Procedimiento de clasificación de objetos en un sistema de observación por imágenes.

Procedimiento de clasificación de un objeto presente en una imagen obtenida por un sistema (100) de observación por imágenes que consta de un sensor,

que comprende una etapa de extracción del objeto a clasificar en la imagen, caracterizado porque consta de una etapa de clasificación del objeto a partir de una base de conocimientos:

- constando dicha base de conocimientos de varias clases que constan cada una de un conjunto de objetos representados por una etiqueta y un conjunto de características entre las que están la información contextual de fondo de imágenes, resultantes de un tratamiento alimentado por un Modelo Digital del Terreno (2), denominado MDT, y

- que comprende unas reglas de decisión asociadas a estos fondos de imágenes,

comprendiendo esta etapa de clasificación las siguientes subetapas:

- adquisición mediante unos medios (10) de posicionamiento del sistema, de la posición geográfica del sensor del dispositivo (1) de obtención de imágenes durante la adquisición de la imagen;

- alimentación del sistema de observación mediante el MDT, extracción en el MDT de una zona de interés asociada a esta posición;

- estimación de la altitud del sensor del dispositivo de obtención de imágenes durante la adquisición de la imagen, mediante unos medios de medición de altitud;

- determinación de las elevaciones del terreno en un sector compatible del campo de visión del dispositivo de obtención de imágenes, en función de dicha altitud y de dicha zona de interés;

- proyección en el campo de visión de una segmentación del campo de visión a partir de las elevaciones del terreno;

- a partir de esta segmentación del campo de visión y de la posición del objeto en este campo de visión, determinación del fondo de imágenes asociado al objeto que hay que clasificar;

- aplicación de las reglas de decisión (32) asociadas a este fondo.

Procedimiento de clasificación de objetos en un sistema de observación por imágenes

El campo de la invención es el de la clasificación de objetos en los sistemas de observación por imágenes.

El problema planteado en la presente solicitud es el de la discriminación entre diferentes objetos. La variedad de los objetos y de los fondos presentes en las escenas naturales tratadas es muy grande y es complicado discernir los objetos, más aún porque su distancia y eventualmente su velocidad radial cuando estos objetos son móviles no se conocen con las adquisiciones realizadas en imágenes pasivas. Por ejemplo, a larga distancia, los barcos pueden ser muy parecidos (velocidades radiales cercanas, movimiento casi rectilíneo uniforme, niveles de intensidad cercanos, etc.) a los aviones. Por otra parte, los objetos de interés se deben tratar potencialmente a gran distancia lo que augura bajas resoluciones y, por lo tanto, una información que no es necesariamente muy rica para tomar una decisión de clasificación. Además, las condiciones de la toma de imagen (condiciones meteorológicas, condiciones día/noche, reflejos, deslumbramiento,...) modifican la señal sobre estos objetos, complicando aun más la tarea de discriminación.

Las técnicas de clasificación funcionan representando los objetos mediante un conjunto de características (velocidad, SNR, intensidad, firmas de forma...). Estas definen uno o varios espacios de características multidimensionales en los que se proyectan las características extraídas de los objetos, formando de este modo unas "nubes de puntos" o clases de las que hay que encontrar las fronteras. Estas fronteras se "aprenden" basándose en un conjunto de objetos de referencia también llamado conjunto de aprendizaje, del que conocemos el tipo real (es decir que la naturaleza de las clases se conoce a priori y sin ambigüedad). Cuanto mejores son las características y cuanto más separadas están las nubes de puntos formadas por las diferentes clases de Interés, más discriminantes son las fronteras encontradas. Del mismo modo, cuanto más grande es la variedad de los objetos y más grande es el número de clases, más complicado es caracterizarlos bien y, por lo tanto, discriminarlos. Las reglas que permiten decidir la pertenencia o no de un objeto a una clase son el resultado del aprendizaje.

Se llama clasificador (o experto) a un programa informático cuya función es decidir a qué clase pertenece un nuevo objeto suministrado en la entrada, en función de la información aprendida. La clase de pertenencia se determina mediante la aplicación de las reglas de decisión (también llamadas base de conocimientos) todas las que se han aprendido previamente en los datos de aprendizaje.

La clasificación de un nuevo objeto supone, por lo tanto, que las reglas de decisión se han elaborado previamente.

En primer lugar, se considera la elaboración de esta base de conocimientos. Esta se basa en un conjunto de ejemplos conocidos llamados prototipos. Los prototipos se representan a menudo mediante unos vectores de características en los que cada componente es una medición hecha sobre los objetos reales o sobre uno de sus atributos cualitativos. Cada característica se convierte, por lo tanto, en un eje en un espacio cuya dimensión es igual a la multiplicidad del conjunto de las características. Un prototipo es un punto proyectado en este espacio y esta serie de mediciones, o el conjunto de las características de un prototipo, forma una representación del objeto real y constituye su firma. La dificultad aquí es encontrar "buenas" características que permiten que más adelante el clasificador reconozca fácilmente las diferentes clases de objetos: se dice entonces que estas son discriminantes.

La fase de aprendizaje consiste en escindir (o separar) el espacio de representación por medio de las fronteras y en asignar etiquetas de clase a las zonas así formadas. La elaboración de la base de conocimientos (o el aprendizaje de los clasificadores) consiste, por lo tanto, en buscar estas fronteras de decisión. La zona en la que se encuentra un vector de características determina su clase de pertenencia.

Existen varios métodos para definir un determinado número de reglas que Indican la pertenencia o no a una clase. Se pueden descomponer estos métodos en dos grandes familias, una que utiliza un enfoque denominado estructural y la otra un enfoque estadístico.

El enfoque estructural utiliza la topología de las estructuras elementales de los objetos (la forma se describe en forma de estructuras elementales y de relaciones entre estas estructuras) para definir estas reglas; por ejemplo, en reconocimiento sintáctico, una palabra se representa por unas letras ordenadas en un orden preciso. De este modo, forman parte de esta categoría de métodos los árboles de decisión, los sistemas expertos y los programas de análisis sintáctico.

Por lo general, no es posible construir una partición perfecta del espacio como se ilustra en el ejemplo de la figura 1. Las tres clases de objetos respectivamente etiquetadas "et1", "et2" y "et3", que están representadas por medio de dos características, velocidad e intensidad del objeto, están claramente delimitadas por las tres fronteras "fronteral", "frontera2" y "frontera3". Según un enfoque estadístico, las fronteras de decisión se aprenden a partir del conjunto (o base) de aprendizaje que se considera estadísticamente representativo de la distribución real de las clases; de ahí el Importante papel que desempeñan los objetos de referencia de esta base. Este enfoque se basa en unas características que tienen la forma de un vector de valores numéricos (por lo general reales).

La definición de estas reglas de pertenencia es el resultado, como se va a ver, de un cierto equilibrio.

Un objeto o una observación a clasificar (en una etapa posterior, cuando ya se haya establecido la base de conocimientos), se vuelve por lo tanto un punto en el espacio de las características. El conocimiento de la distribución espacial de las clases permite teóricamente categorizar y, por lo tanto, reconocer Instantáneamente los objetos así representados. Las fronteras que separan las clases en el espacio de las características, denominadas fronteras de decisión y que se derivan de estas reglas de pertenencia, deben por lo tanto ser el resultado de un cierto compromiso entre el poder de generalización y el de memorización. Por generalización, se entiende la capacidad de un clasificador para reconocer correctamente nuevas observaciones, mientras que la memorización es su capacidad para clasificar correctamente los ejemplos que le han servido como aprendizaje. El aprendizaje de los clasificadores estadísticos es, por lo tanto, una búsqueda de estas fronteras de decisión.

Existen varios tipos de características relativas a una descripción:

- local: se han propuesto numerosos algoritmos para desarrollar descriptores invariantes a los cambios de escala y a las transformaciones análogas;

- de forma: si la información radlométrlca es significativa, muchos objetos o clases de objetos se caracterizan por su forma. Si se toma, por ejemplo, la clase de los humanos, es imposible contentarse con la información sobre niveles de gris y es necesario describir la forma de las siluetas. Por ejemplo, se puede describir esta forma a partir de las derivadas espaciales 2D, de los contornos 2D o incluso de la forma 3D;

- de textura: la descripción de la textura se combina con unos algoritmos de clasificación no supervisada o de forma más general con unos algoritmos que describen las distribuciones de datos. Es entonces posible obtener una descripción de textura adecuada que es discriminante e invariante a las transformaciones de imagen. La utilización de una gran cantidad de Imágenes de aprendizaje permite establecer un modelo de texturas reales como, por ejemplo, la hierba y el follaje y, por lo tanto, establecer un modelo de determinados tipos de imágenes, como por ejemplo las escenas naturales de exterior.

Las características se basan, por lo general, en mediciones locales realizadas sobre el objeto que hay que reconocer. Los descriptores de textura o los métodos de tipo "bag of words" (J. Ponce, M. Hebert, C. Schmid y A. Zisserman (eds.), Toward Category-Level Object Recognition, Springer-Verlag, Lecture Notes in Computer Science, vol. 4.17, en prensa) permiten una cierta consideración del contexto, sin embargo estos enfoques son a menudo caros.

Habiéndose establecido las clases, sus etiquetas y las reglas de pertenencia a estas clases, se considera ahora la etapa de clasificación de un nuevo objeto en una de estas clases; se trata de un problema de clasificación multiclase. Un número elevado de clases hace que... [Seguir leyendo]

1. Procedimiento de clasificación de un objeto presente en una imagen obtenida por un sistema (1) de observación por imágenes que consta de un sensor, que comprende una etapa de extracción del objeto a clasificar en la imagen, caracterizado porque consta de una etapa de clasificación del objeto a partir de una base de conocimientos:

- constando dicha base de conocimientos de varias clases que constan cada una de un conjunto de objetos representados por una etiqueta y un conjunto de características entre las que están la información contextual de fondo de imágenes, resultantes de un tratamiento alimentado por un Modelo Digital del Terreno (2), denominado MDT, y

- que comprende unas reglas de decisión asociadas a estos fondos de imágenes, comprendiendo esta etapa de clasificación las siguientes subetapas:

- adquisición mediante unos medios (1) de posicionamiento del sistema, de la posición geográfica del sensor del dispositivo (1) de obtención de imágenes durante la adquisición de la imagen;

- alimentación del sistema de observación mediante el MDT, extracción en el MDT de una zona de interés asociada a esta posición;

- estimación de la altitud del sensor del dispositivo de obtención de imágenes durante la adquisición de la imagen, mediante unos medios de medición de altitud;

- determinación de las elevaciones del terreno en un sector compatible del campo de visión del dispositivo de obtención de imágenes, en función de dicha altitud y de dicha zona de interés;

- proyección en el campo de visión de una segmentación del campo de visión a partir de las elevaciones del terreno;

- a partir de esta segmentación del campo de visión y de la posición del objeto en este campo de visión, determinación del fondo de imágenes asociado al objeto que hay que clasificar;

- aplicación de las reglas de decisión (32) asociadas a este fondo.

2. Procedimiento de clasificación de un objeto según la reivindicación anterior, caracterizado porque se filtran las medidas de altitud.

3. Procedimiento de clasificación de un objeto según una de las reivindicaciones anteriores, caracterizado porque el MDT no suministra información para algunas posiciones del sensor, la etapa de extracción en el MDT de una zona de interés comprende una etapa previa para completar dicho MDT mediante altitudes nulas o valores mínimos o medios de zonas adyacentes asociadas a estas posiciones.

4. Procedimiento de clasificación de un objeto según una de las reivindicaciones anteriores, caracterizado porque la información de fondo corresponde a unas zonas fronterizas determinadas en función de errores predeterminados en el MDT y/o la posición del sensor y/o su altitud.

5. Sistema (1) de observación por imágenes que comprende un dispositivo (1) de obtención de imágenes provisto de un sensor, unos medios (1) de posicionamiento del dispositivo de obtención de imágenes, unos medios de almacenamiento en los que se almacenan los ficheros de un Modelo Digital del Terreno (2) y una unidad (3) de tratamiento que consta de unos medios (31, 32) de implementación del procedimiento de clasificación según las reivindicaciones anteriores.