Implementación de un Sistema de Visión Artificial y Seguimiento de Objetivos Humanos, utilizando un cuadricóptero

En el presente proyecto se desarrolló un sistema de visión artificial, con el objetivo de demostrar su aplicación para la detección de rostros humanos en tiempo real obtenidos a través de una entrada de video. Mediante el procesamiento de imágenes digitales se pudo obtener las señales de control par...

Descrizione completa

Salvato in:
Dettagli Bibliografici
Autore principale: Herrera Granda, Erick Patricio (author)
Altri autori: Herrera Granda, Israel David (author), Lorente Leyva, Leandro L. (author), Granda Gudiño, Pedro David (author), Caraguay Procel, Jorge Adrián (author), García Santillán, Iván Danilo (author)
Natura: article
Lingua:spa
Pubblicazione: 2019
Soggetti:
Accesso online:https://repositorio.utn.edu.ec/handle/123456789/18285
https://search.proquest.com/docview/2260411367?pq-origsite=gscholar
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
Descrizione
Riassunto:En el presente proyecto se desarrolló un sistema de visión artificial, con el objetivo de demostrar su aplicación para la detección de rostros humanos en tiempo real obtenidos a través de una entrada de video. Mediante el procesamiento de imágenes digitales se pudo obtener las señales de control para que el dron ejecute su vuelo en tiempo real. Para alcanzar este objetivo, este proyecto se realizó por etapas. Como metodología de detección se usó un detector en cascada empleando el algoritmo de Viola Jones. Inicialmente se seleccionaron los equipos y software necesarios para la adquisición del video capturado por la cámara a bordo del cuadricóptero. Posteriormente se desarrolló un sistema de procesamiento de imágenes que permitió mejorar la calidad de las imágenes y prepararlas para la detección. Luego por medio de la segmentación de colores de cada frame, umbralización, binarización y detección de bordes fue posible definir automáticamente una región para cada imagen en la cual se ubicó el objetivo humano. De esta manera, ya con la región donde es más probable que se encuentre el rostro, se entrenó un clasificador de cascada que, empleando un algoritmo de seguimiento, permitió obtener la posición y área donde se encontraba el rostro respecto al centro de la imagen con una precisión del 87,58% al 90,14%.