LINCE - A biblioteca de visão artificial open source

Introdução

A biblioteca LINCE é baseada na comparação entre shapes e suas relações de um prévio aprendizado. As principais vantagens desta técnica é não precisar relacionar um objeto a um código explícito, aprendizado dinâmico durante a execução da aplicação e rápido treino do algoritmo.

O reconhecimento é dividido em 3 etapas:

A primeira etapa é o pré-processamento, ou seja, esta etapa é a mais importante, pois trata-se da análise da imagem em si.
A segunda etapa é a conversão da imagem em shape e internamente convertida em uma lista de vetores.

Imagem: ameba.png

ameba.png convertida em shape

ameba.png com a lista de vetores calculada
A terceira parte é o reconhecimento do objeto baseado na similaridade do shape e a sua representação interna (lista de vetores).

Neste documento executaremos alguns testes com imagens de caracteres e figuras básica como círculo e quadrado. O reconhecimento se mostrou eficaz por se tratar de um algoritmo de fácil compreensão.

Este projeto pode ser um ponto de partida para algoritmo de identificação de impressões digitais ou de face em vídeo ao vivo de sobre muitas implementações e aprimoramento matemático, mas não deixa de ser um bom ponto de partida.

Jogo rápido: download e instalação

Faça o download em: http://lince.sourceforge.net

Abaixo um exemplo com o comando wget:

$ wget http://ufpr.dl.sourceforge.net/sourceforge/lince/lince-0.20.tar.gz

Descompacte o pacote lince-0.20.tar.gz com o comando tar como no exemplo abaixo:

$ tar -zxvf lince-0.20.tar.gz

Como no exemplo abaixo, entre na pasta lince-0.20 e execute o comando ./configure:

$ cd lince-0.20/
$ ./configure

Agora use o comando make para compilar a aplicação:

$ make

Após a compilação, siga os comandos abaixo para verificar se o binário lince foi criado na pasta src:

$ cd src
$ ls lince

Nesta etapa estamos com o programa lince pronto para ser executado.Conceitos de utilização do Lince

O Lince trabalha em 3 modos (aprendizado, busca e lista de objetos). O modo aprendizado (training) é utilizado para vetorizar a imagem e armazenar no banco de dados, o modo busca (comparing) é o módulo de comparação da imagem atual com os objetos vetorizados armazenados no banco de dados e modo lista exibe na tela todos os objetos cadastrados.

Para usar o modo aprendizado, basta utilizar o argumento "learn" na linha de comando. Nos exemplos abaixo usaremos as imagens ameba.ppm, quadrado.ppm, letra M.ppm e a letra A.ppm para aprendizado do algoritmo.

As imagens utilizadas para processamento neste artigo podem serem obtidas nos links abaixo:

Ameba: ameba.ppm
Quadrado: quadrado.ppm
letra M: M.ppm
letra A: A.ppm
Teste1: teste1.ppm

Siga os comandos abaixo para efetuar o aprendizado das imagens:

Para aprender a estrutura da ameba, use:

$ lince learn ameba.ppm
Width: 11
Height: 11
Type: 1
--------- Statistics for object: ameba
Shapes: 1
Shape 0 ---
Area: 43
Perimeter:30
Roundness:0.600393
Object ameba stored in database, file lince.db. Thanks for feeding me.

Para aprender a estrutura do quadrado. use:

$ lince learn quadrado.ppm
Width:66
Height: 66
Type: 1
--------- Statistics for object: quadrado
Shapes: 1
Shape 0 ---
Area: 1365
Perimeter:148
Roundness:0.783103
Object quadrado stored in database, file lince.db. Thanks for feeding me.

Para aprender a estrutura da imagem letra A. use:

$ lince learn A.ppm
Width:66
Height: 66
Type: 1
--------- Statistics for object: A
Shapes: 2
Shape 0 ---
Area: 303
Perimeter:116
Roundness:0.282967
Shape 1 ---
Area: 33
Perimeter:32
Roundness:0.404971
Two shape comparisons ---
Shapes 0-1: 5.16523
Object A stored in database, file lince.db. Thanks for feeding me.

Para aprender a estrutura da imagem letra M. use:

$ lince learn M.ppm
Width:69
Height: 68
Type: 1
--------- Statistics for object: M
Shapes: 1
Shape 0 ---
Area: 408
Perimeter:222
Roundness:0.104031
Object M stored in database, file lince.db. Thanks for feeding me.

Vale à pena mencionar que apenas duas funções são invocadas para incluir o objeto no banco de dados, a função print_object_statistics para calcular os vértices, lince_database_add_object para adicionar o objeto e por último lince_database_save para gravar no banco.

Nesta etapa foram inclusos os 4 objetos no banco de dados lince.db, para conferir a inclusão basta utilizar o parâmetro dbstats como no exemplo abaixo:

$ ./lince dbstats Total objects: 4 Obj 0: Name: quadrado Shapes: 1 Obj 1: Name: A Shapes: 2 Obj 2: Name: M Shapes: 1 Obj 3: Name: ameba Shapes: 1 Duas funções são utilizadas nesta etapa, a lince_object_get_name para obter o nome do objeto e a lince_object_number_of_shapes para retornar a quantidade de shapes.

A imagem teste1.ppm é a letra M criada a mão livre no Gimp. Sendo assim vamos submetê-la ao processo de comparação do lince para testar a funcionalidade e eficácia do algoritmo. Basta executar o programa lince com o nome da imagem como parâmetro.

Abaixo a imagem M.ppm armazenada no banco de dados e a imagem teste.ppm submetida a identificação.

Figura armazenada no banco de dados

Figura utilizada para identificação

$ ./lince test1.ppm Width: 66 Height: 52 Type: 1 --------- Statistics for object: test1 Shapes: 1 Shape 0 --- Area: 483 Perimeter: 222 Roundness: 0.123155 ---------------RESULTS-------------- Total: 2.78058 Name: M Como podemos observar, o resultado da busca foi o esperado. Ou seja, na última linha encontramos a mensagem NAME: M, que significa que por semelhança de shape e vetores internos, a imagem M.ppm é o objeto com o maior coeficiente de similaridade encontrado no banco lince.db.

A função responsável pela identificação do objeto é lince_database_compare_object.

Tentei elaborar este documento de forma mais simples possível, pelo simples fato do assunto ser complexo e afastar muitos usuários. Sendo assim tenho como objetivo desmistificar o assunto abordando o projeto de forma mais direta possível.

Infra - Linux

Leia também