Object tracking using direct methods in RGB-D cameras

En esta tesis se presenta un análisis en profundidad de cómo se deben utilizar dos tipos de métodos directos, Lucas-Kanade e Inverse Compositional, en imágenes RGB-D y se analiza la capacidad y precisión de los mismos en una serie de experimentos sintéticos. Estos simulan imágenes RGB, imágenes de profundidad (D) e imágenes RGB-D para comprobar cómo se comportan en cada una de las combinaciones. Además, se analizan estos métodos sin ninguna técnica adicional que modifique el algoritmo original ni que lo apoye en su tarea de optimización tal y como sucede en la mayoría de los artículos encontrados en la literatura. Esto se hace con el fin de poder entender cuándo y por qué los métodos convergen o divergen para que así en el futuro cualquier interesado pueda aplicar los conocimientos adquiridos en esta tesis de forma práctica. Esta tesis debería ayudar al futuro interesado a decidir qué algoritmo conviene más en una determinada situación y debería también ayudarle a entender qué problemas le pueden dar estos algoritmos para poder poner el remedio más apropiado. Las técnicas adicionales que sirven de remedio para estos problemas quedan fuera de los contenidos que abarca esta tesis, sin embargo, sí se hace una revisión sobre ellas.---ABSTRACT---This thesis presents an in-depth analysis about how direct methods such as Lucas- Kanade and Inverse Compositional can be applied in RGB-D images. The capability and accuracy of these methods is also analyzed employing a series of synthetic experiments. These simulate the efects produced by RGB images, depth images and RGB-D images so that diferent combinations can be evaluated. Moreover, these methods are analyzed without using any additional technique that modifies the original algorithm or that aids the algorithm in its search for a global optima unlike most of the articles found in the literature. Our goal is to understand when and why do these methods converge or diverge so that in the future, the knowledge extracted from the results presented here can efectively help a potential implementer. After reading this thesis, the implementer should be able to decide which algorithm fits best for a particular task and should also know which are the problems that have to be addressed in each algorithm so that an appropriate correction is implemented using additional techniques. These additional techniques are outside the scope of this thesis, however, they are reviewed from the literature.

Background foreground segmentation with RGB-D Kinect data: An efficient combination of classifiers

Low cost RGB-D cameras such as the Microsoft’s Kinect or the Asus’s Xtion Pro are completely changing the computer vision world, as they are being successfully used in several applications and research areas. Depth data are particularly attractive and suitable for applications based on moving objects detection through foreground/background segmentation approaches; the RGB-D applications proposed in literature employ, in general, state of the art foreground/background segmentation techniques based on the depth information without taking into account the color information. The novel approach that we propose is based on a combination of classifiers that allows improving background subtraction accuracy with respect to state of the art algorithms by jointly considering color and depth data. In particular, the combination of classifiers is based on a weighted average that allows to adaptively modifying the support of each classifier in the ensemble by considering foreground detections in the previous frames and the depth and color edges. In this way, it is possible to reduce false detections due to critical issues that can not be tackled by the individual classifiers such as: shadows and illumination changes, color and depth camouflage, moved background objects and noisy depth measurements. Moreover, we propose, for the best of the author’s knowledge, the first publicly available RGB-D benchmark dataset with hand-labeled ground truth of several challenging scenarios to test background/foreground segmentation algorithms.

AVALIAÇÃO COMPARATIVA ENTRE AGRADABILIDADE FACIAL, PROPORÇÃO ÁUREA E PADRÃO FACIAL

O propósito desta pesquisa foi estudar algumas análises faciais utilizadas para diagnóstico ortodôntico e verificar a concordância entre norma lateral e frontal na avaliação da agradabilidade facial para os grupos leigos e profissionais, a concordância entre estes grupos na avaliação da agradabilidade facial nas normas lateral e frontal, bem como verificar a associação entre agradabilidade facial e Proporção Áurea, agradabilidade facial e Padrão Facial e entre Padrão Facial e Proporção Áurea. Utilizou-se 208 fotografias faciais padronizadas (104 laterais e 104 frontais) de 104 indivíduos escolhidos aleatoriamente, que primeiramente foram classificadas em agradável , aceitável e desagradável por dois grupos distintos: grupo Ortodontia e grupo Leigos . As fotografias laterais e frontais foram submetidas a medidas de Proporção Áurea Facial por meio de programa computadorizado e os indivíduos foram classificados quanto ao Padrão Facial pelo seu aspecto lateral. Após análise estatística, verificou-se que não houve concordância entre as variáveis da avaliação de agradabilidade estudadas, bem como não houve associação entre Proporção Áurea com agradabilidade facial ou com Padrão Facial. Entre agradabilidade facial e Padrão Facial, observou-se para a norma lateral associação fortemente positiva, porém para a frontal não houve associação para ambos os grupos de avaliadores.

AVALIAÇÃO COMPARATIVA ENTRE AGRADABILIDADE FACIAL, PROPORÇÃO ÁUREA E PADRÃO FACIAL

O propósito desta pesquisa foi estudar algumas análises faciais utilizadas para diagnóstico ortodôntico e verificar a concordância entre norma lateral e frontal na avaliação da agradabilidade facial para os grupos leigos e profissionais, a concordância entre estes grupos na avaliação da agradabilidade facial nas normas lateral e frontal, bem como verificar a associação entre agradabilidade facial e Proporção Áurea, agradabilidade facial e Padrão Facial e entre Padrão Facial e Proporção Áurea. Utilizou-se 208 fotografias faciais padronizadas (104 laterais e 104 frontais) de 104 indivíduos escolhidos aleatoriamente, que primeiramente foram classificadas em agradável , aceitável e desagradável por dois grupos distintos: grupo Ortodontia e grupo Leigos . As fotografias laterais e frontais foram submetidas a medidas de Proporção Áurea Facial por meio de programa computadorizado e os indivíduos foram classificados quanto ao Padrão Facial pelo seu aspecto lateral. Após análise estatística, verificou-se que não houve concordância entre as variáveis da avaliação de agradabilidade estudadas, bem como não houve associação entre Proporção Áurea com agradabilidade facial ou com Padrão Facial. Entre agradabilidade facial e Padrão Facial, observou-se para a norma lateral associação fortemente positiva, porém para a frontal não houve associação para ambos os grupos de avaliadores.