Derechos de autor 2020 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Comparación multiplaforma de técnicas basadas en visión artificial para detección de personas en espacios abiertos
Investigación e Innovación en Ingenierías,
Vol. 9 Núm. 1 (2021): Enero-Junio
Resumen
Objetivo: Realizar una comparación multiplataforma entre los algoritmos de las técnicas de sustracción de fondo y de detectores en cascada por medio de una computadora personal y una placa Raspberry Pi 3B+ con Windows 10 y Debian GNU/LINUX respectivamente, en lenguaje de programación Python 3.7. Metodología: Se proponen tres etapas correspondientes a las mejoras en la imagen de video, la implementación de las técnicas de detección de personas y la evaluación del rendimiento de los algoritmos de dichas técnicas respecto al tiempo de respuesta, espacio de memoria requerido y aciertos en las detecciones. Resultados y discusión: La técnica de sustracción de fondo presenta una exactitud de 89.7% mientras que dicho valor para la técnica de detectores en cascada corresponde al 93.65%. Así mismo, la técnica de sustracción de fondo presenta mejor comportamiento respecto al tiempo de respuesta obteniendo 0.5934 segundos para Windows y 2.6338 segundos para Linux. La técnica de detectores en cascada mejora el requerimiento de espacio disponible en las dos plataformas con 1.1389 GB y 0.3776 GB para el computador personal y la placa Raspberry Pi 3B+ respectivamente. Conclusiones: Tanto la técnica de sustracción de fondo como la técnica de detectores en cascada responden 5 veces más rápido en la computadora personal que en la placa Raspberry Pi 3B+, por su parte, el espacio de memoria requerido por la técnica de sustracción de fondo es 26.28% y 55% superior al espacio requerido por la técnica de detectores en cascada en el computador personal y en la placa Raspberry Pi 3B+ respectivamente.
Palabras clave
Descargar cita
Endnote/Zotero/Mendeley (RIS)BibTeX
-
[1] M. Leo, G. Medioni, M. Trivedi, T. Kanade, and G. M. Farinella, “Computer vision for assistive technologies,” Comput. Vis. Image Underst., vol. 154, pp. 1–15, 2017. https://doi.org/10.1016/j.cviu.2016.09.001
[2] D. L. Siqueira and A. Manso Correa MacHado, “People Detection and Tracking in Low Frame-rate Dynamic Scenes,” IEEE Lat. Am. Trans., vol. 14, no. 4, pp. 1966–1971, 2016. https://doi.org/10.1109/TLA.2016.7483541
[3] A. Sobral and A. Vacavant, “A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos,” Comput. Vis. Image Underst., vol. 122, pp. 4–21, 2014. https://doi.org/10.1016/j.cviu.2013.12.005
[4] H. A. M. Alhamzawi, “Faces and eyes Detection in Digital Images Using Cascade Classifiers,” Comput. Eng. Appl. J., vol. 7, no. 1, pp. 57–66, 2018. https://doi.org/10.18495/comengapp.v7i1.222
[5] G. Cavanzo, M. Pérez, and F. Villavisan, “Medición de eficiencia de algoritmos de visión artificial implementados en raspberry pi y ordenador personal mediante Python,” Ingenium, vol. 18, no. 35, pp. 105–119, 2017. https://doi.org/10.21500/01247492.3218
[6] Ş. Öztürk and B. Akdemir, “Effects of Histopathological Image Pre-processing on Convolutional Neural Networks,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 396–403, 2018. https://doi.org/10.1016/j.procs.2018.05.166
[7] J. A. Taquía-Gutiérrez, “El procesamiento de imágenes y su potencial aplicación en empresas con estrategia digital,” Interfases, vol. 0, no. 010, p. 11, 2017. https://doi.org/10.26439/interfases2017.n10.1767
[8] J. A. Bangham and S. Marshall, “Image and signal processing with mathematical morphology,” Electron. Commun. Eng. J., vol. 10, no. 3, pp. 117–128, 1998. https://doi.org/10.1049/ecej:19980305
[9] M. Elhoseny, “Multi-object Detection and Tracking (MODT) Machine Learning Model for Real-Time Video Surveillance Systems,” Circuits, Syst. Signal Process., 2019. https://doi.org/10.1007/s00034-019-01234-7
[10] K. Mahkonen, T. Virtanen, and J. Kämäräinen, “Cascade of Boolean detector combinations,” Eurasip J. Image Video Process., vol. 2018, no. 1, 2018. https://doi.org/10.1186/s13640-018-0303-9
[11] J. Parraga-Alava, K. Cusme, A. Loor, and E. Santander, “RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition,” Data Br., vol. 25, 2019. https://doi.org/10.1016/j.dib.2019.104414
[12] N. Maya, A. Nuñez Bedoya and H. Romo Romero, "Análisis de rendimiento de algoritmos de reconocimiento de placas de números de vehículos desarrollado mediante la transformación de ondas discretas y la correlación de imagen digital", Investigación e innovación en ingenierías, vol. 7, no. 1, 2019. https://doi.org/10.17081/invinno.7.1.2990
[13] G. A. Duarte-Medrano, D. Herrera-Mora, and F. I. Téllez-Ávila, “Pruebas diagnósticas: aspectos básicos de lo que el endoscopista debe saber,” Endoscopia, vol. 28, no. 3, pp. 128–132, 2016. https://doi.org/10.1016/j.endomx.2016.09.001
Referencias
[2] D. L. Siqueira and A. Manso Correa MacHado, “People Detection and Tracking in Low Frame-rate Dynamic Scenes,” IEEE Lat. Am. Trans., vol. 14, no. 4, pp. 1966–1971, 2016. https://doi.org/10.1109/TLA.2016.7483541
[3] A. Sobral and A. Vacavant, “A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos,” Comput. Vis. Image Underst., vol. 122, pp. 4–21, 2014. https://doi.org/10.1016/j.cviu.2013.12.005
[4] H. A. M. Alhamzawi, “Faces and eyes Detection in Digital Images Using Cascade Classifiers,” Comput. Eng. Appl. J., vol. 7, no. 1, pp. 57–66, 2018. https://doi.org/10.18495/comengapp.v7i1.222
[5] G. Cavanzo, M. Pérez, and F. Villavisan, “Medición de eficiencia de algoritmos de visión artificial implementados en raspberry pi y ordenador personal mediante Python,” Ingenium, vol. 18, no. 35, pp. 105–119, 2017. https://doi.org/10.21500/01247492.3218
[6] Ş. Öztürk and B. Akdemir, “Effects of Histopathological Image Pre-processing on Convolutional Neural Networks,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 396–403, 2018. https://doi.org/10.1016/j.procs.2018.05.166
[7] J. A. Taquía-Gutiérrez, “El procesamiento de imágenes y su potencial aplicación en empresas con estrategia digital,” Interfases, vol. 0, no. 010, p. 11, 2017. https://doi.org/10.26439/interfases2017.n10.1767
[8] J. A. Bangham and S. Marshall, “Image and signal processing with mathematical morphology,” Electron. Commun. Eng. J., vol. 10, no. 3, pp. 117–128, 1998. https://doi.org/10.1049/ecej:19980305
[9] M. Elhoseny, “Multi-object Detection and Tracking (MODT) Machine Learning Model for Real-Time Video Surveillance Systems,” Circuits, Syst. Signal Process., 2019. https://doi.org/10.1007/s00034-019-01234-7
[10] K. Mahkonen, T. Virtanen, and J. Kämäräinen, “Cascade of Boolean detector combinations,” Eurasip J. Image Video Process., vol. 2018, no. 1, 2018. https://doi.org/10.1186/s13640-018-0303-9
[11] J. Parraga-Alava, K. Cusme, A. Loor, and E. Santander, “RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition,” Data Br., vol. 25, 2019. https://doi.org/10.1016/j.dib.2019.104414
[12] N. Maya, A. Nuñez Bedoya and H. Romo Romero, "Análisis de rendimiento de algoritmos de reconocimiento de placas de números de vehículos desarrollado mediante la transformación de ondas discretas y la correlación de imagen digital", Investigación e innovación en ingenierías, vol. 7, no. 1, 2019. https://doi.org/10.17081/invinno.7.1.2990
[13] G. A. Duarte-Medrano, D. Herrera-Mora, and F. I. Téllez-Ávila, “Pruebas diagnósticas: aspectos básicos de lo que el endoscopista debe saber,” Endoscopia, vol. 28, no. 3, pp. 128–132, 2016. https://doi.org/10.1016/j.endomx.2016.09.001