7.2: Características

Última actualización
Guardar como PDF

Page ID: 84974

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Las líneas son características particularmente útiles para la localización y pueden corresponder a paredes en escaneos láser, marcadores en el piso o esquinas detectadas en una imagen de cámara. Mientras que un filtro Sobel (Sección 6.3.1) puede ayudarnos a resaltar líneas y bordes en imágenes, se necesitan algoritmos adicionales para extraer información estructurada como la orientación y posición de una línea con respecto al robot.

Una propiedad deseable de una característica es que su extracción es repetible y robusta a la rotación, la escala y el ruido en los datos. Necesitamos detectores de características que puedan extraer la misma característica de los datos del sensor, incluso si el robot ha girado ligeramente o se ha movido más o más cerca de la característica. Hay muchos detectores de características disponibles que logran esto, ejemplos destacados son el detector de esquina Harris (esencialmente detectando puntos en la imagen donde se cruzan líneas verticales y horizontales) y el detector de características SIFT. La detección de características es importante mucho más allá de la robótica y, por ejemplo, se usa en cámaras portátiles que pueden unir imágenes automáticamente. Aquí, los detectores de características “dispararán” sobre las mismas características en dos imágenes tomadas desde perspectivas ligeramente diferentes, lo que permite a la cámara calcular la transformación entre las dos.

Este capítulo se centra en dos clases importantes de entidades: entidades de línea y entidades invariantes de escala en imágenes (SIFT). Ambas características proporcionan un ejemplo tangible para los algoritmos de mínimos cuadrados y RANSAC, que también se introducen en este capítulo. Ambas características son representativas para una gran clase de detectores, y han sido elegidas por su simplicidad, proporcionando una base para estar de pie la función de detectores de características más complejos.