Estoy desarrollando un proyecto de procesamiento de imágenes y me encontré con la palabra oclusión En muchos artículos científicos, ¿qué significan las oclusiones en el contexto del procesamiento de imágenes? El diccionario solo está dando una definición general. ¿Alguien puede describirlos usando una imagen como contexto?Procesamiento de imágenes: ¿Qué son las oclusiones?
La oclusión significa que hay algo que desea ver, pero no puede debido a alguna propiedad de la configuración de su sensor, o algún evento. Exactamente cómo se manifiesta o cómo se enfrenta el problema varía debido al problema en cuestión.
Algunos ejemplos:
Si está desarrollando un sistema que pistas objetos (personas, vehículos, ...), entonces la oclusión se produce si un objeto está realizando el seguimiento está oculto (ocluido) por otro objeto. Como dos personas que se cruzan, o un automóvil que pasa por debajo de un puente. El problema en este caso es lo que haces cuando un objeto desaparece y vuelve a aparecer.
Si está utilizando una cámara de rango , entonces la oclusión es áreas donde no tiene ninguna información. Algunas cámaras de rango láser funcionan transmitiendo un rayo láser a la superficie que está examinando y luego tienen una configuración de cámara que identifica el punto de impacto de ese láser en la imagen resultante. Eso da las coordenadas 3D de ese punto. Sin embargo, dado que la cámara y el láser no están necesariamente alineados, puede haber puntos en la superficie examinada que la cámara puede ver pero que el láser no puede alcanzar (oclusión). El problema aquí es más una cuestión de configuración del sensor.
Lo mismo puede ocurrir en imágenes estéreo si hay partes de la escena que solo son vistas por una de las dos cámaras. Obviamente, no se pueden recopilar datos de rango de estos puntos.
Probablemente hay más ejemplos.
Si especifica su problema, entonces tal vez podemos definir lo que es la oclusión en ese caso, y los problemas que ello conlleva
La oclusión es la que bloquea nuestra visión. En la imagen que se muestra aquí, podemos ver fácilmente a las personas en la primera fila. Pero la segunda fila es parcialmente visible y la tercera fila es mucho menos visible. Aquí, decimos que la segunda fila está parcialmente ocluida por la primera fila, y la tercera fila está ocluida por la primera y la segunda fila. Podemos ver tales oclusiones en las salas de clase (estudiantes sentados en filas), intersecciones de tráfico (vehículos esperando la señal), bosques (árboles y plantas), etc., cuando hay muchos objetos. 
El problema de la oclusión es uno de los motivos principales por los cuales la visión artificial es difícil en general. Específicamente, esto es mucho más problemático en Seguimiento de objetos. Ver las figuras siguientes:
Aviso, cómo el rostro de la dama es no completamente visible en marcos 0519 & 0835 en oposición a la cara en el marco 0005.
Y aquí es una foto más en la cara del hombre es parcialmente escondida en los tres marcos.
Note en la imagen de abajo como el seguimiento de la pareja en la caja de contorno verde rojo & es perdió en el marco del centro debido a la oclusión (es decir, parcialmente oculto por otra persona frente a ellos) pero seguidos correctamente en el último cuadro cuando se vuelven (casi) completamente visibles.
Foto cortesía: Stanford, USC
Gracias kigurai !!! Estoy implementando el algoritmo SIFT para un procesador integrado. Ahora entiendo que SIFT tiene las capacidades para reconocer incluso aquellos objetos que están parcialmente cubiertos (ocluidos). – HaggarTheHorrible
Me alegro de haber ayudado. ¡Buena suerte! –