Detección de objetos peligrosos en radiografías utilizando

múltiples vistas

5 / Septiembre / 2014Marco Antonio Arias Figueroa

Profesor Supervisor: Domingo Mery

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

Motivación

Seguridad en Aeropuertos

Revisión de equipaje

Rayos X

Problema

Problemas generales

• La revisión de equipajes actualmente se realiza manualmente

• Durante las horas punta, el porcentaje de acierto de los operadores baja a un 90% o incluso 80%

• El estrés de los trabajadores influye directamente en los resultados de la revisión de equipaje

• ¿Por qué no aprovechar la tecnología para resolver este tipo de problemas?

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

Visión por Computador e Inteligencia de Máquina

• Visión por Computador– SIFT, líneas epipolares, múltiples vistas, etc.

• Descriptores– LBP, Escala de grises, FFT, etc.

• Clasificadores– SVM, Random Forest, etc.

LBP

SIFT

SIFT: Matching de imágenes

K-Means

Vocabulario Visual

Diccionarios Visuales

• Se realiza clustering a los descriptores encontrados

• Se buscan representantes

• Se aproximan todos los descriptores al representante más cercano

Sparse Representation

• Comparación de la representación obtenida con respecto a la real:

• Residuo de reconstrucción:

SR en detección de caras

• ~ 97-99% aciertos

• ~ 40 % aciertos

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

¿Es posible automatizar el proceso de detección de objetos peligrosos en

aeropuertos, con el fin de evitar errores que pueden llevar a consecuencias

fatales?

• Más técnicamente:

¿Es posible utilizar algoritmos de visión por computador e inteligencia de máquina para crear

un sistema autónomo de detección de objetos peligrosos?

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

Solución propuesta(Training)

SIFT + Matching

DescriptoresLBP

Doble k-means

Diccionario con los clusters padres e

hijos

Diccionario de palabras visuales

Solución propuesta(Testing)

Diccionario

Patch Elección de representantes

Sparse Representation

Clasificación por mayoría de

votos

¿Por qué SR y Diccionarios?

• Se logra una buena representación de los objetos

• Robusto ante oclusión

• Algoritmo SR ya implementado y relativamente sencillo de manejar

Diccionario previoSet de

entrenamiento

Diccionario con todas las

clases

Obtención de Patches

Obtención de patches

representativosDescriptor

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

Limitaciones

• Se requieren directamente las imágenes de las vistas.– No es posible reconocer el área de interés

previamente

• No existe mucho estudio de reconocimiento de objetos en rayos X

• El tiempo de entrenamiento es muy largo (~1 día para un set mediano de imágenes)

Contenido

1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación

Set de entrenamiento

• 4 objetos:– Clips– Resortes– Hojas de afeitar– Otros

• 4-8 vistas c/u

Set de entrenamiento

Resultados preliminares

• LBP: ~ 60 % éxito

• SIFT: en proceso • Mucho tiempo de cómputo ( ~ 1 día)

SR en objetos

Bien

Mal

Trabajo Futuro

• Agregar al código el match de los SIFT

• Implementar el código del doble diccionario y ver resultados– Si el resultado no mejora, buscar otra ayuda a

mejorar la detección de la posición

MUCHAS GRACIAS!!