DIBE - Università degli studi di Genova 2
1.1 INTRODUZIONE AI SISTEMI DI
SORVEGLIANZA .........................................................................................................pag. 4
1.2 INTRODUZIONE ALL’ARCHITETTURA
DEL SISTEMA ................................................................................................................pag. 7
1.2.1 MODULO DI ACQUISIZIONE..............................................................................pag. 8
1.2.2 MODULO DI IDENTIFICAZIONE DEI
CAMBIAMENTI.........................................................................................................pag. 8
1.2.3 MODULO DI FOCALIZZAZIONE
DELL’ATTENZIONE ...............................................................................................pag. 9
1.2.4 MODULO DI LOCALIZZAZIONE.......................................................................pag. 9
1.2.5 MODULO DI CLASSIFICAZIONE....................................................................pag. 10
1.3 STRUTTURA DELLA TESI ...............................................................................pag. 10
1.4 ASPETTI INNOVATIVI DELLA TESI......................................................pag. 12
BIBLIOGRAFIA...................................................................................................................pag. 16
DIBE - Università degli studi di Genova 3
1.1 INTRODUZIONE AI SISTEMI DI SORVEGLIANZA
Gli studi compiuti nello sviluppo di questa tesi sono orientati al caso applicativo di un
sistema di sorveglianza. Negli ultimi anni e’ emersa infatti la necessita’ di studiare
nuove strategie di calcolo computerizzato per la realizzazione di sistemi automatici o
semiautomatici di sorveglianza da impiegare in edifici pubblici quali aeroporti o stazioni
ferroviarie, che per motivi di costi gestionali non possono essere presenziati da
personale fisso. Le tecniche impiegate per questo tipo di applicazione partono
dall’utilizzo di sensori (per esempio telecamere nello spettro visibile o all’infrarosso
[1,2], microfoni [3], fotocellule [4] e altri) attraverso i quali e’ possibile ottenere
informazioni relative all’ambiente di interesse, e successivamente impiegano algoritmi
di trattamento ed analisi dei segnali pervenuti, al fine di estrarre da essi l’informazione
cercata. Si definiscono sistemi di sorveglianza completamente automatici quelli in
grado di rilevare, identificare e gestire autonomamente situazioni anomale all’interno
dell’area monitorata. Se invece il sistema ha semplicemente la funzione di segnalare ad
un operatore (comune a piu’ ambienti sorvegliati) una sospetta situazione di pericolo,
allora si parlera’ di sistemi semiautomatici. Il confine di separazione tra una classe di
sistemi e l’altra, tuttavia, non e’ cosi’ netto ed immediato. Per poter stabilire il grado di
automatismo di una certa applicazione, per esempio, e’ necessario tener presente, non
solo la presenza o meno di un operatore umano durante il suo funzionamento, ma anche
il livello di attenzione minimo che deve essere dedicato nell’operazione di supervisione.
Naturalmente maggiore interesse e’ dedicato alla minimizzazione dell’impegno
dell’operatore, ma cio’ si traduce inevitabilmente in un incremento della complessita’
computazionale, talvolta non accettabile in termini prestazionali di tempi di risposta.
DIBE - Università degli studi di Genova 4
In generale un sistema di sorveglianza puo’ essere orientato a svolgere una tra le
seguenti possibili funzioni:
- operazione di monitoraggio, ossia l’estrazione di informazioni relative ad un’area
interessata, supposti noti gli eventi che in essa si stanno realizzando. Si pensi, per
esempio, nell’ambito di stazioni metropolitane, alla stima del numero di persone che
nelle varie ore della giornata richiedono l’uso del servizio di trasporto [5].
- operazione di controllo, intesa come prevenzione di possibili situazioni di pericolo o
di gestione degli stessi nei casi in cui si fossero gia’ verificati. In riferimento al caso
applicativo di una stazione metropolitana o ferroviaria, si pensi per esempio alla
generazione di segnali di allarme in presenza di oggetti abbandonati, o presunti tali,
all’interno dell’area di interesse.
I sistemi di sorveglianza discussi, possono trovare applicazione in un vasto insieme di
settori appartenenti a situazioni di comune interesse; tra essi troviamo:
a) il campo della sicurezza, gia’ accennato, interessa generalmente ambienti molto
piccoli come sale d’attesa di stazioni ferroviarie [6], supermercati [7], banche [8]. Con il
termine “sicurezza” possono intendersi applicazioni orientate al controllo della viabilita’
del traffico aereo [9], di quello automobilistico[10], di quello marittimo, orientate a
scongiurare possibili incidenti, o piu’ semplicemente la rilevazione di situazioni di
pericolo derivanti da sospetti atti terroristici o vandalici in atto. Generalmente in questi
casi il sensore utilizzato per l’acquisizione di informazioni dalla scena di interesse,
consiste in una o piu’ telecamere. Nel caso specifico in cui e’ stato inserito il lavoro di
questa tesi, il sistema di sorveglianza, orientato alla segnalazione di probabili oggetti
abbandonati, e’ basato sull’utilizzo di una telecamera fissa per mezzo della quale e’
possibile acquisire, ad intervalli di tempo regolari (dipendenti anche dalla complessita’
degli algoritmi implementati), un’immagine relativa alla situazione corrente della stanza
esaminata. Questa viene confrontata con l’immagine della scena vuota che si ha a
disposizione e, sulla base dei cambiamenti riscontrati, vengono interrogati algoritmi di
elaborazione il cui funzionamento verra’ illustrato nei capitoli che seguiranno. Per
quanto riguarda la sicurezza nei trasporti, si osserva che essa puo’ riguardare tutti i
settori possibili: da quello ferroviario, a quello autostradale, a quello aereo. Nel settore
ferroviario, particolare attenzione e’ dedicata al controllo dei passaggi a livello: un
operatore, incaricato di vigilare su un certo numero di attraversamenti ferroviari
DIBE - Università degli studi di Genova 5
incustoditi, viene messo in grado di adottare le opportune direttive di emergenza,
qualora verificasse, sul relativo monitor , che il sospetto di pericolo segnalato da un
sistema di sorveglianza, corrisponda al vero [11]. Nel campo stradale, operazioni di
sorveglianza, orientate alla sicurezza, si rendono necessarie per la gestione del traffico
autostradale in presenza, per esempio, di rallentamenti all’interno di gallerie, di
ostruzione della carreggiata dovuta alla presenza di lavori di manutenzione in corso, o,
infine, in prossimita’ dei caselli di uscita dei tratti autostradali [12]. Nel settore aereo
sara’ invece necessario disporre di una stima della velocita’ e della direzione del vento
presente a bassa quota, al fine di ridurre al minimo i rischi in fase di atterraggio e di
decollo di un aereo [13].
b) Nel settore industriale, sistemi di sorveglianza ricoprono compiti di ispezione. Essi
mirano ad incrementare la qualita’ del risultato finale di un prodotto mediante
rilevazione di difetti riscontrabili durante le varie fasi di lavorazione [14]: si supponga
di dover verificare, in una fase antecedente la vendita, la qualita’ di una partita di aghi
metallici provenienti dal settore produttivo; un algoritmo di controllo potrebbe essere
strutturato come segue: si acquisisca un’immagine di riferimento relativa ad un
elemento di produzione esente da difetti; si consideri successivamente un ago di qualita’
incognita. Il calcolatore provvedera’, per mezzo di opportune procedure, a realizzare una
operazione di confronto tra i due, verificandone per esempio caratteristiche di
rettilineita’ e di schiacciamento della punta. La frequenza di controllo raggiungibile e’ di
75 aghi al minuto. Sulla base dei risultati ottenuti, si decidera’ se scartare o accettare
l’ago esaminato.
c) Il campo della manutenzione dei sistemi presenta molto spesso analogie con
quello della sicurezza: in questo ambito infatti le operazioni di sorveglianza mirano al
monitoraggio di quelle parti, in genere meccaniche, che per vari motivi (materiale di cui
sono composti, eventi atmosferici ai quali sono sottoposti, sforzi ai quali sono soggetti)
risultano essere maggiormente a rischio in fatto di usura o di rotture [15].
DIBE - Università degli studi di Genova 6
d) In campo militare le applicazioni di un sistema di sorveglianza possono essere
facilmente intuibili: esse mirano infatti a disporre di informazioni relative al movimento
dell’eventuale nemico. In generale si ricorre all’utilizzo di sensori radar, in grado di
identificare i movimenti e l’ubicazione degli obiettivi e di fornire immagini ad elevata
risoluzione [16].
e) In campo ambientale i sistemi di sorveglianza svolgono essenzialmente funzioni di
monitoraggio: si va dal controllo dei movimenti dei ghiacci polari al controllo
dell’avanzata dei deserti. Inoltre un grosso aiuto e’ fornito dall’utilizzo di sensori a raggi
infrarossi per la rilevazione, in tempo utile, di incendi boschivi [2]. E’ evidente il
notevole risparmio che si riesce ad ottenere in caso di tempestivo intervento.
f) In campo medico si ricorre all’impiego di sensori atti a controllare e monitorare lo
stato di salute di un paziente. Un esempio in cui e’ impiegata una tale applicazione e’ la
cardiologia, in cui i pazienti sono controllati da sistemi in grado di inviare, a medici ed
infermieri, messaggi di allarme qualora la frequenza del battito cardiaco subisse
anomale variazioni.
DIBE - Università degli studi di Genova 7
APPLICAZIONE ORIENTAMENTO SENSORI IMPIEGATI
Incendi boschivi controllo telecamera ad infrarossi
Stazioni di metropolitana controllo fotocellule
telecamera bianco e nero
Sicurezza della viabilita’
stradale
controllo telecamera bianco e nero
Manutenzione del
materiale rotabile
monitoraggio telecamera bianco e nero
Rilevazione di oggetti a
scopi militari
controllo strumentazioni radar
Manutenzione reti di
telecomunicazioni
monitoraggio misure su fibre ottiche
Controllo qualita’ in
ambito industriale
controllo telecamera bianco e nero
Controllo ambientale monitoraggio strumentazioni radar
Sorveglianza di
supermercati
controllo telecamera bianco e nero
Sicurezza trasporto aereo controllo strumentazioni radar
Rilevazione emissioni
radioattive nucleari
controllo telecamera bianco e nero
e sensori di radiazione
Sicurezza autostradale in
galleria
controllo telecamera bianco e nero
E’ stato possibile tracciare uno schema riassuntivo delle applicazioni verso le quali un
sistema di sorveglianza puo’ essere orientato. Per ciascuna di esse e’ stata specificata la
natura del sistema di sorveglianza applicato (di controllo o di monitoraggio) e i sensori
impiegati per ottenere l’informazione relativa alla scena interessata.
DIBE - Università degli studi di Genova 8
1.2 INTRODUZIONE ALL’ARCHITETTURA
DEL SISTEMA
Il sistema di sorveglianza proposto rientra nella categoria piu’ generale dei sistemi di
visione. Tali sistemi sono composti dai seguenti elementi fondamentali:
- un dispositivo di acquisizione di immagini;
- un convertitore analogico/digitale (A/D);
- un calcolatore di memorizzazione ed elaborazione delle immagini.
Il dispositivo di acquisizione delle immagini e’ costituito da una telecamera in bianco
e nero. La funzione svolta dal convertitore analogico/digitale e’ quella di trasformare il
segnale proveniente dalla telecamera in un formato utilizzabile dal calcolatore di
controllo. Quest’ultimo riceve in ingresso le immagini digitalizzate e realizza l’intera
catena di elaborazione sulle stesse. I moduli principali in cui e’ scomposto il sistema di
sorveglianza sono:
1. modulo di acquisizione;
2. modulo di identificazione dei cambiamenti;
3. modulo di focalizzazione dell’attenzione;
4. modulo di localizzazione;
5. modulo di classificazione;
DIBE - Università degli studi di Genova 9
1.2.1 MODULO DI ACQUISIZIONE
Il modulo di acquisizione delle immagini interagisce direttamente con i dispositivi
fisici di acquisizione: la telecamera e la scheda di conversione analogico/digitale. Il
segnale proveniente da un telecamera e’ infatti un segnale continuo nel tempo e nelle
ampiezze: per poterlo elaborare tramite un calcolatore e’ necessario campionarlo e
discretizzarne il valore assunto, ossia quantizzarlo. I sistemi di acquisizione
normalmente impiegati nelle applicazioni dei sistemi di visione hanno una risoluzione
spaziale dell’ordine di 512*512 punti (pixel) ed una quantizzazione dei livelli di grigio
su di una scala di 256 valori. Il tempo impiegato dal sistema per acquisire un’intera
immagine pone un limite alle sue prestazioni. La frequenza di acquisizione delle
immagini deve essere sufficientemente alta al fine di poter disporre di un numero di
fotogrammi adatto allo scopo proposto. Nel considerare il numero di immagini acquisite
per unita’ di tempo si devono tener presenti i tempi necessari di calcolo della catena di
elaborazione; tali tempi devono essere compresi tra un’acquisizione e quella successiva.
1.2.2 MODULO DI IDENTIFICAZIONE DEI CAMBIAMENTI
L’identificazione dei cambiamenti (change detection) rispetto ad una scena di
riferimento gioca un ruolo fondamentale per le applicazioni dei sistemi di visione: lo
scopo e’ quello di identificare le parti dell’immagine che hanno subito delle variazioni,
poiche’ in tali parti e’ contenuta l’informazione relativa ad oggetti abbandonati presenti
nella scena osservata.
Introduciamo la seguente notazione:
- con I x y
i
(,) indichiamo l’immagine corrente;
- con S x y(,) indichiamo l’immagine di riferimento (background);
- con C x y(,) indichiamo l’immagine dei risultati.
L’immagine C x y(,) e’ composta da punti bianchi oppure neri: in corrispondenza di
quelli bianchi, la tecnica di identificazione dei cambiamenti ha rilevato un contenuto
informativo interessante; viceversa, quelli neri, non verranno considerati. La tecnica
utilizzata nel sistema di sorveglianza proposto sfrutta l’informazione su di un certo
numero di immagini consecutive: cio’ si traduce nella creazione di una immagine delle
differenze che presenta pixel bianchi in seguito a variazioni tra l’immagine corrente e
DIBE - Università degli studi di Genova 10
l’immagine di riferimento e a permanenze tra immagini consecutive. In questo modo
viene minimizzata la probabilita’ di avere, nell’immagine dei risultati, punti spuri dovuti
al rumore e si ha la presenza dei soli oggetti abbandonati.
1.2.3 MODULO DI FOCALIZZAZIONE DELL’ATTENZIONE
Il compito svolto dal modulo di focalizzazione dell’attenzione e’ quello di fornire una
descrizione sintetica delle aree sulle quali si deve concentrare l’interesse dei moduli
seguenti. Tale modulo presenta un duplice vantaggio: primo, permette a quelli
successivi di gestire il problema in modo piu’ strutturato e secondo, consente di
velocizzare le operazioni richieste per la completa elaborazione delle immagini
presentate in ingresso.
1.2.4 MODULO DI LOCALIZZAZIONE
Compito del modulo di localizzazione e’ quello di gestire le informazioni relative alla
posizione degli oggetti all’interno del modello della scena sottoposta a sorveglianza. Il
modulo di localizzazione riceve in ingresso la descrizione delle aree focalizzate e
fornisce le coordinate dei diversi oggetti rispetto al sistema di riferimento 3D utilizzato
nella rappresentazione della scena. A seconda delle applicazioni, tale informazione puo’
essere utilizzata da altri moduli che debbano operare una classificazione, oppure
generare un allarme. Nel sistema in esame, la localizzazione degli oggetti viene sfruttata
per visualizzare la loro posizione su di una mappa bidimensionale che modella
approssimativamente la scena considerata.
DIBE - Università degli studi di Genova 11
1.2.5 MODULO DI CLASSIFICAZIONE
Il modulo di classificazione ha il compito di analizzare i dati elaborati dai livelli
precedenti e di giungere, sfruttando algoritmi di alto livello, ad una decisione. La
decisione presa a questo livello, rappresenta il risultato di tutta la catena di elaborazione
dell’informazione: i dati provenienti dai sensori sono stati opportunamente trasformati
per giungere ad una rappresentazione il piu’ possibile stabile rispetto le condizioni di
lavoro del sistema. Il sistema in questione presenta quattro possibili situazioni di
interesse:
1. rilevazione di oggetto abbandonato;
2. rilevazione di persona;
3. rilevazione di artefatto luminoso;
4. rilevazione di cambiamento strutturale.
E’ quindi necessario discriminare tra questi quattro eventi, in modo che l’operatore
venga allertato dal sistema solo nel caso di presenza di uno o piu’ oggetti abbandonati. Il
sistema prevede inoltre la possibilita’ di aggiornare l’immagine di riferimento al
verificarsi di cambiamenti strutturali o di luminosita’ nella scena: cosi’ facendo si
ottiene un background sempre aggiornato con un notevole risparmio nel tempo di
elaborazione.
DIBE - Università degli studi di Genova 12
1.3 STRUTTURA DELLA TESI
L’organizzazione della tesi riflette la gerarchia dei moduli contenuti all’interno del
sistema di rilevazione, localizzazione e classificazione degli oggetti abbandonati.
Il capitolo 2 contiene una panoramica sulle tecniche di rilevazione dei cambiamenti
(change detection) e un confronto per scegliere quella migliore per il sistema di
sorveglianza in esame, un insieme di algoritmi per la segmentazione di immagini che
impiegano la morfologia matematica e quella statistica, metodi per l’estrazione e la
selezione delle caratteristiche (feature) principali, una breve introduzione alle reti
neurali, orientate alla classificazione, al loro funzionamento ed un insieme di possibili
applicazioni.
Il capitolo 3 presenta l’algoritmo di change detection utilizzato, i confronti con quello
del sistema precedente, lo sviluppo di una nuova tecnica per la segmentazione delle
immagine delle differenze ed un confronto con i risultati precedenti, l’estrazione dei
minimi rettangoli di ingombro per gli oggetti evidenziati nell’immagine delle differenze,
le nuove feature estratte per rendere piu’ robusta la classificazione e le prestazioni
temporali del sistema valutate su SUN SPARC10 e SPARC20, in relazione a quelle
ottenute dal sistema precedente.
Il capitolo 4 si occupa dell’analisi di una rete neurale per la classificazione in
particolare, il percettrone multistrato con algoritmo di retropropagazione degli errori, dal
punto di vista analitico e concettuale, del suo funzionamento, delle problematiche legate
alla scelta dei parametri migliori da utilizzare e dei risultati ottenuti, avendo a
disposizione i dati provenienti dal sistema di sorveglianza di stazioni a scarso traffico
confrontati con quelli ottenuti sfruttando un tradizionale classificatore K-NN fuzzy.
Il capitolo 5 presenta un’introduzione alla classificazione tramite alberi di decisione e
alle possibili integrazioni con reti neurali. Nella seconda parte del capitolo vengono
descritte tecniche di classificazione multilivello gerarchiche che fondono, in diversi
modi, gli alberi di classificazione (DTC) e le reti neurali (ANN). I dati gia’ a nostra
disposizione sono stati integrati con quelli provenienti da un processo di telerilevamento
effettuato in Gran Bretagna. Nel capitolo vengono ampiamente descritte le varie
tecniche separando la fase di growing dell’albero da quella di test, le prestazioni
raggiunte in fase di classificazione e le motivazioni che ci hanno portato alla creazione
di questi classificatori, supportate da analisi di tipo probabilistico.
Infine saranno riportate le conclusioni in merito al lavoro svolto, i suggerimenti e gli
sviluppi futuri legati alla nostra tesi.
DIBE - Università degli studi di Genova 13
1.4 ASPETTI INNOVATIVI DELLA TESI
Il sistema, data la complessita’ del problema, e’ stato suddiviso in 5 moduli distinti:
modulo di acquisizione, modulo di rilevazione dei cambiamenti, modulo di
focalizzazione dell’attenzione, modulo di localizzazione e modulo di classificazione.
Il modulo di acquisizione non verra’ trattato in quanto non e’ stato soggetto di studio
nella presente tesi.
Il modulo di change detection si basa sulla teoria dei filtri di rango e sfrutta non solo
l’informazione spaziale, ma anche quella temporale contenuta in una sequenza di
immagini. Mediante questo approccio, che presenta caratteristiche innovative, e’ stato
possibile isolare quelle regioni delle immagini aventi le caratteristiche corrispondenti ad
un oggetto abbandonato. Tali regioni non devono appartenere all’immagine di
riferimento e contemporaneamente devono essere presenti, nella stessa posizione, per un
periodo di tempo sufficientemente lungo all’interno della sequenza in esame.
L’adozione di una soglia adattiva, legata alla valutazione di ciascun pixel dell’immagine
delle differenze, necessaria per stabilire se si tratta di cambiamento o meno, consente di
adattare l’algoritmo automaticamente a diverse situazioni e a differenti immagini di
background in funzione della luminosita’ della zona in esame. La scelta di una soglia
unica, se troppo alta, non consente di visualizzare oggetti scuri in zone buie
dell’immagine, o, se troppo bassa, determina un’immagine delle differenze
particolarmente rumorosa e sensibile alle indesiderate variazioni di luminosita’.
Il modulo di focalizzazione dell’attenzione consente, grazie all’utilizzo di operatori
di morfologia matematica e statistica e ad un algoritmo di segmentazione “region
growing”, l’estrazione delle zone di interesse, all’interno di un’immagine, relative alle
regioni individuate dal modulo precedente. L’algoritmo di segmentazione da noi
proposto consiste nell’insieme di 4 operazioni:
- erosione statistica adattiva dell’immagine delle differenze;
- applicazione dell’algoritmo di etichettatura all’immagine erosa;
- dilatazione classica;
- applicazione dell’algoritmo di etichettatura all’immagine dilatata;
La parte innovativa consiste nell’applicazione dell’algoritmo di etichettatura dopo la
fase di erosione: cosi’ facendo si possono gia’ evidenziare le eventuali sovrapposizioni
tra due regioni distinte che in realta’ sono la stessa o si possono mantenere separate
quelle sovrapposte ma effettivamente distinte. Applicando tale algoritmo solo dopo la
fase di dilatazione si rischia di considerare come unico l’insieme di piu’ regioni: questo
DIBE - Università degli studi di Genova 14
perche’, regioni sovrapposte per un numero di pixel piccolo in fase di erosione possono
essere ancora separate ma, dopo la dilatazione, il numero di tali pixel aumenta
considerevolmente, anche in funzione dell’elemento strutturante, e non si puo’ fare altro
che considerare tali regioni come una unica. La seconda parte innovativa introdotta
riguarda l’adattivita’ del processo di erosione: in funzione dell’informazione
proveniente dalla calibrazione della telecamera, si procede all’erosione statistica con
elementi strutturanti differenti a seconda della distanza delle zone, nella scena osservata,
dalla telecamera. In questo modo si tiene conto dell’effettiva dimensione degli oggetti
che, posti a differenti distanze dal dispositivo di acquisizione, analizzati con lo stesso
elemento strutturante, verrebbero in alcuni casi tenuti in considerazione ed in altri
scartati perche’ troppo piccoli.
Il modulo di localizzazione sfrutta l’informazione ottenuta mediante la calibrazione
della telecamera, effettuata off-line, per individuare nel sistema di riferimento
tridimensionale la posizione degli oggetti evidenziati dai moduli precedenti. Per
evidenziare la presenza di zone di cambiamento vengono utilizzati i minimi rettangoli di
ingombro (m.b.r.) che, a differenza dei minimi rettangoli circoscritti con i lati paralleli
agli assi coordinati, meglio si adattano alla forma dei blob estratti durante la fase di
segmentazione e che consentono la selezione di caratteristiche morfologiche piu’
discriminanti.
A questo punto e’ necessario l’uso di un modulo di classificazione delle varie regioni
individuate e localizzate. Infatti, oltre a regioni corrispondenti ad oggetti abbandonati,
vengono estratte regioni corrispondenti a persone immobili (per esempio sedute su
panche), a cambiamenti permanenti o momentanei di luminosita’ (artefatti luminosi) ed
a cambiamenti strutturali nella scena osservata. Per la classificazione e’ stata impiegata
una rete neurale, in particolare un percettrone multistrato con algoritmo di learning di
retropropagazione degli errori, che ha presentato prestazioni nettamente migliori del piu’
classico classificatore K-NN fuzzy. La parte innovativa, relativa alle reti neurali, e’
contenuta nel capitolo 5 della presente tesi. Infatti, dopo aver visto che modifiche alla
struttura e ai parametri della singola rete neurale non hanno determinato miglioramenti
dal punto di vista della classificazione, abbiamo pensato di integrare gli alberi di
decisione (DTC) con le reti neurali (ANN) in diverse strutture che, supportate da una
valida analisi probabilistica, hanno raggiunti i risultati desiderati. In ogni nodo
dell’albero di reti neurali e’ contenuta una rete neurale completa in grado di fornire una
classificazione del pattern incognito: le diverse strutture multilivello gerarchiche create
DIBE - Università degli studi di Genova 15
consentono di interpretare in maniera differente i dati a disposizione, ossia i responsi
delle reti nei vari livelli, per giungere ad una classificazione il piu’ possibile accurata.
Gli alberi vengono costruiti in maniera adattiva, ossia si sfruttano le conoscenze dei
livelli precedenti per individuare la struttura ottimale dei livelli successivi. Di
conseguenza, questo procedimento consente di applicare in diversi campi i risultati
ottenuti, non solo nel sistema di sorveglianza in esame ma, ad esempio, anche nel caso
di immagini telerilevate S.A.R. corrotte con l’aggiunta di rumore “speckle”.
Ricevi informazioni sui nostri servizi, sulle offerte e non perdere news e consigli su università e lavoro.