Diseño de filtros adaptativos para reconocimiento de objetos utilizando técnicas de optimización combinatoria multi-objetivo.

En este trabajo de tesis se presenta un nuevo enfoque para el diseno de filtros de correlacion aplicados en el reconocimiento de objetos, que emplea tecnicas de optimizacion combinatoria multi-objetivo. Comunmente, los filtros de correlacion para el reconocimiento de objetos son construidos como una combinacion de varias plantillas de entrenamiento. Sin embargo, estas plantillas se eligen de manera subjetiva por el disenador, por lo que no es posible garantizar que el conjunto de plantillas elegido sea el mejor. Los filtros de correlacion se disenan optimizando varias metricas objetivas, y en ocasiones, las metricas de interes se encuentran en conflicto entre si. Por lo tanto, es necesario establecer un compromiso entre las metricas seleccionadas. Dado un conjunto vasto de plantillas que pueden utilizarse para sintetizar un filtro de correlacion, el algoritmo propuesto encuentra, a traves de metodos de aproximacion, un subconjunto de entrenamiento que permite la sintesis de un filtro de correlacion con el mejor compromiso posible entre varias metricas de desempeno en competencia. El algoritmo propuesto aborda el problema combinatorio de la seleccion de imagenes de entrenamiento mediante algoritmos geneticos. Comunmente, un algoritmo genetico posee una poblacion de individuos de longitud fija. Sin embargo, el espacio de busqueda involucra la evaluacion de combinaciones de distinta cantidad de imagenes para la sintesis de filtros de correlacion. Por ello, es necesaria la codificacion de los individuos en longitud variable. Asi, el diseno de filtros de correlacion puede realizarse a traves de un algoritmo evolutivo multi-objetivo, en conjunto con una tecnica de codificacion de individuos de longitud variable. Al realizar un analisis de las caracteristicas esenciales que poseen las imagenes de entrenamiento seleccionadas por el algoritmo propuesto, se busca establecer las bases que serviran para la seleccion automatica de imagenes de entrenamiento en el diseno de filtros de correlacion. Se presentan diversos resultados obtenidos con el metodo propuesto en simulaciones por computadora. Estos resultados son analizados y discutidos en terminos del desempeno del reconocimiento de objetos, caracterizado a traves de varias metricas objetivas. Por ultimo, estos resultados son comparados con aquellos obtenidos de distintos filtros de correlacion de la literatura reciente, y se demuestra el desempeno superior del enfoque propuesto en esta tesis. __________________________________ This work presents a new approach for the design of composite correlation filters for pattern recognition by means of multi-objective combinatorial optimization techniques. Correlation filters for object recognition are usually composed as a combination of several training templates. However, these templates are commonly chosen in an ad-hoc manner, with no guarantee that the best set is chosen. Correlation filters are designed by optimizing multiple quality metrics, and several of these metrics can represent conflicting objectives. Therefore, a trade-off between the selected metrics is required. Given a vast set of available templates, the proposed technique finds an optimal training subset that allows the synthesis of a correlation filter that shows the best possible performance according to several quality metrics in conflict. The proposed technique uses genetic algorithms in order to deal with the combinatorial problem that represents the selection of training images. Commonly, a genetic algorithm maintains a population consisting of constant length individuals. However, the search space involves the evaluation of combinations composed by different number of images. Thus, the population from the genetic algorithm is encoded as variable length individuals. Then, the design of correlations filters can be performed by execution of a multi-objetive evolutionary algorithm, along with a variable length individual encoding technique. By analyzing the essential characteristics of the training images chosen by the proposed algorithm we are interested in establishing the basis for automatic procedures to choose the training images for the design of composite correlation filters. Computer simulation results obtained from the proposed approach are presented and discussed. These results are analyzed in terms of their object recognition performance, and are characterized in terms of several quality metrics. Finally, these results are compared against those obtained with recent state of the art correlation filters, proving a better performance from the proposed approach.