Resumen

Este artículo presenta una arquitectura de doble capa basada en la estimación de la densidad para la detección de múltiples instancias de objetos en aplicaciones de gestión de inventarios robóticos. El enfoque consiste en la coincidencia de características de la transformada de características a escala invariante (SIFT) y la proyección de puntos clave. La relación de escala dominante y un umbral de agrupación de referencia se estiman utilizando la primera capa de la estimación de densidad. Se aplica una cascada de filtros después de la reconstrucción de la plantilla de características y la comparación refinada de características para eliminar las falsas coincidencias. Antes de la segunda capa de estimación de la densidad, el umbral adaptativo se finaliza multiplicando un coeficiente empírico por el valor de referencia. El coeficiente se identifica experimentalmente. La votación por cuadrícula basada en el umbral adaptativo se aplica para encontrar todas las instancias de objetos candidatos. La detección de errores se elimina mediante la verificación geométrica final de acuerdo con el Consenso de Muestras Aleatorias (RANSAC). Los resultados de detección del enfoque propuesto se evalúan en un conjunto de datos de elaboración propia recogidos en un supermercado. Los resultados demuestran que el enfoque proporciona una gran robustez y una baja latencia para la aplicación de gestión de inventarios.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:enfoque, estimación de la densidad, detección de múltiples instancias de objetos, aplicaciones de gestión de inventarios robóticos, consenso de muestras aleatorias, instancias de objetos candidatos, relación de escala dominante, reconstrucción de plantillas de características, verificación geométrica final, transformación invariante de características.
• Keywords:approach, density estimation, multiple object instance detection, robot inventory management applications, random sample consensus, candidate object instances, dominant scale ratio, feature template reconstruction, final geometric verification, invariant feature transform