Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina

Abstract

O crescente desenvolvimento de robôs e sistemas autônomos têm impulsionado as mais diversas áreas de pesquisa. Um dos grandes desafios para sistemas autônomos é a tarefa de percepção do ambiente, permitindo ao robô ?enxergar? o ambiente em que se encontra, através de sensores, como as câmeras digitais. A recente câmera RGB-D é capaz de captar imagens digitais (RGB) e informações de distância (D), tornando atraente o seu uso em áreas como a robótica móvel. O ambiente pode ser percebido e compreendido pelo sistema computacional através da captura dessas imagens e na aplicação de técnicas computacionais. A segmentação de objetos em imagem é uma grande área de estudo, com crescentes trabalhos, inovações e algoritmos, que podem ser divididos entre abordagens tradicionais e aprendizado de máquina. Este trabalho possui o objetivo de comparar estas abordagens de segmentação de objetos, avaliando a viabilidade de uso para aplicação em cenas de diferentes ângulos de ambientes internos. Para isso, foi realizada uma revisão sistemática de trabalhos de segmentação de objetos, formação de um dataset de cenas de ambientes internos, seleção e aplicação dos trabalhos no dataset formado, e, por fim, a comparação dos resultados através de métricas bem estabelecidas. Os resultados indicam vantagens no uso de imagens RGB-D para a robótica móvel. Indicam também resultados superiores das abordagens aprendizado de máquina em relação às abordagens tradicionais, mas que soluções combinadas podem oferecer melhores resultados. Os recentes avanços e desenvolvimentos das abordagens aprendizado de máquina, das câmeras RGB-D e dos sistemas computacionais tornam promissores o desenvolvimento de pesquisas e aplicações de segmentação de objetos em imagens RGB-D.

Abstract: The growing development of robots and autonomous systems has boosted the most diverse research fields. A great challenge for autonomous systems is the task of perceiving the environment, enabling the robot to ?see? the environment in which it?s in, through sensors, such as digital cameras. The recent RGB-D cameras are capable of capturing digital images (RGB) along with distance information (D), making its use attractive in mobile robotics. The environment can be perceived and understood by computational system through the capture of these images and the application of computational techniques. Object segmentation in images is a large research field that has been seeing an increase in works, innovations and algorithms, can be divided into traditional and machine learning approaches. This work aims to compare both approaches of object segmentation, evaluating the feasibility of use for applications in indoor scenes from different angles. The comparison comprises a systematic review of existing object segmentation works, a formation of a dataset with indoor scenes, a selection and application of works in the formed dataset, and, finally, a comparison between results through well-established metrics. These results indicate advantages in the use of RGB-D images for mobile robotics. They also indicate superior results from machine learning approaches when compared to traditional approaches, but both solutions combined can offer even better results. Recent improvements in machine learning approaches, RGB-D cameras and computer systems make the development of research and applications for object semantic segmentation in RGB-D images a promising subject.