datos de los sensores con los
modelos preconstruidos. La
Resumen - La simetra es una
caracterstica visual saliente de muchos
objetos artificiales. Este artculo describe
la investigacin sobre la deteccin y
segmentacin de objetos reflectantes
simtricos en imgenes digitales, sin el
uso de modelos de objetos a priori. El
mtodo de deteccin no asume un color o
textura de objeto uniforme y no se basa
en modelos pre-construidos tales como
primitivas geomtricas 3D. Se ha
desarrollado un nuevo algoritmo de
deteccin para encontrar lneas de
simetra re fl exionaria en imgenes. Este
algoritmo de deteccin puede funcionar a
10 fotogramas por segundo en imgenes
de 640 x 480 pxeles. Utilizando la simetra
detectada, los objetos se segmentan con
un enfoque de programacin dinmica.
Ambos algoritmos han sido extendidos
para acomodar la simetra de inclinacin.
Introduccion:
Hay muchas definiciones para la
segmentacin de objetos en la
rea de Robtica y Visin por
Computador. Para las imgenes
digitales, se puede ver como una
versin inteligente de la
segmentacin de imgenes. Una
revisin de las tcnicas de
segmentacin de imgenes se
puede encontrar en [1]. Al
incorporar un conocimiento de alto
nivel, las secciones de una imagen
correspondiente a un objeto 3D en
el mundo real se identifican y se
separan del fondo. Haciendo esto,
un robot puede obtener informacin
semntica til sobre el medio
ambiente. Para los robots
domsticos, la capacidad de
segmentar de forma rpida y
robusta los objetos fabricados por el
hombre en el hogar es altamente
deseable. Por ejemplo, un robot
diseado para limpiar y ordenar los
escritorios tendr que localizar y
segmentar objetos comunes tales
como tazas, cuencos y libros.
Las metodologas de segmentacin
de objetos difieren en sus
supuestos, as como en su nivel de
conocimiento previo. Cuando los
modelos de objetos estn
disponibles antes de la
segmentacin, se puede
argumentar que el sistema est de
hecho realizando el reconocimiento
de objetos, haciendo coincidir los
Generated Hough Transform [2] es
un ejemplo de un enfoque de
segmentacin basado en modelos.
Se requiere un modelo predefinido
parametrizado de una forma 2D,
esencialmente un modelo de objeto,
antes de que se pueda aplicar la
transformacin.
En muchas situaciones, la
informacin del objeto a priori, como
la forma y el color, puede no estar
disponible. La generacin de
modelos de objetos detallados
puede ser costosa y en muchos
casos, no totalmente automatizada.
Por lo tanto, un robot que puede
segmentar objetos sin utilizar un
modelo complicado es mucho
deseado, especialmente para su uso
en entornos domsticos. Volviendo
al ejemplo del robot de limpieza de
escritorio, en el caso de encontrar
una taza sin su modelo, la solucin
ideal sera hacer que el robot
genere sus propios datos de
aprendizaje interactuando
fsicamente con la taza. Para ello, el
robot debe empezar por utilizar un
enfoque sin modelo para la
segmentacin de objetos. La
capacidad de detectar y segmentar
objetos rpidamente, idealmente en
tiempo real, tambin beneficiar en
gran medida la capacidad de
respuesta y robustez del robot a
entornos cambiantes.
La segmentacin de imgenes
basadas en colores y basados en
intensidad es un mtodo
comnmente utilizado sin modelos
para encontrar objetos en
imgenes. Las investigaciones
recientes generalmente se centran
en imgenes en color, en lugar de
imgenes de escala de gris de un
solo canal. Hay una amplia variedad
de tcnicas disponibles [3]. El color
ha demostrado ser til en la
segmentacin de una variedad de
entidades. Los filtros de color de la
piel se usan ampliamente en
aplicaciones de reconocimiento
facial y seguimiento humano. Sin
embargo, muchos objetos del hogar
hechos por el hombre son
multicolores, consistentes en
segmentos de color contrastantes.

Por ejemplo, la copa mostrada en la
figura 6 es muy difcil de segmentar
en su totalidad usando solo color.
La simetra reflexiva es un rasgo
comn en muchos objetos artificiales.
Un nmero sorprendentemente
grande de objetos alrededor de
ambientes domsticos tienen fuertes
lneas de simetra. Usando la lnea de
simetra de un objeto como su
modelo, la suposicin de color
consistente ya no es necesaria.
Adems, la forma exacta del contorno
de un objeto no es necesaria antes de
la segmentacin. El trabajo aqu
presentado utiliza simetra re- fl
exionaria para detectar y segmentar
objetos en imgenes digitales 2D.
Este artculo se divide en dos
secciones principales. La primera
seccin describe una mejor
implementacin de nuestro algoritmo
de deteccin de simetra rpida [4].
Se han hecho modificaciones
sustanciales al algoritmo original para
mejorar an ms la eficiencia
computacional. Este algoritmo de
deteccin de simetra tambin se ha
utilizado con xito en un tiempo real,
modelfree, objeto de seguimiento del
sistema [5]. La segunda seccin del
artculo se centrar en la
segmentacin de objetos simtricos.
Una breve revisin de la literatura
pertinente y la informacin de
antecedentes se puede encontrar al
principio de cada seccin.
A. Trabajo similar
La Transformada de Simetra
Generalizada [6] puede detectar la
simetra bilateral a diferentes escalas.
Funciona en todos los posibles pares
de pxeles en la imagen de entrada, y
por lo tanto tiene una complejidad
computacional de O (n2), donde n es
el nmero total de pxeles en la
imagen de entrada. La transformacin
no se adapta fcilmente a la deteccin
de simetra de inclinacin.
El detector de simetra de Yip utiliza
pares de puntos intermedios, cada
uno generado a partir de dos pares de
pxeles de borde. El algoritmo tiene
una complejidad de O (n4edge),
donde nedge es el nmero de pxeles
de borde. Ogawa sugiri el uso de
Hough transformar en segmentos de
borde para encontrar lneas de
simetra reflexiva [8]. Otros enfoques
incluyen el uso de cintas [9] y mejoras
de la transformacin de simetra
generalizada. Mientras que la simetra
radial se ha utilizado en aplicaciones
de tiempo real [10], los detectores de
simetra re fl exionarios se utilizan
generalmente en aplicaciones de
procesamiento de la hoja, debido a su
alto costo computacional.
B. Descripcin del Algoritmo
Nuestro enfoque realiza la deteccin
de simetra en los pxeles del borde de
una imagen. En nuestros
experimentos, encontramos que una
imagen de un milln de pxeles
produce una imagen de borde con
aproximadamente 10000 pxeles de
borde. Por supuesto, este nmero
depender de la complejidad visual de
la escena y de las caractersticas del
filtro de borde. Aparte de reducir el
tamao de los datos, la deteccin de
simetra tambin puede beneficiarse
de las propiedades de rechazo de
ruido, de enlace de bordes y de
retencin de borde dbil de los filtros
de borde. El filtro de canto Canny se
us para generar las imgenes de
borde presentadas en este trabajo.
Se usa una parametrizacin polar para
las lneas de simetra, como se
muestra en la Figura 1. Las lneas de
simetra estn representadas por su
ngulo y distancia con respecto al
centro de la imagen. Los pxeles de
borde se agrupan en pares y cada par
vota por una sola lnea de simetra en
el espacio de parmetros. A diferencia
de Hough Transform tradicional [11],
que requiere mltiples votos por pxel
de borde, nuestro enfoque slo
requiere un solo voto por cada pxel
de borde. Este esquema de votacin
convergente es similar a la utilizada
en Randomized Hough Transform [12].
Para cada ngulo de Hough index,
los pxeles de borde son girados
alrededor del centro de la imagen por
un ngulo correspondiente . Los
pxeles de borde girados son entonces
cuantificados en una matriz 2D Rot.
Los pxeles de borde se cuantifican en
funcin de su lnea de exploracin
despus de la rotacin, como se
muestra en la Figura 2. Los pxeles de
borde en la misma lnea de
exploracin horizontal despus de la
rotacin se colocan en la misma fila
de Rot. Observe que cualquier par de
pxeles girados de la misma lnea de
exploracin slo puede votar por
lneas verticales de simetra.
Esto corresponde a la lnea de
simetra discontinua con el ngulo
antes de la operacin de rotacin. El
algoritmo slo permite que los pxeles
de borde en la misma lnea de
exploracin (la misma fila en Rot) se
emparejen durante la votacin de
Hough. Esto garantiza que todos los
votos se realizarn para el mismo
ngulo, mostrado como en la figura
2. Obsrvese que los puntos
separados por una distancia mayor
que Dmax o menor que Dmin nunca
se emparejan, aunque pertenezcan a
la misma fila.
Hay dos beneficios al tener una
constante para cada iteracin de
votacin. En primer lugar, se elimina
el acceso a la memoria aleatoria a
travs de en el acumulador de
Hough. Por lo tanto, slo una nica fila
del acumulador debe almacenarse en
cach durante cada iteracin, en lugar
de todo el acumulador de Hough. En
segundo lugar, los requisitos
aritmticos para calcular los
parmetros de la lnea de simetra a
partir de un par de pixels de borde,
como se describe en la figura 1, se
simplifican mucho. El radio de lnea R
se puede encontrar tomando la media
de las coordenadas x del par de
pxeles del borde, que estn
fcilmente disponibles en Rot.
Los parmetros de la lnea de simetra
se encuentran buscando picos en el
acumulador de Hough. El bucle foral fi
nal en el Algoritmo 1 describe el
algoritmo de supresin no mxima
empleado para la deteccin mxima.
Los valores mximos en el
acumulador de Hough H se
encuentran de forma iterativa. Cada
iteracin se sigue fijando el valor
mximo y la vecindad de los
compartimientos que lo rodean a cero.
En general, la contribucin de la
puntuacin mxima al tiempo de
ejecucin fue despreciable en
comparacin con la etapa de votacin
de Hough del algoritmo.
La operacin de rotacin de pxeles de
borde tiene una complejidad
computacional de O (nedge), donde
nedge es el nmero de pxeles de
borde en la imagen. Se repite BINS
veces. Su efecto en el tiempo de
ejecucin global del algoritmo es
insignificante, ya que se ejecuta en
tiempo lineal. La mayor parte del
clculo se produce durante la parte de
votacin del algoritmo, donde el
acumulador H se incrementa. La
cantidad de computacin necesaria
depende de la cuantizacin del ngulo
de Hough y de la cuantificacin
vertical utilizada en Rot..
El esquema de votacin se ha
ampliado para permitir la deteccin de
la simetra sesgada. La Figura 3 (d)
muestra los resultados de deteccin
de un logotipo de veneno de crneo y
huesos cruzados horizontalmente
sesgado. Esto se logr votando por
todas las lneas que pasan a travs
del punto medio de un par de bordes,
de la misma manera que la
transformada Hough estndar. El
algoritmo de orden de complejidad
computacional sigue siendo el mismo
al detectar la simetra de inclinacin,
como el nmero de divisiones de
ngulo en el acumulador de Hough
est fijo.
Adems del aumento del factor
constante en el coste computacional,
se requieren dos matrices adicionales,
del mismo tamao que el acumulador
de Hough. Consulte el trabajo de Lei y
Wong sobre la deteccin de simetra
sesgada [13] para obtener
informacin adicional sobre estas
matrices extra de Hough.
Resultados
La Figura 3 contiene los resultados de
deteccin de nuestra simetra rpida
algoritmo. Las subcategoras 3 (a) y 3
(b) muestran las lneas de simetra
con la mayora de los votos en rojo.
Obsrvese que en 3 (a), tanto la
simetra del antebrazo como la
simetra entre el antebrazo y su
sombra tambin fueron detectadas,
pero tenan mucho menos votos que
la botella. La subficha 3 (d) muestra la
deteccin de la simetra sesgada
usando el algoritmo, usando un
procedimiento de votacin
modificado.
Fig. 3. Resultados rpidos de deteccin de simetra (a)
Objeto parcialmente ocluido, no uniformemente
texturado; (B) Objeto multicolor; (C) Escena de objetos
mltiples. Las cinco lneas de simetra ms
representadas, numeradas en el orden en que se
encontraron durante la deteccin; (D) algoritmo de
simetra rpida extendido para detectar la simetra de
inclinacin
La subficha 3 (c) muestra los
resultados de deteccin para una
disposicin ms complicada de los
objetos. Las lneas se etiquetan segn
el nmero de votos que recibieron,
siendo 1 la lnea de simetra con ms
votos. Observe que las lneas de
simetra de los tres objetos fueron
encontradas. Sin embargo, tambin se
detectaron simetras de fondo. La
lnea 2 se debe a la simetra de la
sombra horizontal larga y la lnea 4 es
causada por la simetra entre objetos,
principalmente entre las dos copas,
as como la simetra entre la copa
multicolor y la sombra horizontal.
La deteccin de la simetra de fondo y
la simetra entre objetos es inevitable
debido a la falta de conocimiento
previo disponible para el algoritmo de
deteccin. Si este comportamiento es
deseable depender de la aplicacin.
Para rechazar la simetra estrecha, tal
como la lnea 2 en la subcaptulo 3 (c),
se puede aumentar el umbral de
distancia Dmin en el algoritmo 1. La
orientacin de la lnea de simetra
tambin se puede usar para rechazar
la simetra no deseada, especialmente
cuando el robot dispone de algn
conocimiento previo de la escena.
Por ejemplo, un robot humanoide que
intenta manipular tazas y botellas en
una mesa generalmente tratar con
lneas casi verticales de simetra
solamente. Como tal, los ngulos de
votacin disponibles para el detector
de simetra pueden ser restringidos en
consecuencia.
Una aplicacin de Algoritmo 1 en C +
+ se utiliz para todos los
experimentos. La plataforma
experimental era una PC de escritorio
con una CPU Xeon de 2,2 GHz y 1 GB
de memoria principal. En el cdigo no
se utilizaron optimizaciones
especficas de la plataforma, como las
funciones macro SSE2. Haciendo
referencia a los parmetros definidos
en el Algoritmo 1, el acumulador de
hough tena 180 divisiones angulares
(BINS). El nmero de divisiones de
radio (BINSR) era equivalente al
tamao de la diagonal de la imagen
en unidades de pxeles.
Dmax era la mitad de la anchura de la
imagen y Dmin se estableci en 5
pxeles. El resultado mximo alcanz
las cinco lneas de simetra ms
fuertes. Tomando de la transformacin
de hough aleatorizada [12], la lista de
pxeles de borde fueron muestrados
en una proporcin del 25% para
obtener los resultados de tiempo
mostrados en la Tabla I. Los tiempos
de ejecucin incluyen el tiempo
requerido para filtrar el borde.
Los tiempos de ejecucin confirman
que la cantidad de clculo aumenta a
medida que aumenta el nmero de
pxeles de borde extrados de la
imagen de entrada. Las imgenes
ms complicadas requieren ms
tiempo, ya que tienden a generar ms
pxeles de borde. El tiempo de
deteccin de imgenes de 640x480
oscilaba entre 80 y 224 milisegundos.
Esto permitir velocidades de
fotogramas entre 5 y 12 Hz. Esto es
aceptable para muchas aplicaciones
en tiempo real. El uso de una ventana
de procesamiento o imgenes ms
pequeas, una PC ms rpida y
optimizaciones especficas del
procesador pueden mejorar an ms
la velocidad del algoritmo para
satisfacer requisitos ms estrictos en
tiempo real. La relacin de muestreo
de pxeles de borde tambin se puede
ajustar en tiempo de ejecucin para
alterar la velocidad de deteccin. Las
velocidades de fotogramas de 20Hz se
consiguieron reduciendo el tamao de
imagen de entrada a 320x240 pxeles.
III. SEGMENTACIN DE OBJETOS
SIMTRICOS
Una vez obtenida la localizacin de la
lnea de simetra, el siguiente paso
lgico es la segmentacin de objetos.
El enfoque elegido realiza la
segmentacin al encontrar el contorno
de un objeto. La simple identificacin
de todos los pxeles del borde que
votaron por la lnea de simetra no es
aceptable debido al gran nmero de
pares coincidentes de puntos de
borde. Se necesita un mtodo ms
robusto. Pero antes de continuar, se
requiere una definicin de "contorno
del objeto". Debido a que ningn
modelo previo o propiedades
geomtricas del objeto se supone
aparte de su simetra, una definicin
es difcil. Definimos un contorno de
objeto como el contorno ms continuo
simtrico sobre la lnea de simetra del
objeto. Si bien la definicin no es
perfecta, s permite que el problema
sea resuelto con firmeza.
La tarea se convierte entonces en
encontrar el contorno ms continuo y
simtrico en la imagen de borde,
alrededor de una lnea de simetra
detectada. Para aplicaciones en
tiempo real el algoritmo utilizado para
resolver este problema necesita tener
tiempos de ejecucin predecibles.

Esto hace que los enfoques que

requieren inicializacin y mltiples
iteraciones, como los contornos
activos, no son adecuados. El
algoritmo propuesto utiliza un enfoque
de programacin dinmica (DP) de
paso nico. Aunque se ha realizado
mucha investigacin sobre el uso de
DP para encontrar contornos en
imgenes [14] - [17], requieren un
punto de partida seleccionado por
humanos. Para los contornos de objeto
que se considera, un usuario humano Presentamos la Transformacin
tendra que proporcionar un par inicial Simtrica de Pares de Borde (SEPT)
de pxeles simtricos en el contorno. como una etapa de pre
Como un objetivo principal de la procesamiento. Los pxeles de borde
segmentacin de objetos es la se rotan primero de tal manera que
comprensin de la imagen sin los pares de puntos de borde
intervencin humana, elegimos un simtricos se encuentran en la misma
enfoque que no requiere intervencin fila. La idea detrs de la
humana. La Seccin III-A describe un transformacin es parametrizar pares
paso de pre procesamiento que de puntos casi simtricos por su
elimina pxeles de borde no distancia de separacin y desviacin
simtricos, denominados de su punto medio de la lnea de
tentativamente la Transformacin de simetra. El algoritmo tambin se ha
Pares de Bordes Simtricos. La generalizado para acomodar la
seccin III-B describe la etapa de simetra sesgada mediante el uso de
programacin dinmica. Los una lnea de simetra no vertical
resultados y los tiempos de despus de girar los pares de pxeles
procesamiento se presentan en la del borde. La transformacin se
Seccin III-C. describe en el algoritmo 2.

A. La transformacin de pares de Se requiere que la funcin de

bordes simtricos ponderacin W () en el Algoritmo 2
sea una funcin monotnicamente
decreciente, de tal manera que
cuanto ms alta sea la desviacin del
punto medio de la lnea de simetra,
menor ser el peso dado. En nuestra
implementacin, se utiliz la funcin
de ponderacin W (d) = 1 - 2WdND.
Las variables d y WND se definen en
el Algoritmo 2. La Figura 4 (a) es una
visualizacin de imgenes del SeptBuf
generado a partir de la Figura 3 (a),
donde los pxeles ms brillantes
representan pesos ms altos. El
SeptBuf entero es 573 por 355
pxeles, pero slo la parte que
contiene el objeto se muestra en la
Figura 4 (a). Observe los numerosos
bordes coincidentemente simtricos
en el interior de la botella, y en el fondo.
Fig. 4. SEPT realizado utilizando el
resultado de deteccin de simetra en la
Figura 3 (a). (A) El buffer SEPT, donde los
pxeles ms brillantes representan valores
de ponderacin ms altos; (B) Contorno
continuo de mayor puntuacin engrosado
y superpuesto en el tampn SEPT.
La desviacin del punto medio de la
lnea de simetra, menor ser el peso
dado. En nuestra implementacin, se
utiliz la funcin de ponderacin W (d)
= 1 d/ 2WND. Las variables d y WND
se definen en el Algoritmo 2. La Figura
4 (a) es una visualizacin de imgenes
del SeptBuf generado a partir de la
Figura 3 (a), donde los pxeles ms
brillantes representan pesos ms
altos. El SeptBuf entero es 573 por
355 pxeles, pero slo la parte que
contiene el objeto se muestra en la
Figura 4 (a). Observe los numerosos
bordes coincidentemente simtricos
en el interior de la botella, y en el
fondo.
B. Encontrar contornos simtricos
continuos con programacin
dinmica
Si SeptBuf es tratado como una
imagen de borde ponderado, entonces
el problema de encontrar el contorno
ms continuo y simtrico en la imagen
de borde original se convierte en uno
de encontrar el contorno ms
continuo en SeptBuf. Y esto se hace
utilizando un enfoque de
programacin dinmica. El algoritmo
construye una tabla de puntuaciones
acumulativas del mismo tamao que
SeptBuf, donde una celda de alta
puntuacin indica que hay un
contorno continuo que pasa a travs
de ella. Los pesos en SeptBuf afectan
la puntuacin cuando se mueve de
una celda a la siguiente. Los detalles
del enfoque se representan en el
Algoritmo 3. El Paso 1 calcula la
puntuacin de la celda actual de sus 3
vecinos en la fila anterior. Encuentra
la mejor puntuacin resultante de la
continuidad vertical. BackPtr realiza
un seguimiento de cul de las 3
celdas vecinas produjo la mejor
puntuacin para la celda actual. El
paso 2 escanea SeptBuf de izquierda
a derecha, calculando las
puntuaciones obtenidas de la
continuidad horizontal. El Paso 3
busca la continuidad horizontal de
derecha a izquierda.
Esto podra causar ciclos para formar
en la misma fila de la matriz backPtr.
Para evitar estos ciclos se hace una
copia de backPtr en el Paso 1.
Fig. 5. Segmentacin de Objetos y
Refinamiento de Contornos. El contorno
del objeto descubierto por el seguimiento
trasero del valor mximo en la tabla de
puntuacin se muestra a la izquierda.
Esbozo del objeto despus de que el
refinamiento del contorno est a la
derecha.
Si la puntuacin de la continuidad
horizontal es mayor que la de la
continuidad vertical, entonces se
registra la puntuacin ms alta, y se
actualiza el valor de BackP tr. La
continuidad horizontal se da menos
recompensa que la continuidad
vertical. La razn de esto es rechazar
segmentos de borde horizontales La etapa de refinamiento de contorno
largos, que son tcnicamente es similar al Algoritmo 3
simtricos alrededor de su punto
medio. La simetra detectada para
estas rectas muy raramente
representa objetos reales. Los seres
humanos generalmente consideran
objetos simtricos como aquellos que
tienen lmites simtricos a lo largo de
la direccin de la lnea del espejo. Si la
recompensa de continuidad horizontal
es demasiado alta, tambin puede dar
lugar a patrones de zig-zag no
deseados en los contornos generados.

Despus de llenar la tabla de

puntuacin, se puede encontrar el
contorno simtrico "mejor"
comenzando en la celda de
puntuacin ms alta y retrocediendo a
travs de clulas de menor peso. El
algoritmo de seguimiento posterior se
describe en el Algoritmo 4. Observe
que ambas copias de punteros
posteriores son utilizadas por el
algoritmo para que no haya un
segmento puramente horizontal en el
contorno. Manteniendo una lista de
ndices de posicin {r, c} durante el
proceso de seguimiento posterior, se
puede extraer el contorno del objeto.
El ndice de columna c indica la
distancia horizontal del contorno a
partir de la lnea de simetra. Un
ejemplo del contorno resultante se
puede ver superpuesto a SeptBuf en
la Figura 4 (b) y en la imagen
izquierda de la Figura 5.

El contorno obtenido hasta ahora no

se corresponde directamente con los
pxeles del borde. Esto se debe a la
tolerancia introducida en el
preprocesamiento SEPT. Con el fin de
producir un contorno que corresponde
a pxeles de borde reales, se aadi
una etapa de refinamiento. En esta
etapa, el mismo tamao de ventana
utilizado en el SEPT, WND, se emplea
para re fi nir el contorno. Al buscar
pxeles de borde cerca del contorno
simtrico, dentro de la ventana, el
algoritmo produce un nuevo contorno
de simetra cercana.