|
|
 |
|
VISIÓN ARTIFICIAL
Profesorado
| Coordinador: M. Rincón Zamorano (Dpto. Inteligencia Artificial, UNED) |
| Profesores: |
| M. Bachiller Mayoral (Dpto. inteligencia Artificial, UNED) |
|
|
|
|
Ficha técnica:
| Tipo | Optativa |
|
| Cuatrimestre | Primero |
| Créditos/horas totales | 6/150 |
| Horas de estudio teórico | 50 |
| Horas de prácticas | 50 |
| Horas complementarias | 50 |
DESCRIPCIÓN DE LA ASIGNATURA
Prerrequisitos recomendables
Ninguno diferente de los generales de acceso a este programa de postgrado
orientado a la investigación. Sin embargo, dado el carácter práctico
de la asignatura, es conveniente que el alumno esté familiarizado
con la terminología usada en procesado digital de imágenes y tenga
conocimientos de aspectos de la IA relacionados con la representación
y uso del conocimiento y con el aprendizaje.
Objetivos generales de la materia
La Visión Artificial es una disciplina de creciente interés en el
ámbito científico-técnico, en áreas tan diversas como el análisis
de imágenes médicas, robótica, teledetección o control de calidad.
Su objetivo fundamental, planteado un problema, es la extracción automatizada
de información significativa a partir de imágenes digitales. Por esto,
forma parte de una de las líneas de especialización dentro de este
programa.
Para extraer esta información, los modelos dominantes en visión artificial
suponen la transformación de los datos sensoriales en descripciones
significativas de la escena mediante la utilización de etapas lógicas,
que emplean progresivamente representaciones más y más abstractas
de la imagen original. Para cada una de estas etapas se señala el
conocimiento específico que es preciso inyectar, así como los modelos
matemáticos y algoritmos adecuados para su representación y uso. Se
hará especial énfasis en las etapas de alto nivel, donde la IA aplicada
puede realizar sus mayores aportaciones.
Destrezas y competencias
- Familiarizarse con la terminología básica utilizada en visión.
- Conocer las dificultades que entraña la visión artificial.
- Conocer las etapas de procesado en que se suele descomponer un sistema
de visión artificial.
- Distinguir los distintos niveles de descripción con creciente grado
de semántica que nos encontramos a lo largo del proceso de interpretación
de una imagen o escena.
- Familiarizarse con las estructuras de datos utilizadas y con las
librerías software existentes.
Contextualización de la materia en el conjunto del Master
Esta asignatura se encuadra en el módulo "Aplicaciones de
la IA" dentro de la especialidad "IA.1: Sistemas
Inteligentes de diagnóstico, planificación y control" de
la titulación de posgrado "Master de IA Avanzada. Fundamentos
Métodos y Aplicaciones". El contenido del curso se estructura
entorno a la idea de construir sistemas de visión completos. Además
de definir la terminología utilizada habitualmente en un sistema de
visión artificial, se mostrará al alumno la envergadura del problema,
recalcando: 1) la necesidad descomponer la tarea en diferentes subtareas
y en distintos niveles de descripción o representación con grado creciente
de semántica; 2) la necesidad de inyectar conocimiento en cada una
de las etapas de procesado para poder llegar a una solución sin incertidumbre
del problema planteado. Finalmente, para cada una de las subtareas
descritas, se presentarán métodos de IA que se utilizan en su resolución.
1 Medios de estudio
1.1 Metodología docente
Adaptada a las directrices del EEES, de acuerdo con el documento del
IUED. La metodología docente será la general del programa de postgrado,
junto a actividades y enlaces con fuentes de información externas.
Existe material didáctico propio preparado por el equipo docente.
La asignatura no tiene clases presenciales. Los contenidos teóricos
se impartirán a distancia, de acuerdo con las normas y estructuras
soporte telemático de la enseñanza en la UNED. El material docente
incluye un resumen de los contenidos de cada tema y distintos tipos
de actividades relacionadas con la consulta bibliográfica y la implementación
de los métodos descritos en la teoría.
Tratándose de un master orientado a la investigación, las actividades
de aprendizaje se estructuran en torno al estado del arte en cada
una de las materias del curso y a los problemas en los que se va a
focalizar en el proyecto final, sobre el que se realizará la evaluación.
1.2 Material de estudio
Bibliografía Básica
Se proporcionará material didáctico introductorio de cada tema, que
se complementará con lecturas recomendadas.
Software recomendado.
Una parte importante de las actividades del curso está asociada al
desarrollo de prácticas de análisis y/o de implementación de operadores
de visión artificial.
Se utilizará, preferentemente, la librería de uso libre OpenCV:
http://www.intel.com/technology/computing/opencv/index.htm.
1.3 Materiales y recursos de apoyo
La plataforma de e-Learning Alf, proporcionará el adecuado interfaz
de interacción entre el alumno y sus profesores. aLF es una plataforma
de e-Learning y colaboración que permite impartir y recibir formación,
gestionar y compartir documentos, crear y participar en comunidades
temáticas, así como realizar proyectos online.
Se ofrecerán las herramientas necesarias para que, tanto el equipo
docente como el alumnado, encuentren la manera de compaginar tanto
el trabajo individual como el aprendizaje cooperativo.
1.4 Bibliografia general de consulta
- J. González: "Visión por computador". Paraninfo,
1999.
- A. De la Escalera: "Visión por computador. Fundamentos
y métodos". Prentice Hall, 2001.
- M. Sonka, V. Hlavac y R. Boyle: "Imagen Processing, Analysis
and Machine Vision". Chapman & Hall Computing, 1993.
- G. Pajares y J. M. de la cruz: " Visión por computador.
Imágenes digitales y aplicaciones". Ra-Ma, 2001.
- Blake, A. and Isard, M.: "Active Contours". Springer,
2000.
- T. Zhao and R. Nevatia. "Tracking Multiple Humans in Complex
Situations", IEEE trans. on Pattern Analysis and Machine
Intelligence, 26(9), 1208-1221, 2004
- Richard O. Duda, Peter E. Hart y David G. Stork: " Pattern
Classification". John Wiley & Sons. 2001.
- H.H.Nagel. "Steps toward a cognitive vision system".
AI Magazine 25 (2), pp. 31-50. 2004
- R. Nevatia, J. Hobbs and B. Bolles, "An Ontology for Video
Event Representation", IEEE Workshop on Event Detection and
Recognition, June 2004
- Hongeng, S. and Nevatia, R. and Bremond, F. " Video-based
event recognition: activity representation and probabilistic recognition
methods". Computer Vision and Image Understanding, pags.129-162,
2004.
- I. Haritaoglu, D. Harwood, and L.S. Davis, "W4: Real-time
Surveillance of People and Their Activities," PAMI, 22(8),
pp. 809-830, Aug. 2000.
- Green, R.D. Ling Guan. Quantifying and recognizing human movement
patterns from monocular video Images-part I: a new framework for modeling
human motion. IEEE Transactions on Circuits and Systems for Video
Technology. pgs 179- 190. 14( 2). 2004.
- Green, R.D. Ling Guan. Quantifying and recognizing human movement
patterns from monocular video Images-part II: applications to biometrics.
IEEE Transactions on Circuits and Systems for Video Technology. pgs
191- 198. 14( 2). 2004.
- Wang, L., Hu, W., Tan, T. Recent developments in human motion analysis.
Pattern Recognition. 36(3), pp. 585-601, March 2003.
1.5 Tutorización
La tutorización de los alumnos se llevará a cabo a través de la plataforma
de e-Learning Alf o por cualquier otro medio de contacto (e-mail,
teléfono, etc)
2 Estructura del curso
2.1 Estructura y contenido teórico
Tema 1. Introducción a la visión artificial
Tema 2. Visión de bajo nivel
Tema 3. Visión de medio nivel
Tema 4. Visión de alto nivel
2.2 Objetivos por tema y orientaciones breves
Tema 1: Introducción a la visión artificial.
1.1. Introducción
1.2. Terminología
1.3. Etapas del procesado
1.4. Niveles de descripción
1.5. Introducción histórica
Objetivo:
Este primer tema es de carácter introductorio, sin embargo, resulta
fundamental para entender el conjunto de la asignatura. Además de
definir la terminología utilizada habitualmente en un sistema de visión
artificial, se mostrará al alumno la envergadura del problema, recalcando:
1) la necesidad descomponer la tarea en diferentes subtareas y en
distintos niveles de descripción o representación con grado creciente
de semántica; 2) la necesidad de inyectar conocimiento en cada una
de las etapas de procesado para poder llegar a una solución sin incertidumbre
del problema planteado.
Este objetivo global puede descomponerse en los siguientes objetivos
más concretos:
- Conocer las dificultades que entraña la visión artificial.
- Familiarizarse con la terminología básica utilizada en visión.
- Conocer las etapas de procesado en que se suele descomponer un sistema
de visión artificial.
- Distinguir los distintos niveles de descripción con creciente grado
de semántica que nos - encontramos a lo largo del proceso de interpretación
de una imagen o escena.
- Familiarizarse con las estructuras de datos utilizadas y con las
librerías software existentes.
Orientaciones:
El material docente desarrolla l
os conceptos fundamentales del capítulo.
Posteriormente, el alumno realizará distintas actividades de consulta
bibliográfica y de práctica sobre diversos ejemplos para la consolidación
de los conceptos objetivo.
Tema 2: Visión de bajo nivel.
2. Visión de bajo nivel: Preprocesado
2.1. Introducción
2.2. Filtrado de imágenes digitales: Eliminación del ruido y Realce
de características
2.3. Detectores de bordes
2.4. Transformaciones basadas en las intensidades del nivel de gris
2.5. Flujo óptico y campo de flujo óptico
3. Visión de bajo nivel: Segmentación
3.1. Introducción
3.2. Segmentación basada en la detección de fronteras
3.3. Segmentación basada en la umbralización
3.4. Segmentación basada en la agrupación de píxeles
3.5. Segmentación basada en el movimiento
Objetivo:
La visión de bajo nivel comprende las transformaciones realizadas
sobre la imagen captada con el objetivo de reducir el ruido y aumentar
la información contenida en los datos. Los procesos de bajo nivel
son guiados por los propios datos, es decir, sin conocimiento del
dominio de aplicación.
El contenido se organiza en dos capítulos, uno dedicado al preprocesado
de la imagen y otro dedicado a la segmentación. El preprocesado engloba
el conjunto de tareas dedicadas a eliminar el ruido presente en la
imagen y a realzar aquellas características de interés con el fin
de mejorar la imagen captada por el sensor y así facilitar el procesamiento
posterior. La segmentación tiene por objetivo descomponer la imagen
en distintas zonas con alguna característica visual común.
Este objetivo global puede descomponerse en los siguientes objetivos
más concretos:
- Conocer las técnicas básicas de visión de bajo nivel y sus características:
descripción del algoritmo, coste computacional, suposiciones e influencia
en etapas posteriores.
- Relacionar estas técnicas con el resto de etapas de un sistema de
visión.
- Capacitar al alumno para implementar estas técnicas e integrarlas
en aplicaciones de visión.
Orientaciones:
El material docente desarrolla los conceptos fundamentales del capítulo.
Posteriormente, el alumno realizará distintas actividades de consulta
bibliográfica y de práctica sobre diversos ejemplos para la consolidación
de los conceptos objetivo.
Tema 3: Visión de medio nivel.
2. Visión de bajo nivel: Preprocesado
2.1. Introducción
2.2. Filtrado de imágenes digitales: Eliminación del ruido y Realce
de características
2.3. Detectores de bordes
2.4. Transformaciones basadas en las intensidades del nivel de gris
2.5. Flujo óptico y campo de flujo óptico
3. Visión de bajo nivel: Segmentación
3.1. Introducción
3.2. Segmentación basada en la detección de fronteras
3.3. Segmentación basada en la umbralización
3.4. Segmentación basada en la agrupación de píxeles
3.5. Segmentación basada en el movimiento
Objetivo:
Normalmente, la informacion obtenida en la etapa de preprocesado contiene
mucho ruido, de modo que existen gran cantidad de bordes y/o regiones
en la imagen que no corresponden a superficies de los objetos de interés,
mientras que otras superficies, que sí son significativas, no quedan
bien definidas. Por este motivo, se han desarrollado métodos que tratan
de segmentar la imagen en blobs con mayor significado semántico, esto
es, que estén relacionados con las superficies de los objetos existentes
en la imagen. La entrada a estos métodos serán los elementos primitivos
obtenidos en la etapa anterior y la salida serán los blobs asociados
a las superficies o los contornos de los objetos.
Por tanto, podríamos decir que la visión de medio nivel se caracteriza
por la inyección de conocimiento geométrico genérico. En el capítulo
4, se describirán distintas técnicas de segmentación que utilizan
cierto conocimiento de las estructuras esperadas para controlar el
proceso de selección de los elementos primitivos de bajo nivel que
intervienen en la definición de contornos y superficies de los objetos.
Otros temas que encajan dentro de esta categoría, como recuperación
de la forma a partir de la textura, del movimiento, de la sombra,
de par estéreo, se dejan fuera de esta introducción a la visión artificial
por motivos de espacio.
Este objetivo global puede descomponerse en los siguientes objetivos
más concretos:
- Conocer las técnicas básicas de visión de medio nivel y sus características:
descripción del algoritmo, coste computacional, suposiciones e influencia
en etapas posteriores.
- Identificar el conocimiento utilizado en el desarrollo de la tarea.
Relacionar las técnicas de segmentación con el resto de etapas de
un sistema de visión.
- Capacitar al alumno para implementar estas técnicas e integrarlas
en aplicaciones de visión.
Orientaciones:
El material docente desarrolla los conceptos fundamentales del capítulo.
Posteriormente, el alumno realizará distintas actividades de consulta
bibliográfica y de práctica sobre diversos ejemplos para la consolidación
de los conceptos objetivo.
Tema 4: Visión de alto nivel.
6. Visión de alto nivel: Modelado de objetos
6.1. Introducción
6.2. Representación de estructuras geométricas bidimensionales
6.3. Representación de estructuras geométricas tridimensionales
6.4. Representación en un espacio de características discriminantes
7. Visión de alto nivel: Reconocimiento
7.1 Reconocimiento de patrones
7.2 Métodos estadísticos
7.3 Métodos estructurales y sintácticos
7.4 Métodos basados en la apariencia
7.5 Reconocimiento de actividades
7.6 Aplicaciones
8. Visión de alto nivel: Interpretación de imágenes
8.1 Arquitecturas básicas
8.3 Ontología de la tarea
8.4 Modelado del dominio
8.6 Aplicaciones
Objetivo:
El objetivo final del sistema de visión es la descripción de la escena
orientada a la tarea. Esta descripción consiste, desde la simple identificación
o el reconocimiento de los objetos de interés, hasta la determinación
de las actividades que están llevando a cabo un objeto o un conjunto
de objetos.
La descripción orientada a la tarea es una descripción abstracta ("el
hombre, llamado Pepe, está sentado y comiendo palomitas").
Para llegar a esta descripción a partir de características de la imagen,
es necesario reconocer los objetos de interés ("que es un
hombre", "que es Pepe", "que está
sentado", "que hay palomitas", "que
está comiendo", etc). Todos estos objetos pertenecen al dominio
de aplicación y, para reconocerlos, es necesario primero modelarlos
y, posteriormente, establecer la correspondencia entre el modelo y
los datos procedentes de la imagen.
Además, debido a la incertidumbre asociada a las distintas etapas
del sistema de visión, salvo en situaciones muy simples, en las que
se puede utilizar una estrategia de control guiada por los datos,
es necesario incluir conocimiento del dominio en la estrategia de
control del sistema de visión para guiar los procesos de bajo y medio
nivel, de modo que se facilite el reconocimiento de los objetos de
interés y esto haga posible la descripción coherente de la escena.
En resumen, la visión de alto nivel se caracteriza por el uso intenso
de conocimiento del dominio e implica procesos de razonamiento abstractos
y planificación de operaciones orientadas a cumplir el objetivo final:
la descripción de la escena orientada a la tarea.
La organización del tema es la siguiente. En el capítulo 6, se estudiará
el modelado de los objetos, en concreto, la representación de la forma.
En el capítulo 7, se estudiarán las técnicas de reconocimiento de
patrones como método de reconocimiento de objetos y de actividades
y se distinguirán las fases de diseño (aprendizaje) y de operación
(clasificación). Finalmente, en el capítulo 8, se estudiarán las arquitecturas
de control de los sistemas de interpretación de imágenes y se analizarán
nuevos enfoques desde la perspectiva de la ingeniería del conocimiento.
Este objetivo global puede descomponerse en los siguientes objetivos
más concretos:
- Conocer la problemática de la visión de alto nivel.
- Conocer y manejar las arquitecturas utilizadas en interpretación
de imágenes.
- Analizar un problema de visión artificial, representar el conocimiento
del dominio necesario y definir una arquitectura de visión que resuelva
el problema.
Orientaciones:
El material docente desarrolla los conceptos fundamentales del capítulo.
Posteriormente, el alumno realizará distintas actividades de consulta
bibliográfica y de práctica sobre diversos ejemplos para la consolidación
de los conceptos objetivo.
3 Actividades y plan de trabajo
3.1 Actividades prácticas programadas
Cada tema contiene una serie de actividades prácticas para la consolidación
de los conceptos fundamentales.
3.2 Otras actividades prácticas programadas
Se irán generando de forma dinámica en el curso virtual.
3.3 Plan de trabajo
Esta asignatura tiene asociados 6 créditos ECTS, equivalentes a 150
horas estimadas de trabajo del estudiante. La materia consta de 4
temas, con un reparto aproximado de un crédito por tema, excepto el
tema 4 que tiene 2 créditos. La distribución entre teoría y prácticas
es del orden de 50 horas de teoría y 50 de prácticas, quedando 50
horas adicionales de trabajo personal y/o en grupo y de otras actividades.
En particular, para la preparación del proyecto por el que será evaluado
en esta asignatura.
| Semana | Actividad | H. estudio | H. Prácticas | H. Otras actividades |
|
| 1. Introducción | 10 | 5 | 2 |
| 2. Bajo Nivel | 10 | 12 | 2 |
| 3. Medio Nivel | 10 | 8 | 2 |
| 4. Alto Nivel | 20 | 25 | 4 |
| 5. Trabajo Práctico | - | - | 40 |
4 Evaluación
La evaluación global de la asignatura se hará mediante un trabajo
individual y personal del alumno según las especificaciones completas
que se incluyen en el Apéndice A de esta guía docente.
Al principio del curso, se describirá la línea de los trabajos para
que los alumnos orienten sus actividades en esa dirección. Sin embargo,
el trabajo definitivo se asignará una vez que el alumno haya estudiado
el temario, ya que, entonces, el alumno tendrá una idea aceptable
del problema de la visión artificial y podrá elegir, con mejor criterio
y con la ayuda del equipo docente, la tarea objetivo de este trabajo
final.
Reseña del profesorado
Bachiller Mayoral, Margarita:
Desde hace años viene compaginando su actividad docente e investigadora
con distintos proyectos relacionados con temas de visión artificial:
Modelado Geométrico, Control visual de robots e Interpretación de
imágenes. Actualmente desarrolla su investigación dentro del proyecto
AVISA, que trata de la vigilancia en distintos escenarios mediante
visión artificial. En su página personal existe una versión extendida
del currículum de la profesora.
e.mail: marga@dia.uned.es
Web personal:http://www.ia.uned.es/mbachiller/
Rincón Zamorano, Mariano:
Desde hace años viene compaginando su actividad docente e investigadora
con distintos proyectos relacionados con temas de visión artificial:
Modelado e Interpretación de imágenes y video, seguimiento y reconocimiento
de humanos, reconocimiento de eventos, arquitecturas de interpretación
de imágenes, etc. Actualmente desarrolla su investigación dentro del
proyecto AVISA, que trata de la vigilancia en distintos escenarios
mediante visión artificial. En su página personal existe una versión
extendida del currículum del profesor.
e.mail: mrincon@dia.uned.es
Web personal:http://www.ia.uned.es/mrincon/
| |
|
|
