14. Método, según la reivindicación 12, caracterizado porque tras la captura de la al menos una imagen de referencia de al menos un objeto o individuo, comprende las siguientes etapas:

• calcular una signatura de referencia de al menos un pixel de la al menos una imagen de referencia;

• almacenar la signatura de referencia en una base de datos asociándola al objeto o individuo del que

proviene; y tras la captura de la al menos una imagen de estudio de al menos un objeto o individuo, comprende las siguientes etapas:

• calcular una signatura de estudio de al menos un pixel de la al menos una imagen de estudio;

• comparar la signatura de estudio con las signaturas de referencia; y,

• identificar el objeto o individuo de la al menos una imagen de estudio en base a la comparación de las signaturas de estudio y referencia.

15. Método, según la reivindicación 14, caracterizado porque la identificación del objeto o individuo de la al menos una imagen de estudio se realiza de un modo seleccionado entre:

ES 2 447 640 Al

- escogiendo un pixel de la al menos una imagen de referencia como pixel de referencia y buscando los pixeles de la al menos una imagen de estudio cuya signatura es más parecida a la de cada uno de los pixeles de referencia de la al menos una imagen de referencia; y, -seleccionando un pixel de la al menos una imagen de estudio como pixel de referencia y buscando los pixeles de la al menos una imagen de referencia cuya signatura es más parecida a la de cada uno de los pixeles de referencia de la al menos una imagen de estudio.

16. Método, según la reivindicación 15, caracterizado porque para cada nueva imagen adquirida se escogen como pixeles de referencia aquellos cuya signatura sea más parecida a las de los pixeles de referencia de imágenes adquiridas previamente.

17. Método, según una cualquiera de las reivindicaciones 16 o 16, caracterizado porque los pixeles de referencia se escogen mediante las siguientes fases: -adquirir varias imágenes de cada uno de los objetos o individuos que van a formar parte de la base de datos; -calcular la signatura de al menos uno de los pixeles de cada imagen; -buscar un pixel de cada imagen cuya signatura se parezca más a la de un pixel inicial de una de las imágenes; -calcular una variabilidad de las signaturas de los pixeles escogidos entre imágenes del mismo objeto o individuo, y entre imágenes de distintos objetos o individuos; -repetir las dos fases anteriores para varios pixeles iniciales distintos; y, -escoger como pixeles de referencia aquéllos cuyas signaturas tengan mayor variabilidad entre objetos o individuos, con respecto a la variabilidad dentro de cada objeto o individuo.

18. Método, según una cualquiera de las reivindicaciones 12 a 17, caracterizado porque la al menos una imagen de referencia y la al menos una imagen de estudio se extraen de un mismo video.

19. Método, según una cualquiera de las reivindicaciones 12 a 18, caracterizado porque la fase de comparación de la al menos una nube de puntos de estudio con la al menos una nube de puntos de referencia se lleva a cabo mediante técnicas seleccionadas entre:

- calcular una distancia entre un punto de la al menos una nube de puntos de referencia y el punto más cercano de la al menos una nube de puntos de estudio; -calcular un primer histograma de la al menos una nube de puntos de referencia y un segundo histograma de la al menos una nube de puntos de estudio y comparar ambos histogramas; -calcular un primer histograma de la al menos una nube de puntos de referencia y un segundo histograma de la al menos una nube de puntos de estudio y comparar ambos histogramas previamente normalizados; y,

ES 2 447 640 Al

-calcular un primer histograma de la al menos una nube de puntos de referencia y un segundo histograma de la al menos una nube de puntos de estudio y comparar ambos histogramas previamente suavizados mediante filtros.

20. Método, según una cualquiera de las reivindicaciones 12 a 19, caracterizado porque cuando hay más de una imagen de referencia, para cada imagen de estudio la comparación con las imágenes de referencia se realiza mediante una técnica seleccionada entre: -calcular las diferencias entre los espacios multidimensionales de cada imagen de referencia de cada objeto o individuo y los de la imagen de estudio, y calcular un promedio para cada objeto o individuo; -calcular un espacio promedio de los espacios multidimensionales para todas las imágenes de referencia de cada objeto o individuo, y calcular la diferencia entre el espacio promedio y el espacio de la imagen de estudio; y, -calcular la diferencia entre el espacio multidimensional de cada imagen de referencia de cada objeto o individuo y la imagen de estudio y escoger, para cada objeto, al menos una de las menores diferencias con la imagen de estudio.

21. Método, según una cualquiera de las reivindicaciones 12 a 20, caracterizado porque la fase de identificación de la imagen de estudio se realiza mediante una técnica seleccionada entre: -escoger el objeto o individuo de la base de datos cuyas imágenes de referencia asociadas sean más parecidas a la imagen de estudio; -escoger el objeto o individuo de la base de datos cuyas diferencias respecto a la imagen de estudio estén por debajo de un umbral; y, -calcular la probabilidad de que la imagen de estudio se corresponda con cada uno de los objetos o individuos de la base de datos, en base a un conjunto de parámetros seleccionado entre las diferencias entre la imagen de estudio y las imágenes de referencias, las diferencias entre las imágenes de referencia, y las diferencias entre otras imágenes de objetos o individuos similares.

22. Método, según una cualquiera de las reivindicaciones 12 a 21, caracterizado porque cuando se dispone más de una imagen del objeto o individuo, la fase de identificación se realiza mediante una técnica seleccionada entre: -escoger el objeto o individuo de la base de datos más parecido al individuo de estudio, en función de las diferencias entre las imágenes de estudio y las imágenes de referencia.. -calcular la probabilidad de que el objeto o individuo de estudio corresponda con cada uno de los almacenados en la base de datos, acumulando una evidencia suministrada por todas las imágenes de estudio.

23. Método, según la reivindicación 22, en la que la probabilidad se calcula suponiendo que las imágenes son independientes.

ES 2 447 640 Al

24. Método, según la reivindicación 22, en la que la probabilidad se calcula teniendo en cuenta una redundancia de información entre imágenes similares.

25. Método, según una cualquiera de las reivindicaciones 12 a 24, caracterizado porque cuando se dispone de imágenes de estudio de varios objetos o individuos distintos, y una serie de relaciones lógicas entre ellos que describan la posibilidad o imposibilidad de que dos grupos de imágenes de estudio pertenezcan al mismo o a distintos individuos, en vez de calcular la probabilidad de identificación de cada individuo de estudio, se calcula la probabilidad de cada conjunto de identificaciones simultáneas de varios individuos de estudio, de forma que la identificación de un objeto o individuo suministra información acerca de la identificación de otros individuos.

26. Método, según la reivindicación 25, caracterizado porque se calcula la probabilidad de todas las posibles asignaciones entre elementos de la base de datos e individuos problema, teniendo en cuenta las probabilidades de identificación de cada individuo problema en base a sus imágenes, y las relaciones lógicas entre individuos problema.

27. Método, según la reivindicación 25, caracterizado porque se calcula la probabilidad de asignación de cada individuo problema por separado, pero teniendo en cuenta las relaciones lógicas con otros individuos problema, además de las probabilidades de identificación en base a sus imágenes.

28. Método, según la reivindicación 27, caracterizado porque la asignación se realiza escogiendo el individuo con mejor probabilidad de asignación, posteriormente actualizando las probabilidades del resto de los individuos teniendo en cuenta que el individuo asignado es inamovible, y repitiendo el proceso hasta que todos los individuos están asignados.

29. Método de segmentación de imágenes caracterizado porque comprende las siguientes etapas:

• calcular la signatura de cada pixel de la imagen tal y como se describe en la reivindicación 2; y,

• seleccionar los pixeles de la imagen problema cuya signatura sea más parecida a las de otras imágenes del objeto.

30. Método de localización de puntos de interés en una imagen, caracterizado porque comprende las siguientes etapas:

• calcular la signatura de cada pixel de la imagen tal y como se describe en la reivindicación 12; y,

• seleccionar el pixel de la imagen problema cuya signatura más se parezca a la signatura del pixel correspondiente al punto de interés de otras imágenes.

31. Uso del método descrito en las reivindicaciones 12 a 30 para el reconocimiento, clasificación y seguimiento de objetos e individuos.

32. Uso del método descrito en las reivindicaciones 12 a 30, combinado con técnicas de seguimiento 5 convencional.