Rozpoznawanie obiektów w obrazach RGB-D : wnioskowanie probablistyczne

• Autorzy: Kornuta T. , Katerżawa K. , Laszkowski M.

Warianty tytułu

EN

Recognition of objects in RGB-D images : probablistic inference

• Języki publikacji: PL

Abstrakty

PL

Dwuczęściowy artykuł poświęcony jest rozpoznawaniu obiektów w obrazach RGB-D na potrzeby robotyki usługowej. W pierwszej części omówiono modele obiektów oraz metodę ich generacji. W poniższej, drugiej części uwagę skupiono na rozpoznawaniu instalacji obiektów z wykorzystaniem cech ekstrahowanych z obrazów RGB-D oraz wnioskowania probabilistycznego. Przedstawiono ideę zastosowania sieci Bayesa, proces generacji jej struktury oraz metodę wyznaczania wag początkowych sieci na podstawie wczytanych modeli obiektów. Omówiono proces rozpoznawania instalacji polegających na generacji hipotez przez sieć Bayesa na podstawie dopasowań cech wyekstrahowanych z aktualnie analizowanego obrazu RGB-D do cech modeli. Przedstawiono wyniki weryfikujące poprawność działania systemu.

EN

The two-part article is devoted to the recognition of instances of objects in RGB-D images. The first part discusses the generation of object models. Current, second part focuses on utilization of probabilistic inference fo generation of lattice of hypotheses representing matching of the features observed in the image to features of stored object models. After a brief introduction to probabilistic inference, we present the general idea of system, discuss the method of generation of the Bayesian network and present the results of experiments that confirm the correct operation of the developed solution.

Słowa kluczowe

PL

percepcja obrazu; obraz RGB-D; wnioskowanie probabilistyczne; rozpoznawanie obiektu; robotyka

EN

image perception; RGB-D; probabilistic inference; object recognition; robotics

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2014
• Tom: z. 194, t. 1
• Strony: 287--296
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Kornuta T.

• Instytut Automatyki i Informatyki Stosowanej, Wydział Elektroniki i Technik Informacyjnych, Politechnika Warszawska, ul. Nowowiejska 15/19, 00-665 Warszawa

autor

Katerżawa K.

• Instytut Automatyki i Informatyki Stosowanej, Wydział Elektroniki i Technik Informacyjnych, Politechnika Warszawska, ul. Nowowiejska 15/19, 00-665 Warszawa

autor

Laszkowski M.

• Instytut Automatyki i Informatyki Stosowanej, Wydział Elektroniki i Technik Informacyjnych, Politechnika Warszawska, ul. Nowowiejska 15/19, 00-665 Warszawa

Bibliografia

• [1] G. Bradski, A. Kaehler. Learning OpenCV Computer Vision with the OpenCV Library. wydanie First, O'Reilly September, 2008.
• [2] M. J. Druzdzel. Smile: Structural modeling, inference, and learning engine and genie: a development environment for graphical decision-theoretic models. In: AAAI/IAAI. Proceedings, 1999, s. 902-903.
• [3] D. Koller, N. Friedman. Probabilistic graphical models: principles and techniques. MIT press 2009.
• [4] D. Koller et al. Graphical models in a nutshell. Introduction to statistical relational learning, 2007, s. 13-55.
• [5] T. Kornuta, M. Stefańczyk. DisCODe: komponentowa struktura ramowa do przetwarzania danych sensorycznych. Pomiary Automatyka Robotyka, 2012, wolumen 16, numer 7-8, s. 76-85.
• [6] K. P. Murphy. Dynamic bayesian networks: representation, inference and learning. Praca doktorska, University of California, 2002.
• [7] R. B. Rusu, S . Cousins. 3D is here: Point Cloud Library (PCL). In: International Conference on Robotics and Automation. Proceedings, Shanghai, China, 2011, 2011.
• [8] W. Traczyk. Inżynieria Wiedzy. Exit 2011, rozdział Wnioskowanie probabilistyczne, s. 131-152.