S.E.P. S.E.I.T. D.G.I.T. - Centro Nacional de Investigación y ... Emilio Alarcon... · CENTRO NACIONAL DE INVESTIGACI~N Y DESARROLLO TECNOLÓGICO Cenidet SEGUIMIENTO Y PREDICCIÓN

S.E.P. S.E.I.T. D.G.I.T.

CENTRO NACIONAL DE INVESTIGACI~N Y DESARROLLO TECNOLÓGICO

C e n i d e t

SEGUIMIENTO Y PREDICCIÓN DEL MOVIMIENTO DE OBJETOS RÍGIDOS EN UN AMBIENTE COMPLEJO

T E S I S QUE PARA OBTENER EL GRADO DE:

MAESTRO EN CIENCIAS EN CIENCIAS COMPUTACIONALES

PRESENTA: EMILIO ALARCÓN RÍOS

DIRECTOR DE TESIS: DR. RAÚL PINTO ELÍAS b

CO-DIRECTOR DE TESIS: M.C. ANDREA MAGADÁN SALAZAR

~ C N I DET piLNTRo DE

& $ ~ 0 6 t @ CUERNAVACA, MORELOS AGOSTO DEL 2004

Sistema Naaonal de Institutos Tmol6gims Centro Nacional de lnvestigaci6n cenidet y Oesarroilo TecnoMgim

M10 ANEXO No.11

ACEPTACI~N DEL DOCUMENTO DE TESIS

Cuernavaca, Mor., a 24 de Agosto del 2004

Dr. Gerard0 Reyes Salgado Jefe del departamento de Ciencias Computacionales Presente.

At'n: Dr. René Santaolaya Salgado Presidente de la Academia de Ciencias Computacionales

Nos es grato comunicarle, que conforme a los lineamientos para la obtención del grado de Maestro en Ciencias de este Centro, y después de haber sometido a revisión académica la tesis titulada: Seguimiento y predicción del movimiento de objetos rígidos en un ambiente complejo, miizada por el C. Emilio Alarcón Ríos, y dirigida por el Dr. Raúl Pinto Eüas, y habiendo realizado las correcciones que le fueron indicadas, acordamos ACEPTAR el documento final de tesis, así mismo le solicitamos tenga a bien extender el correspondiente oficio de autorización de impresión.

Atentamente La Comisión de Revisión de Tesis

Sandoval Revisor Revisor

C.C.P. Subdirección Acadimica Departamento de Servicios Escolares Directores de tesis Estudiante

Sistema Nacional de Institutos Tmol6gims Cenbv Nacional de Investigacibn cenidet y Desarmllo TecnológiW

ANEXO No. 12 M11 AUTORWCI~N DE IMPRESI~N DE TESIS

Cuemavaca, Mor., a 24 de Agosto del 2004

C. Emilio Alarcón Nos Candidato al grado de Maestro en Ciencias en Computación Presente.

Despuks de haber atendido las indicaciones sugeridas por la Comisión Revisora de la Academia de Ciencias de la Computación en relación a su trabajo de tesis cuyo titulo es: Seguimiento y predicción del movimiento de objetos rígidos en un ambiente complejo, me es grato comunicarle que conforme a los lineamientoc establecidos para la obtención del grado de Maestro en Ciencias en este centro se le concede la autorización para que proceda con la impresión de su tesis.

Aten-

C. Dr. Ge Jefe del departamento dekiencias Computacionales

C.C.P. Subdirección Acad6mica Presidente de la Academia de Ciencias Computacionales Departamento de Servicios Escolares Expediente

a e á i c a t o r i a s

3 la memoria de mzipadres R06erto y @atha, porsu amory ejemplo de vga, dios bs tenga en su s a n t a g h .

A la memoria de mis q d o s hennawsQ&.so y Ma& de la luz c., por compartir conmigo sus sueños, tristezas y aligrías.

A C l a d m S e h , por ser la f u n t e de mi f e f i a d

2 lá S.E.P. (Secreta& de Edua&@í6,Gi)por 6&d¿zme elapoyo económico para h cuúnimcia dé mis estdws.

,

ACCosnet (Consejo delsistema %5acionaCde Ediccación leml0gim)por elapoyo ec~nómico otorgdo durante lá reakacton deCprograma de maestría.

ACCenidet (Centro %iacionaC& investiga& y ri)esanoaO Temúíguo)porserparte de mi áesanoh intehctual

A todo eCpersunaCque lá6ora en eCom&et, porsu trato siempre ama66, respetuoso y cálido.

A mis revisores: Dr. p a r d o Reyes Sahado, m. Javier Ortiz H e d n d e z , M.C. José Luis Canzáles Ku6W SandovaCpor sus acertadás 06sewaciaes.

A mi codt-ectora de tesis, M.c. ,%&ea %íaga&ín Salázarpol su v a h a colá60ranón e71 este documento.

A miáirectorde tesis, m. Raúífinto ECiporcompartime sus conocimientosy serláguh fumiizmentalpara lá reabac ia de este proyecto.

A todos mis compañeros degeneración, b y grandes a m ~ o s míos, por vivir esta e q e n i m k juntos.

3 toda mi famiiii, p o r m apoyo y cariiin.

A mis h a n o s x d ~ n , % t h y Ro6ert0, por impuísarme a seguir adehnte.

TABLA DE CONTENIDO

................. ................... ....................... ................................... .......................

............ Lista de figura.. ......................................................... . . . . . ..................... .......... ................................

......................................... Lista de ecuaciones.. ................ ................

CAF’ÍTULO I. INTRODUCCION .................................... 1.1 Antecedentes,. ....... ........................

1.2 Justificación.. ................ ........................ ................ 1.3 Descripción del problema. ........................ ................

............................... ................................ .............................................

................... ................................ 1.7 Beneficios.,. .................. 1.8 Aplicaciones ... .................................... 1.9 Organización del documento de tesis.. .......................................................

CAPÍTULO IL MARCO DE REFERENCIA 2.1 Estado del arte.. ..................................................................................

2.1.1 Resumen de artículos relevantes.. ...................................................... 2.1.2 Análisis de contenido. ..................................................................

2.1.2.1 Problemátic as... ......................... .... ........... 2.1.2.2 Tipos de objetos. ................................................................. 2.1.2.3 Escenarios y ambient es... ...... 2.1.2.4 Técnicas, métodos, modelos, fi .............. 2.1.2.5 Aplicaciones.. ........................... 2.1.2.6 Plataformas y equipo de cómp 2.1.2.7 Procesamiento .............. .......................................

....................................... 2.1.3.1 Basada en regiones.. .......................... 2.1.3.2 Basada en contornos.. .................................................. 2.1.3.3 Basada en modelos .............. 2.1.3.4 Basada en rasgos ..........................

2.1.3 Técnicas de segmentación.. .... .............................

............................................

2.1.4 Elección de la técnica de segmentación .......................... ........... .............. 2.2 Fundamentos.. ..............

2.2.1 Definiciones y conce ........................................ 2.2.2 Relaciones básicas entre píxeles.. ...... ..................................... 2.2.3 información del colo

2.2.3.1 Modelo de color RGB.. ......... ....................... 2.2.3.2 Modelo de color HSI ......................................... ...

...

...

...

.<.

... ... ...

... ... ...

1 ,V

bJ

vi

ix ...

VI11

X X

1 2 4 5 6 6 7 7 8 9

10 11 11 12 13 13 13 14 14 14 14 15 15 15 16 17 17 17 17 19 21 21 22

2.2.3.3 Conversión del modelo RGB al modelo HSI. .................................. 23

CApiTULO m. Y DISENO DE LA METODOLOGU DE SOLuclóN .................................... ............"'. 3.1 Análisis del movimi

3.2 Extracción de rasgos.. . . . . . . . . . . 3.3 Criterios de operac 3.4 Estructuras de dabs.. . . . . . . . . . . . . . . ._._._.__._. . . . . . . . . . . 3.5 Arquitectura ... ... ... .

4.1 Detección del movimiento.. . . . . . . . ... ... ..

. . . , . . . . . . . .

C A P ~ U L O IV. DESARROLLO E IMPLEMENTACI~N DE LA HERRAMIENTA . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . , . . , . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . , , , . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

4.4 Predicción.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . , . . . . . . . . . . . . . , . . . . . . . . . . . . . . .

4.4.3 Algoritmo de post-alimentación ... . _ _ . . . _ _. _ _ _ ... _ _. ;. . . . . . . . . . . . . . . . . . . . . . . , . . . .

CAPfiULO V. PRUEBAS Y RESULTADOS 5.1 Recursos técnicos utilizad 5.2 Descripción de los casos de prue 5.3 Experimentación.. . . . . . . . . . .

5.3.1 Etapa del semimien 5.3.2 Etapa de la predicción.. . . . . . . . . . . . . . . . . . . . . . .

5.4 Analisis de resultados ... . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . , . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

CAPhULo VI. CONCLUSIONES Y TRABAJOS -0s

24 25 27 28 31 34

38 39 39 40 42 42 44 45 45 45 47 48 49 49 50 52

,54 55 55 56 56 69 75

77

Referencias.. . . . . .. . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . ... 80

LISTA DE FIGURAS

1.1 1.2 1.3 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 4.1 4.2 4.3 4.4 4.5 4.6 4.7 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 5.12

asa que integran la metodo Segmentación basada en regi Segmentación basada en co Ejemplo de base de datos d Segmentación basada en m

Ejemplo de los diferentes t . . . . . . . . . . . . . . . . . . . . . Segmentación basada en rasgos.. . . . . . . .

Pixel con sus ocho vecinos.. . Ejemplo de conectividad entre pixeles.. . . i . . . . . . . . . . .. . .. . ... .. . . . . . . Representación del modelo de color RGB:. . . . . . . . . . . . . . . .

Posibles trayectorias del objeto ... . . . . . . . . . . . . . . . . . . . . . . . . ... Relación distancia-tiempo del rasgo de velocidad.. . .. . . . Representación de la esbuctum de datos para guardar valores del modelo R Representación de la estructura de datos para guardar valores del modelo H Arquitectura del sistema vista a nivel general.. . . . Arquitectura del sistema vista a nivel de la fase del seguimiento.. . . ._ .._..I.. . . .. ... .. Arquitectura del sistema vista a nivel de la fase de la Esquema de conversión de modelos ... ... . . . . ._ . . . . . . . _ _ _ . . Representación del subproceso de resta de imágenes Representación del análisis de la escena para la detección del objeto y fondo.. . . . . .. Representación y corrección de regiones Visualización del seguimiento de objetos Principio de mínimos cuadrados.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VisuahmciÓn de la predicción de la tray Visualización del experimento 1.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . , . . . . . . . . . . Visualización del experimento 2.. . . . . . . . . . Visualización del experimento 3 ........ ...... . . - ......... ......... <........ ......... ... Visualización del expenmento 4.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Visuahzación del experimento 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . , . . . , . . . . . . . . . . . . . . . . . . . . . . . . . . Visuahción del experimento 6. . . . . . . . . . . . . . . . . . . . . . . . Visualización del experimento 7 Visualización del experimento 8.. . _ _ _ . . . . . . . . . . . . , . . . . . . . . . . Visualización del experimento 9.. . . . . . . . . . . . Visualización del experimento io.. . . . . . . .._. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . _ _ Visualización del experimento i 1.. . . . . . . . . . . . .. . . . . . . . . . . . . , . . . . . . . . . . . . . . . . . . . . . .. .. . _ _. .. Visualización del experimento 12.. . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . . . ............. -.. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . Representación del tono e Visualización de las varia

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . , .

.... .... ..

.. . ..... ..

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.....

3 6 8

15 16 16 16 17 19 20 20 21 22 29 30 30 31 31 34 35 36 39 41 43 46 48 50 53 57 58 59 60 61 62 63 64 65 66 67 68

5.1 3 Visualización del experimento 13 . . . . . . . . . . . . . . . . . . . . . 5.14 visual i~ción del experimento 14.. . . . . . . . . . . . . . . . . 5.15 Visualización del experimento 1 5 5.16 Visualización del expenmento 16.. . . . . . . . . . 5.17 Visualización del experimento 17.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... 5.18 Visualización del experimento 18 " " ' . . ' ' . . ~ ~ ~ ' ~ ' " ' " ' ~ ' ' ~ " ' ~ ' ~ " " ' ~ - " ' " ~ ' ~ - ' ' ' ~

, . . . . . . . . . . . . . . . .

75

LISTA DE TABLAS

3.1 3.2 3.3 3.4 3.5 3.6 3.1 3.8 3.9 3.10 3.11 4.1 4.2 4.3 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8

Valores para las variables de tono e intensidad del rasgo de grandosidad Parámetros y valores del rasgo de nitidez.. . . . Parámetros y valores del rasgo de contraste.. . Parámetros y valores de la dimensión del objeto.. . . . . . . . . . Representación de la estructura de datos para el agmpam Representación de la matriz de ocurrencias.. . Representación de los vectores de desplazamiento.. . . . . . . . Representación de los vectores de trayectoria.'. . . . . . , . . . . . . , . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vectorec de velocidad en relación a las coordenadas x, y.. . . . Vectorec de velocidad en relación distancia-tiempo.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . _.. Representación de los vectores de estimación. ._ . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . _ _ . . . . Rasgos del seguimiento con variables y valores iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . _ _ Datos descriptivos de los objetos detectados.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Datos descriptivos del objeto con la trayectoria a predecir Lista de las secuencias de imágenes utilizadas en la experimentación.. . . . . . . . . . . . . . ...

Información del historial del objeto y estimación del experimento 13 ... .. . . , . . .. . . . ._, Información del historial del objeto y estimación del experimento 14.. . . . . . . . .. . . .. .., Información del historial del objeto y estimación del experimento 15.. . . . . . . . . . . . . . ._,

Información del historial del objeto y estimación del experimento 17.. . . . . . . . . _ _ . ._ ... Información del historial del objeto y estimación del experimento 18.. .

. . . . . . . . . . . . . . . . . . .

Valores de los vectores de trayectoria.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Información del historial del objeto y estimación del experimento 16.. . ...

28 28 29 29 32 32 32 33 33 33 33 39 48 51 55 69 70 71 72 73 74 75

4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8

LISTA DE ALGORITMOS

Agrupamiento de pixeles ............... Detección de cambios en Detección de fondo y o Conectividad v8 ............................ Corrección de regiones ............... Seguimiento en reticula .............................. ..................... Seguimiento en cruz ... Proceso de retroalimen ..............

.....................................

. .

40 41 42 44 46 47 47 50

LISTA DE ECUACIONES

2.1 Fórmula para obtener la componente del tono del modelo HSI .......................... 23 2.2 Fórmula para obtener la componente de la saturación del modelo HSI ................. 23 2.3 Fórmula para obtener la componente de intensidad del modelo HSI .................... 23 4.1 Fórmula para obtener la distancia cúbica absoluta ......................................... 41 4.2 Formulas para estimar la trayectoria del objeto ............................................ 51

Introducción Capítulo 1

Capítulo I

Introducción Desde la antigüedad el sentido más preciado del ser humano ha sido la vista, a diferencia dc los demás sentidos, la vista juega un papel muy importante en la vida diaria del hombre puesto que depende de ella en un 99% para extraer información del mundo que lo rodea [ 11.

Pagina I

Introducción Capitulo I

Su desarrollo ha pasado por un largo proceso evo1,utivo hasta llegar al estado de hoy. La evolución en sí es algo dinámico y cambiante, entonces la visión no podría existir sin diferentes movimientos que hay alrededor del ser humano. Muchos científicos tratan de descubrir la naturaleza de la visión humana investigando cómo se perciben y procesan los objetos. Por ejemplo, una teoría dice que durante la percepción o reconocimiento visual los ojos se mueven y se fijan en las partes más informativas de la imagen. Basándose en varias teorías de visión humana, los investigadores constmyen diferentes técnicas que con el tiempo se vuelven mas sofisticadas al encontrar nuevas ideas y desarrollar nuevos métodos. Todas estas técnicas entran en un área llamada visión por computadora.

La visión por computadora es la rama de la inteligencia artificial que tiene por objctlvo modelar matemáticamente los procesos de percepción visual en los seres vivos y geiierar programas que permitan simular estas capacidades visuales en la computadora [2 ] .

La visión por computadora incluye muchos campos de desarrollo. Pero en general cs un área que usa las técnicas para estimar los detalles en imágenes, relacionar las mediciones de detalles a la geometría de objetos en espacio e interpretar la información geométrica. La meta del sistema de visión por computadora es crear un modelo del mundo real a partir de las imágenes.

1.1 Antecedentes

Los orígenes de la visión por computadora se remontan a los años veinte, cuando se mejoró la calidad de las imágenes digitalizadas de los periódicos, enviadas por cable submarino entre Londres y Nueva York. Actualmente existen vehículos autónomos que han viajado de costa a costa en Estados Unidos y sólo han sido asistidos por un operador humano, el 3% del tiempo [3].

Considerando la capacidad visual de nuestros ojos y cerebro, los sistemas artificiales correspondientes son totalmente primitivos. El rango de objetos que pueden manejar, la velocidad de interpretación y la susceptibilidad a problemas de iluminación y variaciones. menores, en textura y reflectancía de los objetos, son ejemplos de las limitaciones de la tecnología actual. Por otra parte, la visión por computadora tiene claras ventajas en tareas repetitivas, a altas velocidades y de precisión.

Imitar o intentar reproducir las funciones del sistema de visión de los seres vivos, es todo un reto para un sistema de visión por computadora, debido a muchos factores que intervienen en este proceso, entre los cuales se mencionan los siguientes:

La visión humana es una actividad de procesamiento paralelo. En contraste, la gran mayoría de sistemas de visión artificiales usan procesamiento serial. La visión humana es naturalmente tridimensional debido a la estereoscopia, que cs la fusión de las imágenes tomadas por los dos ojos. Por otro lado, la mayoría de los sisicmas de visión artificiales aún realizan procesamiento bidimensional. Los seres humanos interpretan las imágenes de color, mientras que muchos de los sistemas de visión sintéticos, aún trabajan con imágenes en tonos de gris. La visión por máquina puede ser cuantitativa, mientras que la visión humana es principalmente cualitativa y subjetiva.

Página 2

Introducción Capítulo I

En la medida en que estas distancias, entre la visión humana y la Visión Por computadora se vayan reduciendo a través de la implementación de nuevos métodos, algontmos O técnicas, la posibilidad de emular cada día mejor las capacidades visuales de percepción de los seres Vivos aumentará significativamente, permitiendo con ello el desarrollo de nuevas y mejores aplicaciones en todo el campo de conocimiento.

La visión por computadora consta de cinco etapas principales: Adquisición de imágenes, preprocesado de la imagen, segmentación, representación y descripción, y reconocimiento (ver figura 1.1).

En este trabajo de tesis se realizaron e implementaron principalmente las etapas de adquisición de imágenes y segmentación, agregando tres etapas más: Detección, seguimiento y predicción del movimiento de objetos, de esta manera la estructura general de la visión por computadora vista desde un panorama más amplio quedaría como se muestra en la figura 1.1, en donde los cuadros en gris indican las etapas en las que se centra este trabajo dentro del contexto de un sistema de visión.

I 1 Adquisición de imágenes

+ *<*-., . .,. . . . . . - . .. . ., . .::;Detección , I ~ . del .. movimiento 9 .*'>&, .; < Z*,Y'. ..? ' ,. . i.? , i[:.i:. :. ..

1

1 . .. < u ~. -.. ~. Representación y descripción . . J .f. .Segiumiento . - ~ .

: ' :. ::&?*;.. ~.: . .-,: - - .

I .,. < , ' - : .

hedicci6n.de movimientos

I Toma de decisiones

I I

Figura 1.1 Etapas que integran un sistema de visión artificial. Las regiones en gris indican las áreas de incidencia de este trabajo.

Página 3

http://hedicci6n.de

Introducción Capitulo 1

La etapa de adquisición de imágenes, se refiere al hecho de grabar o adquirir las imágcnes desde algún medio como puede ser una cámara de video, una video casetera, etc. La finalidad es obtener un cierto número de imágenes que corresponden a algún acontecimiento en particular.

L~ etapa de pre-procesamiento de imágenes digitales, hace USO de las técnicas, metodos, filtros del área de procesamiento digital de imágenes para mejorar las imágenes con el fin dc que las siguientes etapas pueden trabajar sobre estas imágenes de mejor manera.

La etapa de detección del movimiento tiene por objeto determinar Si en la Secuencia de imágenes tratada existen objetos en movimiento, dadas ciertas restricciones.

La etapa de segmentación es la encargada de separar o dividir los diferentes objetos y fondos que se encuentran dentro de la escena visual. Esta etapa puede recibir la iniagen pre- procesada o EO, utiliza diferentes métodos y algoritmos para la detección de bordes, contornos y figuras geométricas dependiendo del tipo de objetos que se traten.

La etapa de representación, consiste en elegir la forma en que los datos obtenidos de la etapa de segmentación serán representados de manera visual y a nivel de la computadora para ser tratados posteriormente, la descripción también denominada selección de rasgos consiste en extraer rasgos con alguna información cuantitativa de interés o que sean fundamentales para diferenciar a la diversidad de objetos pertenecientes a la escena visual.

La etapa de reconocimiento, se encarga de asignar etiquetas a los diferentes objetos encontrados basándose en la información proporcionada por sus descriptores.

La etapa de seguimiento, se enfoca a la detección y persecución a través de secuencias de imágenes de objetos rígidos, la etapa de predicción estima o calcula mediante los datos proporcionados por la etapa de seguimiento las posibles trayectorias de los objetos tratados en cuanto a tiempo y posición de los mismos.

1.2 Justificación

En los tiempos actuales se ha vuelto cada vez mayor la necesidad de automatizar los procesos, con la finalidad de ayudar al ser humano en tareas repetitivas y de observación tales como: Inspección industrial, vigilancia y seguridad. De esta manera en el campo de la visión por computadora existen trabajos referentes al preprocesado de las imágenes, segmentación de regiones, reconocimiento, seguimiento de objetos, predicción de trayectorias, etc., en donde en cada uno de ellos se plantean diferentes métodos, técnicas y algoritmos para resolver un problema en particular. En dichos trabajos se presenta de manera constante el problema del tiempo de procesamiento y la capacidad de almacenamiento, dado que se trabaja con imágenes y cstas demandan mucha disponibilidad de estos recursos.

En este proyecto de tesis lo que se plantea es diseñar métodos, mecanismos y algoriiinos que permitan por un lado, realizar el seguimiento y la predicción del movimiento de objctos rígidos con la finalidad de contribuir al esfuerzo del grupo de visión artificial por integrar un sistema de visión por computadora cada vez más completo, y por otro lado atacar en la medida de lo posible los problemas de disponibilidad de recursos antes mencionados.

Pagina 4


1.3 Descripción del problema

Para poder llevar a cabo los procesos de seguimiento y predicción, la visión por computadora se auxilia de la disciplina que tiene por nombre procesamiento digital de imágenes. Esta disciplina lleva a cabo diferentes , actividades tales como segmentación de regiones,, ecualizacioii de histogramas, eliminación de ruido dentro de la imagen, ajustes en los niveles de iluminación, contraste, etc.

En este trabajo de investigación se detectaron tres problemas generales que a continuación se mencionan:

Análisis de la imagen. 0 Seguimiento de los objetos. 0 Predicción de trayectorias.

Brevemente, el análisis de una imagen contempla: La existencia de diferentes tonalidades entre píxeles que pertenecen a un mismo objeto, los bordes de un objeto en ocasiones no son inuy contrastantes con el fondo de la imagen, la existencia de objetos del mismo color o con forma similar, la información falsa llamada ruido que dificulta su análisis, la separación de objetos y fondos dentro de la imagen. Debido a esto se tienen que desarrollar mecanismos que ayudcn a mejorar una posible interpretación de la imagen.

Por otro lado, el problema del seguimiento radica principalmente en: Detectar el movimiento de un objeto al comparar dos imágenes, agiupar las regiones en movimienio y guardar o visualizar en pantalla dichas regiones.

El problema de la predicción se compone básicamente de tres fases: La fasc de retroalimentación o guardado de datos, la fase de cálculo o estimaciones y por último la fasc de desplegado o el resultado de la información tratada. La primera fase consiste en extraer los datos del movimiento del objeto a predecir, la segunda y tercera fase se refieren al manejo de estos datos. Los resultados esperados en la predicción están relacionados a los dos problcinas anteriores, debido a que si no se hace un correcto análisis de la imagen y un adecuado seguimiento, se obtendrá como resultado una predicción poco exacta de la trayectoria del objeto.

Existen también otros factores que pueden intervenir directamente en el desarrollo dc una metodología para el seguimiento y predicción del movimiento de objetos rígidos, entre los cuales se encuentran:

La profundidad, relacionada con la distancia bidimensional entre los objetos y la escena AI permitir el movimiento libre de los objetos, estos pueden traslaparse unos con otros. La caracterización del comportamiento basado en el movimiento del objcto a predecir.

Resumiendo, el problema que se plantea es, cómo realizar el seguimiento y la predicción del movimiento de objetos rígidos en ambientes complejos, dadas las condiciones y limitantes que se plantearon con anterioridad.

Página 5


. La figura 1.2 muestra, en la parte izquierda, una imagen original en tono de grises, en la parte central un posible seguimiento de los objetos en movimiento y en la parte de la derecha una posible caracterización de los diferentes objetos basado, en las coordenadas y en el tiempo de ocurrencia de los mismos [22].

a) Imagen real.

.. . .2'' i

b) Seguimiento

iIP

c) Caracterización

Figura 1.2 Ejemplo de seguimiento y caracterización de objetos en movimiento.

En la figura 1.2.a se observa una imagen con automóviles en movimiento cruzando una avenida, los cuales pueden tener distintos comportamientos.

En la figura 1.2.b se visualiza un posible seguimiento de los automóviles, destacando sólo los autos en movimiento.

En la figura 1.2.c se presenta una posible caracterización de los objetos, es decir una especificación del comportamiento, en donde se pretende, predecir la posible trayectoria del objeto.

1.4 Objetivo

Desarrollar una metodología y su posible implementación en una herramienta de software que ayude a detectar, seguir y predecir los movimientos de objetos rígidos en un ambiente complejo.

1.5 Alcances y limitaciones

Las características principales con las que se aborda el problema en el desarrollo de esta tesis son las siguientes:

Se utilizan secuencias de imágenes con independencia de la frecuencia de cuadros por segundo. Las secuencias de imágenes se extraen de los archivos de video con extensión AVI. El proceso se lleva acabo ya sea con imágenes a color o en niveles de grises. Se trabaja con ambientes complejos, con movimiento libre de los objetos. Se trabaja sólo con objetos rígidos.

Página 6


La herramienta está enfocada para realizar el seguimiento y la predicción usando una cola cámara. El seguimiento contempla un máximo de diez objetos simultáneamente. La implementación de la herramienta es a través del lenguaje de programación C++ Builder. La herramienta contempla el uso de diferentes escenarios. Se determina de manera automática las regiones de los objetos a seguir. No se realizará el reconocimiento de los objetos, dado que no es el objetivo de este proyecto. La interfaz entre la herramienta y el movimiento de la cámara no está contemplada en este proyecto de tesis. La predicción se realizará con un objeto a la vez, ignorando a otros posibles objetos en movimiento.

1.6 Propuesta de solución

La metodología propuesta para solucionar el problema planteado radica básicamente en utilizar toda la información del color que sea posible, se realiza una conversión del modelo clásico de color RGB (Red, Green, Blue) al modelo HSI (Hue, Saturation, Intensity), de esta manera se pretende obtener las relaciones, distancias, tonalidades, probabilidades y agrupamientos entre los píxeles dentro de las secuencias de imágenes, que permitan alcanzar el objetivo planteado.

La metodología consta de cinco fases esenciales: Inicializacion, detección del movimiento, segmentación, seguimiento y predicción. En la figura 1.3 se muestra el diagrama de la metodología planteada.

En la fase de inicialización, se realizará un agrupamiento de regiones utilizando el modelo de color HSI en sus valores de tono e intensidad de cada píxel de la imagen, tomando como base el primer cuadro de la secuencia de imágenes. La fase de detección del movimiento, se llevará acabo empleando la técnica de resta de imágenes, los valores obtenidos de la resta de imágenes serán guardados en una matriz de ocurrencias. La etapa de segmentación se desarrollará recorriendo la matriz de ocurrencias y utilizando un algoritmo recursivo de conectiviúud 8 pixel, con la finalidad de agrupar las regiones en movimiento. La etapa de seguimiento se llevará acabo de dos maneras: a) El objeto será encerrado en una retícula cuadrada tomando los valores de los bordes; b) Se dibujará una cruz en el centro del objeto de color contrario al de la retícula, esto con la finalidad de no perder de vista al objeto. La fase de predicción, se realizará mediante la técnica de regresión lineal utilizando los datos obtenidos del seguimiento y la ecuación de míniiiioc cuadrados.

1.7 Beneficios

Los beneficios que se obtienen con el término de este proyecto de tesis son los siguientes:

Se cuenta con el diseño de una metodología para detectar, segmentar, seguir y predecir el movimiento de objetos rígidos en un ambiente complejo.

Página 7

introducción

Se cuenta con la impiementación de una herramienta de software, que a través de secuencias de imágenes, es capaz de detectar, segmentar, seguir y predecir el movimiento de diversos objetos rígidos en diferentes escenarios y circunstancias, en tiempos de procesamiento bastante razonables. La incorporación de la metodología a una amplia gama de aplicaciones en diferentes campos del conocimiento: Medicina, Robótica, Astronomía, Biología, etc. La integración de la metodología a trabajos futuros en el área de la visión artificial, para darle continuidad a un proyecto más extenso.

Capítulo I

'I

Resta de imágenes

Conectividad 8 píxel

Figura 1.3 Fases que integran la metodología de solución

Conversión de RGB a HSI

1.8 Aplicaciones

Algunas de las aplicaciones de las técnicas del seguimiento y de predicción del movimiento de objetos presentadas en este trabajo son las siguientes:

Detección de obstáculos para robots de navegación autónoma. Estudio del comportamiento de microorganismos celulares. Determinación de parámetros de tráfico de automóviles. Sistemas de seguridad y vigilancia. Determinación de posibles trayectorias de colisión de objetos móviles. Sistemas de inspección visual en la industria.

Página 8


1.9 Organización del documento de tesis

EI documento de tesis está estructurado en seis capítulos, 10s Cuales se describen brevemeiite a continuación:

Capitulo I Introducción. En este capítulo se presenta una introducción a la inteligencia artificial, se justifica el proyecto, se realiza el planteamiento del problema, se define el objetivo general, se diseña la metodología de solución, se delimitan los alcances, se establecen los posibles beneficios con este proyecto de investigación y se enlistan algunas de las posibles aplicaciones del niicino.

Capítulo I1 Marco de referencia. Aquí se resumen algunos de los articulos consultados en la literatura y se describen los términos y conceptos utilizados a lo largo de este documento.

Capítulo 111 Análisis y diseño de la metodología de solución. En este capítulo se analiza y diseña la metodología que da origen a la solución del problema, se extraen los rasgos para realizar el seguimiento y la predicción del movimiento de objetos, se establecen los criterios de operación de los mismos, se diseñan las estructuras de los datos y finalmente se diseña la arquitectura de operación del sistema con sus respectivas etapas.

Capítulo IV Desarrollo e implementación de la herramienta. El desarrollo e implemeiitacióii de las etapas de inicialización, detección del movimiento, segmentación, seguimiento y predicción se llevan a cabo en este capítulo,

Capítulo V Pruebas y resultados. Allí se muestran las pruebas y los resultados obtenidos cot1 el objetivo de verificar la funcionalidad del sistema.

"1 Conclusiones Y trabajos futuros. Finalmente se presentan algunas conclusiones y trabajos futuros con relación al proyecto realizado.

Pagina 9

Marco de referciicia Capítulo 11

Capítulo I1

Marco de referencia En este capítulo se abordan dos principales temáticas: El estado del arte y los fundamentos teóricos. En la primera se presentan algunos trabajos encontrados en la literatura relacionados con este proyecto de tesis, en la segunda se explican algunos conceptos referentes al área de visión artificial.

Página IO

Marco de referencia Capítulo I1

2.1 Estado del arte

AI analizar los diversos trabajos relacionados con el seguimiento y la predicción del moviniiento de objetos, se observó que es dificil establecer una comparación entre los diferentes reportes de la literatura encontrada, dado que cada uno ataca el problema desde distintas perspectivas, dc tal modo que las restricciones, alcances y limitaciones en cada uno de ellos varía. Sin embargo, en este capítulo se trató de recopilar aquellos trabajos en donde las condiciones eran de iiiayor similitud con respecto al presente proyecto en cuanto a problemática, tipo de objetos, foiidos, escenarios, procesamiento, técnicas y aplicaciones.

2.1.1 Resumen de artículos relevantes

A continuación se presentan algunos artículos en donde se destacan los puntos más iinportaiites tales como: La idea principal, características, técnica de solución, modelo matemático qtie se utilizó, pruebas realizadas y los resultados que obtuvieron.

En [ 5 ] trata de Polígonos activos para el seguimiento de objetos, la idea principal es realizar el seguimiento de objetos rígidos mediante la localización de bordes adyacentes dc un polígono en una secuencia de imágenes.

Se caracteriza por realizar la estimación del campo de velocidad para la localizacióii de los vértices de un polígono y por segmentar el espacio y el movimiento, esto puede ser lozrado rápidamente involucrando sólo las posiciones de los vértices y los bordes adyacentes cn la computadora.

La técnica que utilizaron fue diseñar el flujo del gradiente para mover los vértices del polígono, con el objetivo de analizar un área de la imagen dentro de regiones significativanicnte diferentes.

En una secuencia de imágenes se estimaron los vectores del campo de velocidad para cada uno de los cuatro vértices de un objeto rectangular, que rotaba en dirección de las manecillas del reloj. Concluyeron que las direcciones del campo de velocidad son bastante satisfactorias para realizar el seguimiento de los objetos utilizando esta técnica basada en polígonos activos.

En [6] trata de un rastreador basado en rasgos 3D para el seguimiento de múltiples objetos, utilizan un mecanismo binocular controlado por una computadora para realizar el seguimiento de objetos en 3D. El rastreador opera en dos fases: Fase de inicializacióii y fasc de seguimiento.

Utilizan el filtro Kalman para la predicción de rasgos en 3D. Incluye divcrsos movimientos de objetos rígidos y articulados. Se hacen múltiples agrupamientos de objetos rígidos teniendo en común movimientos en 3D que realizan la predicción de la localización dc los rasgos en 3D cada instante de tiempo.

Proponen el método de agmpamiento RANSAC (RAN- dom Simple Consensus) pat-a la segmentación y la estimación del movimiento.

0 4 - 0 6 1 6 Página I I

Marco de referencia Capítulo 11

Su técnica se basa en la extracción de los rasgos obtenidos de las imágenes tomadas Por el mecanismo binocular, pasan a la etapa de mapeo temporal en dos dimensiones con el f in de localizar posibles posiciones de rasgos, de ahí pasan a la etapa de tnangulación y correspondcncia estereotipo donde hacen coincidir los conjuntos de rasgos del par de imágenes en instantcc de tiempo actual, después se realiza la estimación y agrupamiento de los movimientos dc los objetos, se aplica el filtro,Kalman para la predicción de los rasgos en 3D, finalmente se haccn las proyecciones de rasgos de 3D a 2D y se vuelve a iniciar el ciclo en la etapa de mapeo temporal de dos dimensiones

Las pruebas que realizaron fue seguir de tres a cinco objetos rígidos en movimieiiio, a través de simulaciones por computadora y también en secuencias de imágenes reales. con movimientos de rotación y traslación con 26 puntos de rasgos sobre la superficie de la imagen. El resultado que obtuvieron fue, que cuando el número de objetos en movimientos se incremeiiiaba de tres a cinco, la taza de error en la clasificación se incrementaba de 1/78 a 41130. Conciuycron que la pmeba había sido aceptable dado que los cinco objetos en movimiento aún estaban agrupados correctamente.

En [7] se enfocan a la inicialización automática del seguimiento de objetos poliédricos para aumentar las aplicaciones reales. Su objetivo es detectar, reconocer y seguir de manera automática el movimiento de objetos poliédricos (objetos de forma sólida de muchos lados). Se hace énfasis en la fase de inicialización, plantean tres aspectos principales del problema de registro para el modelo de la imagen: Detección de rasgos, correspondencia y estimación de la posición.

Desarrollaron un método que se basa en la detección de la superficie de un poliedro que reduce en gran medida el número de correspondencias entre los rasgos, haciendo posible calcular directamente la trasformación la cual mejora los mapas del objeto 30 para el plano de la imagen. Utilizan un rastreador monocular en tiempo real, basado en el concepto de optimizacióii. El primer paso es calibrar la cámara y después se usa un rastreador basado en un modelo del objeto para registrar el objeto de interés correctamente. También se usa el rastreador para seguir el movimiento de la cámara en tiempo real. Dado un modelo 3D de un objeto poliedro, en cada paso el rastreador estima la posición mediante los parámetros encontrados, que maximizaii el promedio del gradiente de la imager? a lo largo de la proyeccijn del modelo en la imagen.

Se hicieron vanos experimentos para evaluar el desempeño del algoritmo, se usaron modelos de objetos poliédricos simples para probar la fase de reconocimiento. Mostraron como los objetos fueron correctamente detectados con la información de la posición de los verticcs de los objetos poliédricos. La fase de inicialización trabaja razonablemente rápida (alrededor de cinco segundos). La prueba de oclusión parcial de un objeto fue correctamente desempeñada por el sistema, el objeto llegó a reconocerse.

2.1.2 Análisis de contenido

En esta sección se presenta de manera general los rasgos más importantes analizados en el estado del arte tales como: Problemáticas, aplicaciones, técnicas, métodos, modelos, fi Itros, herramientas, sistemas, equipo requerido, tipos de objetos,.procesamiento, escenarios, ambientes, etc.

Página 12

arco de refercncia Capítulo I1

2.1.2.1 Problemáticas

L~~ problemas más analizados en la mayoría de los artículos Son 10s Siguientes: 1) de oclusiones, 2) Sombras, 3) Obstáculos, 4) Colisiones y trasiapes entre regiones, 5 ) Cambios cn la iluminación, 6) Ruido, 7) Estimación de posibles movimientos de la cámara, 8) Identificación de texturas, 9) Seguimiento, de nuevos objetos, 10) identificación de objetos estáticos y 11) LOS problemas clásicos de apertura y correspondencia.

Ahora, cada investigador ataca estos problemas de manera diferente y además trata de resolver otros que son específicos al proyecto de investigación que presentan, así se tiene quc: A) en [6,30] tratan la búsqueda de correspondencias entre un par de imágenes que pertenecen a una misma fracción de tiempo, B) en [5,7,8,21,34] estiman la posición mediante una forma determinada del objeto, C) en [9,27] calculan el centroide de múltiples objetos, D) en [10,22,28,29,30,31,33] estiman el movimiento en tiempo real, E) en [10,18,24] utilizan métricas que ayudan a probar y evaluar el desempeño de algoripos para el seguimiento y predicción del movimiento, F) en [I 1,141 calculan la calibración de la cámara para realizar el seguimiento, G) en [12] buscan correspondencias entre una imagen y una parte o fracción de la misma imagen, H) en [13] integran audio y video, I) en [I51 asignan probabilidades de pertenencia, J) en [I61 reconsmyen la forma del objeto, K) en [I71 segmentan los objetos, L) en [20,35] estiman el movimiento en base al contorno del objeto, M) en 123,261 realizan el seguimiento basado en vectores de movimiento, N) en [25] combinan la información del color, bordes y vectores de movimiento, O) en [32] estiman el movimiento de objetos articulados basado en restriccioncs de la cinemática.

2.1.2.2 Tipos de objetos

En [5,6,7,9,13,14,17,19,21,22,25,26,27,3 1,351 manejan objetos rígidos como vehículos, aviones, cohetes, objetos poliédricos, polígonos, etc., en [10,13,32] manejan objetos con articulaciones como robots, brazo humano, etc., en [8,11,15,16,20,23,33,34] manejan objetos alfa flexibles o deformables como: rasgos faciales, movimientos del cuerpo humano, animales, etc., en [28,29,30] manejan cualquiera de los tipos de objetos mencionados previamente.

2.1.2.3 Escenarios y ambientes

En 161 consideran un ambiente confuso y controlado, debido al ruido introducido a las imágcnes y a que sólo aparece el objeto de interés a seguir; en [5,6,7,9,11,13,14,16,17,18,28,30,32,35] se trabaja con ambientes controlados ya que el escenario es arreglado para que sólo aparezca el o los objetos de interés. En [10,15,21,22,26,31,33,34] se trabajan escenarios naturales con fondo estático relajados; en [23,29] utilizan escenarios de cualquiera de los mencionados previaincnte, en 1201 se trata con ambiente complejo, el cual trata con múltiples objetos en movimiento, detecta las oclusiones, la división y separación entre los objetos.

- Pagina 13

Marco de referencia Capitulo I1

2.1.2.4 Técnicas, métodos, modelos, filtros, herramientas Y sistemas

En [6] emplean la técnica RANSAC y el filtro Kalman lineal, en [SI emplean la ecuación Zakai Y el método de la propagación de la partícula de bifurcación, en [8,11] usan el filtro Kalman Extendido, en [7] utilizan un sistema AR y el algoritmo POSIT, en [IO] utilizan su propia técnica basada en segmentaciÓn.por color, en [lo] utilizan la herramienta RAVEN para evaluar el desempeño de algoritmos, en [ i i ] utilizan l a técnica RAC, en [12] utilizan la distancia de Hausdorff, en [I31 utilizan el Filtro Kalman descentralizado, en [14,21] utilizan el filtro Kalinan implícitamente extendido, en [I51 utilizan el filtro Kalman,'en [I81 utilizan histogramas de color, en [32] utilizan un modelo de prisma escalable, en [34] utilizan un modelo de forma activa, en [35] utilizan un modelo de contorno activo llamado Snake, en [31] utilizan el método MBB, en [25] utilizan una combinación de restricciones, en [5,9,16,17,19,20,23,26,27,28,29,30,33] utilizan sus propios métodos y técnicas.

Cabe mencionar que la mayoría de los artículos consultados implementan herramientas auxiliares en sus métodos tales como: La distancia euclidea, el operador sobel, la matriz de covananzas, la transformada de Hough, modelo HSI, la distancia de Mahalanobis, Funciones de densidad, Probabilidad Gaussiana, Red Bayesiana, etc.

2.1.2.5 Aplicaciones

En [5,17,21,22,26,27,31] se refieren al control y supervisión de vehículos en tráfico de carreteras, en [6,7,10,11,13,32,] se refieren a la manipulación y desarrollo de robots, en [9,14,15,26,27,30,33,34] se enfocan a los sistemas de supervisión, control, seguridad y vigilancia, en [17,20,23,28,31] se enfocan a nuevas formas para la compresión del video usando el formato MPEG 4, en [8,29,] se enfocan a videoconferencias, en [i6] se enfocan a procesos de multinicdia y realidad virtual, en [32] se refieren al seguimiento de componentes en una industria de ensamblado, en [12,35] se aplican para reconstruir secuencias de imágenes, en [25] se utiliza para detectar el movimiento de la pelota en un juego de basketball.

2.1.2.6 Plataformas y equipo de cóniputo utilizado

En [6] utilizan una cabeza binocular controlada por una computadora, en [9] presentan una arquitectura de chip especial para el seguimiento de múltiples objetos, en [IO] presentan una arquitectura para el procesamiento en tiempo real, en [ i l l presentan una arquitectura para el movimiento de la cámara de video digital, en [16] utilizan una cámara de iluminación. en [ I 1,14,29] utilizan una cámara en movimiento, en [10,16,22,28,31] utilizan una cániara estacionaria, en [30] utilizan dos cámaras estacionarias, en [33] utilizan una computadora Pentium IV a 1.7 Gigahertz, en [5,7,8,13,14,15,17,20,21,23,25,26,27,32,34,35] utilizan equipo de computo convencional.

2.1.2.7 Procesamiento

En [5,6,8,10,11,l5,17,18,19,20,21,23,25,27,32,34,35] el procesamiento es a través de secuencias de imágenes, en [7,12,14,16] lo realizan en tiempo cercano al tiempo real y en [9,13,22,28,29,30,31,33] lo llevan acabo en tiempo real.

Pánina 14

Marco de refei-ciicia Capítulo I1

2.1.3 Técnicas de segmentación

La segmentación de imágenes tiene su origen en numerosos estudios psicológicos que indican la preferencia de los humanos por agrupar regiones visuales en términos de proximidad, similitud, continuidad y conectividad, para construir un conjunto de unidades significativas basadas en píxeles, regiones o contornos. Al construir estas unidades significativas se toma en cueilia la información contenida en las imágenes en cuanto a: intensidad, color, tonalidad, textura, movimiento, etc.

En esta sección se analizan cuatro formas principales encontradas en la literatura para realizar la segmentación de los diversos objetos contenidos en una secuencia de imágenes. Cabe mencionar que cada técnica corresponde a una aplicación en particular y resuelve un problema específico.

ES preciso decir que cuando se obtiene una buena segmentación puede ayudar bastante a resolver los problemas de seguimiento y predicción del movimiento de objetos.

2.1.3.1 Basada en regiones

La técnica busca las regiones que se encuentran dentro de la imagen considerando los píxeles que estén agrupados mediante algún color o nivel de intensidad, utilizan la inforniacióii del movimiento, color, textura. El agrupamiento de regiones por medio del color está basado en diversos umbrales, tiene la facilidad de segmentar cualquier tipo de objeto, acepta deformaciones ligeras. En la figura 2.1 se muestran dos pares de imágenes segmentadas utilizando la información del color.

Figura 2.1 Segmentación basada en regiones

2.1.3.2 Basada en contornos

La técnica basada en contornos, sigue sólo el contorno del objeto y no un conjunto completo de píxeles del objeto, su implementación requiere mayor complejidad, es susceptible a fallas cuando se presentan oclusiones entre objetos. En la figura 2.2 se muestra la segmentación basada en contornos, de izquierda a derecha se observa la imagen original, la cabeza de un animal. las ramas de los árboles y el cuerpo de otro animal que han sido segmentados a través de esta técnica.

Página 15

Marco de refeicncia Capítulo I1

2.1.3.3 Basada en modelos

La técnica basada en modelos necesita conocer a priori la forma que comúnmente adoptan 10s objetos, dicha forma es comparada en cada cuadro de imagen con la base de datos de los modclos y si el objeto es reconocido entonces es proyectado en el monitor. Se necesita una gran cantidad de almacenamiento para guardar todos los modelos de los objetos; un objeto que no esté cn la base de datos no podrá ser identificado como tal. En la figura 2.3 se muestra una posiblc baie de datos de los objetos y en la figura 2.4 se visualiza la identificación del objeto y la segmentación basada en esta técnica.

Figura 2.2 Segmentación basada en contornos

pirk,,l> ,111111\-:111

4 Figura 2.3 Ejemplo de base de datos de modelos de objetos

Figura 2.4 Segmentación basada en modelos

Página Iú

Marco de refercilcia Capitulo 11

2.1.3.4 Basada en rasgos

La técnica basada en rasgos genera varios vectores de movimiento para cada pixel de la imagen, con la finalidad de estimar el movimiento, velocidad, dirección, tamaño, aceleración, etc. En la figura 2.5 se muestra la imagen original a la izquierda y a la derecha una representación dc los píxeles de la imagen, los cuales pueden generar vanos vectores de movimiento con la finalidad - de segmentar los objetos de interés.

Figura 2.5 Segmentación basada en rasgos

2.1.4 Elección de la técnica de segmentación

Con base en el estudio del estado del arte y a la problemática planteada en la sección 1.3, la técnica que se utilizó para realizar la segmentación de imágenes, y de esta manera realizar el seguimiento y predicción de las trayectorias de los objetos en movimiento, está basada poi- un lado en segmentación por regiones para utilizar la información del color proporcionada por los modelos RGB y HSI, y por otro lado en detección y extracción de rasgos tales como velocidad de movimiento, dirección de la trayectoria, tamaño del objeto, etc.

2.2 Fundamentos

En esta sección se explican algunos conceptos del tratamiento de imágenes, se definen términos y se abordan los temas de: relaciones básicas entre píxeles y la información que puede proporcionar el color dentro de una imagen o en un conjunto de ellas. Esto con la finalidad de comprendcr los temas que serán tratados más adelante en este documento de tesis.

2.2.1 Definiciones y conceptos

AI tratar de definir algunos términos, en la literatura se encuentra muy comúnmente que existen diferentes autores que los explican de diferentes maneras, dependiendo del área de estudio y del problema en particular que se aborde. En el área de visión artificial se han acuñado una serie amplia de conceptos, algunos son descritos a continuación, dado que serán utilizados con cierta frecuencia en este documento.

Página 17

Marco de reterclicla Capítulo 11

fmagen, tridimensional en un determinado instante de tiempo.

Cuadro. ES una matriz bidimensional de valores de intensidad luminica obtenidos para un tiempo t , puede decirse que es en cierta forma una imagen discretizada.

Pkel. Es el elemento de color más pequeño en que se puede dividir una imagen, representa por lo tanto un valor de intensidad lumínica.

Secuencia de imágenes. Es una muestra discreta en espacio y tiempo de imágcnes contínuas.

Procesamiento digitul de imágenes. Es una disciplina que desarrolla las bases teóricas Y algorítmicas mediante las cuales pueden extraerse información del mundo real, de manera automática a partir de una imagen observada, de un conjunto de imágenes o de una secuencia. Tal información puede relacionarse con el reconocimiento de objetos genéricos, descripciones tridimensionales del mismo, posición y orientación del objetos o la medición de cualquier propiedad espacial tal como la distancia entre dos puntos bien definidos o la sección transversal del objeto.

la proyección en perspectiva en el piano bidimensional de una escena

Veciores de movimiento. Son un conjunto de parámetros que representan a los objetos en cuanto a velocidad, tamaño, orientación, etc.

Objetos. Es el nombre que se les da a todo aquello que aparece en una imagen visual y que debido a la perspectiva tridimensional del mundo no es un fondo de la misma. De manera general existen tres tipos de objetos que pueden aparecer en una imagen y que se describen a continuación:

1. Objetos Rígidos. Son aquellos en donde la distancia entre los puntos del objeto no cambia al igual que su estructura geométrica, sólo cambia su percepción debido a los movimientos realizados por el objeto. En la figura 2.6.a se mucstra un ejemplo de un objeto rígido.

2. Objetos Articulados. Son aquellos. que están construidos de partes rígidas con diferentes puntos de articulación, la distancia puede cambiar entre diferciites puntos de las articulaciones y por lo tanto tienen la capacidad de transformarse en otra figura geométrica dependiendo del grado de giro de dichas articulaciones. En la figura 2.6.b se muestra un ejemplo de un objeto articulado.

3 . Objetos AlfuJexibles. Son aquellos en donde la distancia entre puntos del objeto cambia constantemente debido a su gran flexibilidad de movimiento. Esto liace que sea muy dificil obtener una descripción completa del objeto. En la figura 2.6.c se muestra un ejemplo de un objeto alfaflexible.

Página I8

Marco de refercilcia Capítulo 11

a) Rígido b) Articulado c) Alfa-flexible

Figura 2.6 Ejemplo de los diferentes tipos de objetos

Ambiente complejo. Contiene objetos muy similares en forma y tamaño con posibles oclusiones o traslapes, pueden estar poco contrastados, el fondo puede confundirse con el objeto lo que dificulta su identificación y persecución o seguimiento.

Seguimiento. El proceso de seguimiento se traduce en el control de la ‘‘mirada del sicieina visual” sobre el objeto móvil, esto implica que cualquier objeto móvil que esté preseiiic en la escena visual debe ser localizado y rastreado por la herramienta de software [36].

Predicción. Es el proceso de calcular mediante algún método matemático las posibles coordenadas o trayectorias que tomará un objeto a través de la secuencia imágenes en algún tiempo y espacio determinado.

Resta de imágenes. Consiste en analizar y comparar un par de imágenes de una secuciicia de imágenes para determinar los cambios y diferencias entre una imagen y otra.

Flujo Óptico. Es un vector de desplazamiento o vector de velocidad, que asigna a cada pixel de una imagen las componentes de desplazamiento, utilizando la informacióii de intensidad del nivel de brillo y contraste de una secuencia de imágenes. Este ceinpo vectorial no corresponde al desplazamiento real tridimensional, sino ai nioviniicnto aparente en el plano de la imagen (dos dimensiones) [37].

2.2.2 Relaciones básicas entre píxeles

De manera general se trataran las dos principales formas de relacionar a los píxeles de una imagen: Por su vecindad y por su conectividad.

Vecindad. Se dice que un pixel p tiene cuatro vecinos verticales y horizontales, y cuatro vecinos diagonales, siempre y cuando se cumpla que éste no se encuentre al borde de la imagen.

Pagina 19

Marco de referciicla Capítulo I1

LOS cuatro vecinos verticales y horizontales están dados por las coordenadas:

(X f J . Y), (x - J , Y)) (Xt Y + J) , (x, Y - 1)

Los cuadro vecinos en diagonal dep, tienen las coordenadas:

x - 1, y f J) , (X - 1, y - 1) (x f I , y + I), (x + I . y - I) , (

En la figura 2.7 se muestra el píxel p central con sus ocho vecinos antes mencionados.

Figura 2.7 Pixel con sus ocho vecinos

Conectividud. Se dice que dos píxeles están conectados si cumplen algún criterio de similitud y si se puede establecer un camino de adyacencia entre ambos. Por lo tanto dos píxeles pueden ser vecinos pero no estar conectados y viceversa.

En la figura 2.8 se muestra la conectividad existente entre los píxeles que tienen en coiiiún valores similares o tienen valores controlados por un umbral previamente establecido, los píxeles de color gris muestran esta relación, el píxel que inicia la conectividad es el que se indica con un círculo, como se observa la relación empieza con el valor 240, es decir todos los pixeles vecinos que contengan un valor similar serán conectados entre sí para formar una región de valores similares, se observa también que existen píxeles con valores similares que no están conectados, esto se debe a que no existe un camino para conectar dichos píxeles a algún píxel ya relacionado.

Figura 2.8 Ejemplo de conectividad entre píxeles

Página 20

Marco de referciicia I I

2.2.3 Información del color I I

I Capitulo I1

~1 proceso seguido por el cerebro humano para percibk el Color, es un fmheno que se ha llegado a entender; sin embargd, la naturaleza f i s h del Color se puede expresar en una formal corroborada por resultados experimentales y tdhcos.

no

I I 1666, Sir Isaac Newton descubrió que cuhdo un haz de rayos solares atraviesa un

prisma de vidrio, el haz emergente :no es blanco, sin4 que Consiste en un espectro continuo de colores que van desde el violeta de un extremo, al rojo del extremo opuesto. Así que cuando se observa el color real Se ve que ningún color del esdectro finaliza bruscamente, sino que cada color se mezcla suavemente con el siguiente.

Básicamente, los colores que los seres hbmanos percibimos en un objeto cstán determinados por la naturaleza de ¡a luz reflejada pdr el objeto, la luz visible está formada por una banda de frecuencias relativamente estrecha del'espectro electromagnético. Un cuerpo que refleje luz que esté relativamente equilibrada en todas las longitudes de onda aparece como blanco para el observador.

I I

I 1 I La luz visible abarca la región del espectro electromagnético comprendida entre los 400 y

los 700 nanómefros aproximadamepte. La CIE (Codisión Internacional de Iluminación) en I93 1 designó los valores de onda para los tres colores pridarios: Azul = 435.8 nrn, verde = 546.1 um, y

I rojo = 700 nm. 1 1

I 2.2.3.1 Modelo de color RGB

I En el modelo de color RGB, cada color aparece con sus componentes espectrales primarias de rojo, verde y azul. Las imágenes c8nsisten en tres planos de imagen independientes, uno por cada

!

color primario. I i

Cada color Primario toma valores enteros desde O hasta 255. Las combinaciones en ,las intensidades de estos tres colores primarios, da coni0 resultado la mayoria de 10s colores que el OJO humano es capaz de percibir. De esta manera, p y a representar los diferentes colores reales se necesitan256 diferentes intensidades por cada uno de los colores primarios, es decir: 256 * 256 b

I

256 = 16'777.216 diferentes colo{es. Como se Pueden combinar de manera proporcional para

en la figura 2.9, 10s colores primarios se origen a 10s diferentes colores que c i ser

i humano es capaz de percibir.

I I Figura 2.9 Representación del +odelo de color RGB

ISEP CENIDET /CENTRO D~~N~QFMACION

I

luminosas. i

I I

Figura 2.10 Representación delltono en el modelo HSI

I I I I Página 22

Marco de referciicia 1 I ! Capítulo I1

2.2.3.3 Conversión del modelo RGB al modelo HSI

El modelo de color RGB necesitalde sus tres variables para obtener un determinado color, mientras que las variables del modelo HSI son indepdndientes, lo que significa que cada una de sus componentes se puede utilizar de forma separada,lsin embargo cada componente del modelo HSI necesita de las tres variables del modelo RGB para obtener su valor.

I

I 1

I

I I

En la ecuación 2.1, se muestra la fórmula para obtener la componente del tono, cn la ecuación 2.2, se muestra la fórmula para obtener la cdmponente de saturación y finalmente eii la ecuación 2.3, se muestra la fórmula para obtener la componente de intensidad. Dichas ecuaciones fueron tomadas del libro “Tratamiento digital de imág!enes” [3].

I

I

I I

I 1

1 1

I I I Ecuación 2 1 Fórmula para obtener I: componente del tono

I i i

S = l - R + G + B

R + G ~ B I = I

31

Ecuación 2.2 Fórmula para obtener ¡a componente de saturación

I i i, I I

! I I Ecuación 2.3 Fórmula para obtener la componente de intensidad

1 i I 1 t

Obteniendo estas tres fóhulas, i

En el siguiente capítulo se analiza y disena 1 - la metodología de solución al problema

se cuenta con I el modelo de color HSI, el cual pet-mite utilizar los tres valores de las va&ables de forma independiente, esto es básico para realizar los procesos de detección de movimiento y segmentacibn de regiones.

I planteado. !

I <

I I Pagina 23

Capitulo 111 ~i I 1 Análisis y diseño de la metodología de sOliic¡Ón

I I i

f solución I

I

I I f i 1

f i i I

I I I

t '

I I

I j I

C 1 I apítulo I11

1 En este capítulo, se analizan los kmentos que dar! origen a la percepción visual del movimiento a través de secuencias de imágenes, se extraen hos rasgos más importantes que facilitan la

información, se establecen los criterios de operadión y finalmente se diseña la arquitectura de operación del sistema.

detección de los objetos, se diseñan las estructuras 1 de datos que permiten guardar y relacionar la

I I I

i i

Página 24

Capitulo 111 I 1 Análisis y diseño de la metodologia de sO!iic¡on I

¿Cómo detectar el movimiento en un par de colores muy amplia? i

I

!

I 3.1 Análisis del movimiento

En la literatura que se revisó en la sección 2.1, la I mayoría de los trabajos que reportan el desarrollo de una solución se enfocan a una aplicación 'en particular, por lo tanto de una manera U otra conocen: el escenario, el tipo de objetos en movihiento, así como la forma y tamaño dc los mismos, la tonalidad del fondo de la imagen, la qecuencia de cuadros por segundo <IC la secuencia, etc. El contar con este tipo de información, facilita los procesos que lleven a cabo. I

I i

En este proyecto, se contempla el uso de dife5entes escenarios, por lo tanto los procesos de detección, segmentación y seguimiento de objetos requieren un mayor análisis dc la información, así que tratando de encontrar los elementos que permitan alcanzar el objetivo propuesto, se plantean cinco principales preguntas, y lh forma de dar respuesta a ellas: 1

imágenes, cuando existe una diversidad de 1.

2.

3.

4.

5.

I

Si el movimiento corresponde a un objeto, idómo segmentar Únicamente las regiones que I lo componen?

Si el objeto ha sido segmentado correctamente, ¿Cómo seguir ese movimiento a través de la secuencia de imágenes? '

I

1 I

Cuando los objetos en movimiento han sido I detectados, segmentados y seguidos a través I de la secuencia de imágenes, ¿Como realizar la predicción de la trayectoria de uno de

ellos aún sin suficiente información del objeto?

I f Las preguntas están formuladas en relación ,con el problema que se plantea en la sección

1.3, el cual trata del análisis de 1; imagen, la forma! de realizar el seguimiento y la predicción de trayectorias. Cada una de estas preguntas se relaciona de manera importante con la siguiente, por lo tanto al dar solución a cada uBa de ellas se estaká avanzando progresivamente en la solución global del problema. i

i

registran son demasiados y no corresponden visualmente I

La primer pregunta corresponde al hecho de que en una imagen existe una amplia gama de distintos colores, y que al llevar acabo el prockso de resta de imágenes, los cambios que se

imágenes utilizan el formato de color RGB que pdede llegar a contener 16' 777, 216 difeientes. combinaciones de colores. Por esta razón se realiba. la conversión del modelo RGB ai modelo HSI, en donde la variable del tbno se discretiza Ln sólo 360 diferentes valores, la variable de saturación toma valores de números reales de O a J, y la variable de intensidad toma los valores enteros de O a 255.

en la escena. Esto se da por que las

!

I

El siguiente paso es establecer los umbrales I apropiados a estas variables, que permitan la detección de cambios, y así dete&ninar cuando se ha producido un movimiento significativo en la comparación de un par de imágenes. Dichos cambios son guardados en estructuras de datos que se exponen más adelante en este capítulo. I

Página 25 I I

En relación con la segunda pregunta, el problema es determinar a qué se debe ese cambio significativo en la imagen. El cual puede deberse a cuatro situaciones:

I i 1, ~l~~~ de las imágenes pro&sadas contiene bíxeles que cambian drásticamente su

2, Existen cambios, en la iluminación, sombras, que hacen que 10s PíxeIes

3, un 4.

sin ninguna razón, aparentemente justificable, 4 esto se le llama ruido.

valores de color sin que realmente exista movtmiento alguno. sus

registró un cambio, dado que un objdto se movió de SU Posición Y dejó de ocupar dicho píxel. I I un pixel registró un cambio, dado que un dicho píxel. t

se movió de SU posición Y Pasó a ocupar

I De las cuatro situaciones ,descritas, la c u a l es la que interesa para Conti~iLM con la

segmentación del objeto, para esto el sistema debe ser capaz de identificar cada una dc ]as situaciones anteriores, para eiio se toman en cuenta ibs siguientes supuestos, que son producto del análisis experimental de diversos videos:

i El fondo generalmente ocupa un porcentaje mayor de colores, que 10s objetos en movimiento. Un objeto debe integrarse'por regiones de c/dor con más de 20 píxeles. Los umbrales de las variables para la detehinación del color deben permitir al nicnos pequeñas variaciones externas en la ilumin&ión, brillo, contraste y/o nitidez. Cuando se produce un cambio significativo' en los pixeles y se ha deteminado que no es producto del ruido o iluminación, éste sólo puede ser producto de una de las dos cosas, él pixel analizado ha dejado de ser parte de un objeto para convertirse en parte de un fondo

I

I

o viceversa. I El objeto no puede ubicarse en los bordes delimitantes de la escena visual.

! La tercera pregunta se refiere al problema de la segmentación del objeto, para esto se lleva

un umbral en la variable de tono y se realiza lalconectividad con los píxeles semejantcs, la tonalidad, el tamaño y la posición del objeto sonjguardados en estructuras de datos destiiiadas

traslapadas del objeto segmentado.

a cabo un algoritmo de aypamiento de regiones denominado I

para ello. Antes de pasar a la hguiente etapa

conectividud 8 pixel, se establece

algoritmo verifica que no existan regiones

En relación con la cuaia pregunta, el oijeto es seguido a través de la secuencia de imágenes implementando dos aigoritmos: El primero para tratar de encerrarlo en una reticula

Cruz en el centro del objeto de color contrario al de' la reticula. rectangular utilizando las coordenadas inferior y superior I del objeto, el segundo para trazar una

i I La respuesta a la quinta pregunta se aborda de la siguiente manera: i 1. El usuario elige ei objeto al cual se habrá de predecir su trayectoria.

2. El usuario elige el tiempo (cuadro de imaden) en donde requiere visualizar los resullados

3. El sistema caracteriza al objeto elegido PO: el usuario. 4. E1 sistema realiza un algoritmo de retroalimentación, para obtener información hisioi-ica

I

1 I

de la predicción de la trayectoria.

del objeto. i

1 Página 26 I

Capítulo I11 Análisis y diseño de la metodología de SOlilciÓn

5. El sistema realiza las estimaciones con base en el historial y visualiza la predicción de la trayectoria en el tiempo (cuadro de imagen) elegido por el usuario.

Una vez que se ha dado respuesta a las cinco preguntas analizadas, se cuenta con un panorama más amplio acerca del diseño de la metodología de solución al problema planteado.

3.2 Extracción de rasgos

Después de analizar 10s factores que intervienen en ei movimiento, el siguiente paso es de'cctar aquellos elementos que explícitamente no se encuentran presentes en la escena visua', pero que constituyen la parte esencial para la detección, segmentación, Seguimiento Y Predicción del movimiento de objetos.

AI analizar diferentes secuencias de imágenes con diferentes objetos en movilniento, se detectaron importantes rasgos, que se mencionan en orden de aparición:

.1. Grunulosidad. Se refiere al grado de calidad de la secuencia o nivel de ruido global, al haber mayor calidad en las imágenes, disminuye el nivel de granulosidad, ai ser menor ia calidad el nivel de granulosidad aumenta. Debido a esto, cuando existe mcnor granulosidad se tiene una posibilidad mayor de que el sistema encuentre el número real de regiones, y por el contrario cuando existe mayor granulosidad se tiene una nicnor posibilidad de que el sistema encuentre el número real de las regiones presentes cn la escena visual. Es decir al haber menor granulosidad, el sistema es capaz de agrupar con mejor exactitud un número determinado de píxeles.

2. Nitidez. Se refiere a la capacidad de la imagen para registrar los detalles de los objetos. Este rasgo es fundamental para detectar los movimientos de los objetos entre un par de imágenes.

3. Contraste. Se refiere al nivel de conectividad entre regiones de un mismo objeto, al iiaber mayor contraste existe menor variedad de tonalidades de un mismo objeto, poi. el contrario, si un objeto se encuentra poco contrastado, puede tener mayor variedad de colores. Este rasgo permite al-sistema establecer el grado de conexión de píxeles en cuanto a una tonalidad específica.

4. Dimensión del objeto. Se refiere al número de píxeles que pertenecen a un objeto o

5. Ubicación. Se refiere a la localización del objeto en movimiento dentro de la imageii. en

6 . Trayectoria. Se refiere a la dirección que toma el objeto en movimiento, en relación con

región. Este rasgo permite descartar o registrar el seguimiento de los objetos.

un plano de coordenadas bidimensional.

un sistema de referencia tal como los puntos cardinales.

7. Velocidad. Se refiere al grado de desplazamiento del objeto en movimiento, en cuatlto a tiempo y distancia recorrida,

Página 27

Capítulo 111 Análisis y diseño de la metodologia de soloción

3.3 Criterios de operación

La forma de operar es diferente para cada uno de los rasgos extraídos. A continuacióii se describen las variables que los integran, los umbrales que utilizan y las condiciones bajo las que operan. Los valores de estos criterios fueron obtenidos a través del análisis minucioso de diferentes archivos con extensión .avi que contienen escenas visuales con movimientos de diferentes objetos rígidos bajo diversas circunstancias.

Alta

1.

2.

3.

60 80

Granulosidad. Opera con dos variables: tono e intensidad, las cuales tienen difei-ente valor para diversos parámetros que se establecen. Se define un valor inicial para cada una de las variables, este valor puede ser modificado por el usuario, dependiendo del grado de granulosidad en la escena. En la tabla 3.1, se muestran los diferentes parámetros con los valores para las variables de tono e intensidad.

Tabla 3.1 Valores para las variables de tono e intensidad del rasgo de granulosidad

Granulosidad Intensidad Valor inicial

Media 40

Máxima 80 1 O0

Nitidez. Se integra por tres variables: tono, intensidad y la distancia cúbica absoluta; las cuales tienen diferentes valores para diversos parámetros que se establecen. Se define un valor inicial para cada una de las variables, este valor puede ser modificado por el usuario, dependiendo del grado de nitidez en la escena. En la tabla 3.2, se muestran los difercntes parámetros con los valores para las variables de tono, intensidad y la distancia cúbica absoluta.

Valor inicial

Tabla 3.2 Parámetros y valores del rasgo de nitidez

60 80 15

I 80

I 40 20

cn

I I "" Baja

Media I "" ..

- - - < " - 120 30 90 20 60 10

~

30 5 -

Contraste. Se compone de dos variables: variable de conectividad a nivel vecindad y variable de conectividad a nivel región; ambas variables se relacionan con el tono, la primera determina el umbral entre píxeles vecinos y la segunda determina el umbral global para la región que se trata de agrupar. Se establecen distintos parametros para la variable de conectividad a nivel de vecindad donde el usuario puede modificar los valores, dependiendo del grado de contraste encontrado en los objetos. En la tabla 3.3, se muestran dichos parámetros con los valores establecidos.

Página 28

Capítulo 111 Análisis y diseño de la metodologia de solución

Valor inicial Mínimo .Bajo Medio Alto

Máximo

Tabla 3.3 Parámetros y valores del rasgo de contraste

- vecindad

I I 50 50 50 30 50 15 50 10 50 3 50

I Contraste I Tonode I Tonoderegión I

Dimensión del objeto . Valor inicial 50

Objetos pequeños IO Objetos medianos 30 Objetos grandes 70

Píxeles en mov. Tam. Mínimo Tam. Máximo 100 2500 50 ' 600

400 2500 2000 7000

5 . Ubicación. Se compone de cuatro variables: XI, y l , x2, y2; estas variables representan la esquina superior izquierda y la esquina inferior derecha del objeto, están dadas cn un plano cartesiano de coordenadas bidimensionales. En la figura 3.1, se muestra un objclo y la ubicación de éste mediante dichas variables.

1 Fondo

Imagen

I I 1 I

Figura 3.1 Visualizacih de las variables del rasgo de ubicacion

Página 29

Caoitulo I11

Norte

t Noreste Noroeste

b Este

Sureste 1 Sur

Figura 3.2 Posibles trayectorias del objeto

7. velocidad. Se integra por dos variables: tiempo y distancia. La primera representa el número de imágenes recorrida por la secuencia, y la segunda representa el numero de pixeles recorridos por el objeto en movimiento. La figura 3.3, visualiza la relación tiempo- distancia en un plano cartesiano.

I S P t i a x n e C I i e a s

@)

. . . . . . . . . . . . . . . . . .

. . . . . : : : : :

Tiempo en número de imágenes ( t )

Figura 3.3 Relación distancia-tiempo del rasgo de velocidad

página 30 -

- . ...

Capítulo I11

3.4 Estructuras de datos

Análisis y diseño de la metodología de solución

. .

Con base en el análisis previo del movimiento y a la extracción de rasgos, se diseñaron las estructuras de datos que guardaran la información referente a: La detección, segnientación, seguimiento y predicción del movimiento de objetos. A continuación se describen las estructuras diseñadas y su funcionamiento dentro del sistema:

1. Modelo RGB. Es una matriz de las mismas dimensiones que las imágenes tratadas, se utiliza para guardar los datos de color de los píxeles de la imagen. En la figura 3.4, se representa dicha estructura.

160 Pkeles * 3 = 480 p

r 120 p

Figura 3.4 Representación de la estructura de datos para guardar los valores del modelo RGB

2. Modelo HSI. Es una matriz de las mismas dimensiones al de la estructura del modelo RGB, se utiliza para guardar los elementos del modelo HSI: Tono, intensidad y saturación. La figura 3.5, muestra una representación de dicha estructura.

160 Píxeles * 3 = 480 p I I

Valores: + 4 Figura 3.5 Representación de la estructura de datos para guardar los valores del modelo HSI

~~

Página 3 I

Capítulo III Análisis y diseño de la metodología de soliición

3. Agrupamiento depíxeles. Es una estructura que almacena tres valores: tono, intensidad y número de elementos agrupados. Se utiliza para relacionar a los diferentes pixeles dentro de una imagen con base en el tono e intensidad. La tabla 3.5, representa dicha estructura.

Tabla 3.5 Representación de la estructura de datos para el agrupamiento de pixeles

Tono 1 Intensidad I Número I I

4. Matriz de ocurrencias. Es una matriz del mismo tamaño que el de las imágenes tratadas, en ella se guarda el resultado de la resta de imágenes, proporciona la ubicación dc los pixeles en movimiento, el valor 1 representa el movimiento detectado, cI valor O representa al pixel sin cambio. En la tabla 3.6 se representa la estructura utilizada.

Tabla 3.6 Representación de la matriz de ocurrencias

5. Vectores de desplazamientos, Son cuatro vectores que almacenan la ubicación del objeto en coordenadas bidimensionales: x l , y l , x2, y2. En la tabla 3.7, se representan dichos vectores.

Tabla 3.7 Representación de los vectores de desplazamientos

EzEBzl 6 . Vectores de trayectoria. Son dos vectores que almacenan la dirección del objeta, en

relación con los puntos cardinales, la combinación de estos dos vectores indica la trayectoria del objeto. La tabla 3.8, representa a dichos vectores.

~~

Página 32

Capítulo 111 Análisis y diseño de la metodología de soliición

Tabla 3.8 Representación de los vectores de trayectoria

7 . Vectores de velocidad. Son cuatro vectores: los dos primeros almacenan la velocidad del objeto en movimiento en coordenadas X y Y. Los otros dos almacenan el número de pixeles y el número de cuadros de imágenes recomdos de los objetos en movimiento. Las tablas 3.9 y 3.10 representan dichos vectores respectivamente.

Tabla 3.9 Vectores de velocidad en relación con las coordenadas X y Y

Tabla 3.10 Vectores de velocidad en relación con distancia y tiempo

8. Vectores de estimacián. Son cuatro vectores, idénticos a los vectores de desplazarnicnto, éstos almacenan la información histórica y las estimaciones de la posible ubicación dc los objetos. La tabla 3.1 1, representa dichos vectores.

Tabla 3.1 1 Representación de los vectores de estimación

Página 33

Capitulo I11 Análisis y diseño de la metodologia de solución

3.5 Arquitectura

Con base en el estudio previo de los datos, a la problemática planteada, a las etapas que intcgran la metodología de solución, a los algoritmos y módulos previstos, se diseñó la arquitectura que permita alcanzar el objetivo planteado, La arquitectura está dividida en tres niveles que mas adelante se describen.

En las arquitecturas que se presentan existen dibujos, formas y términos que para cste trabajo de tesis significan lo siguiente:

Entidad. Se le denomina a la etapa, módulo, interfaz o estructura de datos que pertenccc a la arquitectura. Las flechas indican el flujo de información de una entidad a otra. Las flechas con doble dirección indican el flujo de información en ambas direcciones. Los cuadros con fondo blanco indican las etapas del sistema. Los cuadros con fondo gris indican los módulos de las etapas. Los cuadros con fondo gris y con texto en negrita indican la interfaz con el usuario. Los combos con fondo gris indican las estructuras de datos utilizadas. Las líneas punteadas indican un ciclo que se repite un determinado número de veces.

A continuación se describen cada uno de los niveles arquitectónicos y su funcionalidad:

1. Nivel general. La arquitectura consta de cinco etapas principales: inicialización, detección del movimiento, segmentación, seguimiento y predicción. Estas etapas interactúan con módulos, estructuras de datos y el usuario. En la figura 3.6, se presenta la arquitectura del sistema vista a nivel general.

T5-J Segmentación

I Seguimiento

I Figura 3.6 Arquitectura del sistema vista a nivel general

Página 34

Capítulo 111 Análisis y diseño de la metodología de solución

Funcionulidud La metodología empieza con la interfaz del usuario, éste elige el tipo de secuencia de imágenes a utilizar y el número de cuadros a recorrer. Posteriormente cuando el usuario decide llevar a cabo el proceso de seguimiento y predicción del movimiento de objetos, entra en ejecución la etapa de iniciaiización, esta etapa inicializa los valores de todas las variables y realiza el agrupamiento de píxeles.

Posteriormente entra en ejecución la etapa de detección del movimiento, esta detecta el cambio de color de los pixeles entre un par de imágenes, después se ejecuta la etapa de segmentación, que es la encargada de agrupar y guardar por regiones los objetos, poster¡ormente se ejecuta la etapa de seguimiento y se le pide al usuario elegir el objeto al que se desea predecir su trayectoria, finalmente se ejecuta la etapa de predicción.

2. Nivel del seguimiento. Esta arquitectura trata de explicar a mayor profundidad la metodología empleada para realizar el seguimiento del movimiento de objetos y consta de cuatro etapas: Inicialización, detección del movimiento, segmentación y seguimiento. En la figura 3.7, se presenta la arquitectura del sistema vista desde la fase del seguimiento.

- - - - I I I I I I I I I I I I

. . . . . - . . . . ~ ,

I

I I I

Seguimiento I

Predicción Interfaz del usuario Visualización

Figura 3.7 Arquitectura del sistema vista a nivel de la fase del seguimiento

Página 35

Capítulo 111 Análisis y diseño de la metodologia de solución

I I Funclonalidad: tuando el usliarlo decide empezar ei proceso, se ejecuta en primer

término la etapa de inicialización, la cual convierte los valores del modelo RGB al modelo HSI, agrupa y guarda los píxeles del primer cuadro de imagen en estructuras de datos, utilizando para ello el tono y la intensidad; en seguida entra-en operación la etapa de detección del movimiento, la función de esta etapa es detectar posibles objetos en-movimiento, comparando imágenes de una secuencia en tiempos diferentes.

Los cambios en el color de los píxeles son examinados en esta etapa para la determinación del movimiento. Posteriormente se ejecuta la etapa de segmentación, que tiene por objetivo agrupar las regiones de los objetos. Si no existen más objetos en movimiento se ejecuta la etapa de seguimiento, la cual visualiza en la pantalla los objetos en movimiento detectados por las etapas previas. El proceso termina cuando el sistema devuelve el control al usuario, y éste decide ejecutar la etapa de predicción o realizar cualquier otra tarea.

3. Nivel de la predicción. Esta arquitectura se enfoca únicamente a la etapa de predicción, debido a que se compone de varios módulos. La metodología se basa en tres procesos básicos: Retroalimentación, estimación de la trayectoria y post-alimentación. Se auxilia de los módulos de búsqueda del objeto y de conectividad para llevar acabo los procesos de retroalimentación y pos-alimentación. Finalmente utiliza los módulos de comparación y visualización para mostrar los resultados del seguimiento y la predicción. En la figura 3.8, se presenta la arquitectura descrita vista a nivel de la fase de predicción.

Comparación: Seguimiento / Predicción

@- Figura 3.8 Arquiteciura del sistema vista a nivel de la fase de predicción

Página 36

Capítulo 111 Análisis y diseño de la metodología de solución

etapa de predicción da comienzo ejecutando el proceso de retroalimentación, en este proceso se recaba información del objeto de interés, haciendo una búsqueda del mismo en imágenes previas; el resultado de dicha búsqueda es guardado en una estructura de datos diseñada para estc fin. Posteriormente la etapa de estimación toma el historial del objeto ~y realiza los cálculos de la trayectoria del mismo, guardando los resultados en otra estructura, enseguida el módulo de visualización muestra en pantalla dichos resultados.

Si el seguimiento es detenido por la herramienta (bajo instrucciones previas del usuario) antes de terminar la secuencia de imágenes, entonces se ejecuta el proceso de post-alimentación, el cual realiza la búsqueda del objeto en imágenes posteriores al seguimiento, después se ejccuta el módulo de comparación y se muestran los resultados en pantalla de la comparación realizada entre el seguimiento y la predicción a través del módulo de visualización, en caso contrario sólo se'muestran los resultados de la predicción. Finalmente se devuelve el control al usuario.

Página 37

Capitulo IV Desarrollo e implementación

Capítulo IV

Desarrollo e implementación de la herramienta En este capítulo se desarrolla e implementa la arquitectura vista en el capítulo anterior (sección 3.5). Por io tanto, los puntos principales a tratar en este capítulo son: detección del niovimicnto, segmentación, seguimiento y predicción.

Pagina 38

Capítulo IV Desarrollo e implementación

4.1 Detección del movimiento

En esta sección se describen los algoritmos, métodos y técnicas utilizadas en las etapas de inicialización y detección del movimiento.

4.1.1 Inicialización

Con esta etapa se da inicio al proceso de seguimiento del movimiento de objetos. Tiene como finalidad establecer los valores iniciales y realizar el agrupamiento de píxeles que permita en la etapa posterior identificar un tipo de movimiento. Consta de tres tareas básicas: 1) iniciaiizar valores, 2) conversión del modelo RGB al modelo HSI del primer cuadro de imagen, 3) realizar el agrupamiento de píxeles. Estas tareas se describen a continuación:

I . Iniciulizución de valores. Se inicializan todas las variables utilizadas en el sistema, algunas de las más importantes son las que integran los rasgos del seguimiento explicadas en el capítulo anterior. En la tabla 4.1, se presentan los rasgos del seguimiento junto con las variables y valores iniciales que los componen.

Tabla 4.1 Rasgos del seguimiento con variables y valores iniciales

- Granulosidad

Nitidez

Contraste Dimensión del objeto

iniciales

60, 80, 15 Tono, intensidad 40,60

Tono, Intensidad, distancia cúbica absoluta

Tono vecindad., tono region. 11,50 Píxeles, tamaño mín., tamaño 50, 100,2500

2. Conversibn del modelo RGB u1 modelo HSI. Los valores del modelo de color RGB son convertidos a valores del modelo de color HSI, a través de un módulo, el cual utiliza las fórmdas de conversidn plznteadas en la sección 2.2.3.3. En la figura 4.1, se presenta el esquema de la conversión.

Módulo de conversión de

Figura 4. I Esquema de conversión de modelos

Página 39

Capítulo IV Desarrollo e ¡mplemeniac¡Ón

I

i

3. Agrupamiento de píxeles. Los píxeles son agrupados con relación al rasgo de granulosidad, que integra las variables de tono e intensidad. Para que un pixel pertenezca a un grupo sus valores de tono e intensidad deben de ser similares a los píxeles que ya han sido agrupados, de lo contrario se forma otro grupo. Los umbrales para realizar los agrupamientos están establecidos en la tabla 3.1. En el algoritmo 4.1 se describeii 10s pasos para realizar dicho agrupamiento.

Algoritmo 4.1: agrupamiento depkeles

1. Inicializar valores. 2. Repetir hasta recorrer todos los valores del primer cuadro de imagen en el modelo HSI.

a. b. c .

Tomar los valores de tono e intensidad. Establecer los umbrales para el tono y la intensidad. Repetir hasta recorrer todos los agrupamientos o encontrar un agnipamiento donde los valorcs de tono e intensidad estén dentro de los umbrales establecidos.

.

d. Fin de repetir e.

Si el agrupamiento es encontrado,.entonces contabilizar un elemento más.

Si no se encuentra agrupamiento, entonces formar uno nuevo con los datos de tono e intensidad tomados previamente.

3. Fin de repetir. 4. Terminar.

Una vez realizadas las tres tareas de la etapa de inicialización, ésta se da por terminada y da inicio la etapa de detección del movimiento utilizando el subproceso de resta de imágenes.

4.1.2 Resta de imágenes

Continuando con el proceso del seguimiento, después de la etapa de inicializacih sigue la etapa de detección del movimiento, esta etapa ejecuta un subproceso llamado resta de iniÚgene.7, el propósito es comparar un par de imágenes y guardar los resultados de dicha comparación en una matriz de ocurrencias, la estructura de dicha matriz es descrita en la sección 3.4. En la figura 4.2, se muestra una representación de este subproceso.

La comparación del par de imágenes se lleva acabo tomando en cuenta el rasgo de nitidez, con sus tres variables: tono, intensidad y la distancia cúbica absoluta. El tono y la intensidad son tomados del modelo HSI, la distancia cúbica absoluta se obtiene promediando las distancias entre los tres valores del modelo RGB. En la ecuación 4.1 se muestra la fórmula para obtencr la distancia cúbica absoluta.

En la matriz de ocurrencias se registran los cambios detectados en los píxeles de una imagen a otra si los valores de dos de las tres variables mencionadas son mayores a los respectivos umbrales establecidos para cada una de ellas. Dichos umbrales son descritos eii la tabla 3.2 de la sección 3.3. En el algoritmo 4.2 se describen los pasos para detectar los cambios entre un par de imágenes.

Página 40

Capítulo IV Desarrollo e impiementación

Imagen en tiempo t Im; igen I en tiempo t+l

I Mairiz de ocurrencias

Figura 4.2 Representación del subproceso de resta de imágenes

Ecuación 4.1 Fórmula utilizada para obtener la distancia cúbica absoluta

Algoritmo 4.2: Defección de cambios enire imdgenes

1. 1 . I 1.2 1.3

2. Terminar ciclo repetir.

Repetir hasta recorrer todos los pixeles de las imágenes analizadas. Tomar los valores de tono, intensidad y dca. de los modelos HSI y RGB. Comparar valores y obtener las diferencias entre ellos. Si las diferencias obtenidas de dos variables son mayores al umbral establecido para estas dos variables, entonces registrar el cambio en la matriz de ocurrencias y contabilizar el cambio.

La razón por la que se registran los cambios en la matriz de ocurrencias (sólo si dos variables cumplen con la condición de que sus valores sean mayores al de los umbrales establecidos), se debe a que en el estudio de las imágenes se determinó que un cambio en alguna de las tres variables, ya sea en la tonalidad, en la intensidad o en la distancia cúbica absoluta, no .significa en la mayoría de los casos un cambio real en la secuencia de imágenes. Con la finalidad de asegurar la detección del movimiento en la secuencia de imágenes se implementó en conjunto el uso de estas tres variables.

Página 41

Capitulo IV Desarrollo e implcment:iciÓn

Cabe mencionar que el nhnero de cambios obtenidos, al comparar las imágenes. es guardado para su uso en la etapa de segmentación.

4.2 Segmentación

En esta sección se lleva a cabo el análisis de la escena, para determinar si un dctermiiiado conjunto de píxeles pertenece a un objeto o al fondo de la imagen, se describe la forma y el algoritmo utilizado para realizar la conectividad entre los píxeles, y se explica la manera de realizar el agrupamiento de regiones.

4.2.1 Análisis de la escena

En esta sección se explica la forma en que la herramienta determina si una región de pixcles pertenece a un objeto o a un fondo de la imagen:En el algoritmo 4.3 se describen los pasos liara realizar la detección de fondo y objeto en la imagen.

Algoritmo 4.3: Detección de fondo y objeio

1. 1 . 1

1.2

1.3 1.4 1.5

2. Terminar ciclo repetir.

Repetir hasta recorrer todos los valores de la matriz de ocurrencias. Si en el valor de la matriz de ocurrencias analizado se registra un cambio entonces pasar al punto I .2, de lo contrario pasar al punto 1 . Tomar el valor del pixel analizado, en tono e intensidad del modelo de color HSI del par de imagenes analizadas. Obtener probabilidades de que cada pixel pertenezca al fondo de la imagen. Determinar que pixel tiene mayor probabilidad de pertenecer al fondo de la imagen. Si el pixel que pertenece a la imagen previa tiene mayor probabilidad de ser un fondo de la imagen entonces realizar la conectividad entre los pixeles ,

En el algoritmo 4.3 se describe de manera general cómo detectar el fondo y el objeto en una imagen. Para esto se toma en cuenta el supuesto de que el fondo de la imagen ocupa un mayor porcentaje de píxeles. Los cambios a los que se refiere el algoritmo 4.3 en el punto 1. I van en relación ai tema visto en la sección 4.1.2 que es la resta de imágenes, en donde se utiliza el rasgo de nitidez con la integración de sus tres variables para registrar un cambio ai comparar un par de píxeles pertenecientes a un par de imágenes. La obtención de probabilidades indicada cn el punto 1.3 del algoritmo 4.3, se lleva acabo buscando los valores mencionados en el punto 1.2 del algoritmo 4.3, en la estructura de datos representada por la tabla 3.5 de la sección 3.4, que tiene por nombre agrupamiento de pkeles. Cuando se compara un par de imágenes, existen dos imágenes: Una imagen previa que pertenece a un tiempo t - I , t-2, t-3 6 t-4 y una imagen actual que es la que se analiza en el momento de recorrer la secuencia.

Con la finalidad de explicar de mejor manera cómo se lleva acabo el análisis dc la escena, en la figura 4.3, se representa el análisis antes mencionado.

Página 42

Capitulo N Desarrollo e implemenlacion

INDICADORES Agrupamiento Matriz de ocurrencias

O: Sin movimiento de 1: Movimiento

pertenecer al fondo

Imagen en tiempo t Imagen en tiempo t - n

Análisis del caso de estudio:

Cuando un pixel pasa de ser parte de un objeto a ser parte de un fondo

Nose realiza la conectividad

Cuando un pixel pasa de ser parte de un fondo a ser parte de un objeto

Se realiza la conectividad entre lo5 píxeles de la imagen en tiempo t

Figura 4.3 Representación del análisis de la escena para la detección del objeto y fondo

El análisis de la escena mostrado en la figura 4.3, presenta la matriz de ocurrencias con los valores de indicación del movimiento, los cuales fueron guardados en el subproceso de resta de imdgenes explicado en la sección 4.1.2, estos valores son analizados por la herramienta y si encuentra en dicha matriz valores de I , procede a determinar el tipo de movimiento ocurrido.

Para determinar el tipo de movimiento ocurrido, la herramienta asigna a cada pixel dcl par de imágenes analizadas probabilidades de pertenecer al fondo de la imagen, esto con la ayuda de los valores contenidos en la estructura de datos que lleva por nombre uppamiento de píveles, dado que es en esta estructura en donde se tienen almacenados las principales regiones de colores o tonalidades de la secuencia de imágenes, las cuales fueron guardadas en la etapa de inicialización explicada en la sección 4.1.1.

Página 43

Desarrollo e implementación Capitulo IV

4.2.2 Conectividad

Una vez que se ha detectado un pixel en movimiento, lo que sigue es verificar si existen iiih

píxeles relacionados mediante su tonalidad, para ello se realiza un proceso de conectividad cntre ellos, la finalidad es agrupar los píxeles del objeto en una determinada región caracterizada por tonalidades similares. .

Para realizar el proceso de conexión entre los píxeles se utilizan los principios básicos de relación basados en la vecindad y la conectividad explicados en la sección 2.2.2. Los valorcs de los umbrales para realizar la conexión serán los encontrados en la tabla 3.3 y que perteneccii al rasgo de contraste.

En el algoritmo 4.4 se describen los pasos para llevar acabo la conectividad entrc los píxeles.

Algoritmo 4.4: Conectividad v8

I. 2. 3. 4. 5.

6. 7.

Declarar las variables: fonol, tono2. Asignar a los vectores (XI. y / , x2, y2) representados por la tabla 3.7 la posición del pixel analizado. Asignar a la variable tono1 el valor del tono del pixel analizado. Asignar a la variable tono2 el valor del tono del pixel en la posición (x+l , y) . Comparar las variables tonol y tono2, si cumplen con el umbral establecido para la conexión entonces: mover el pixel analizado a la posición (.+I. y ) , incrementar en I el valor del vector x2 y volver al paso 3. Asignar a la variable tono2 el valor del tono del pixel en la posición ( . t i , y f l ) . Comparar las variables tonol y tono2, si cumplen con el umbral establecido para la conexión enfiiiices: mover el pixel analizado a la posición (x+l , y c l ) , incrementar en I el valor de los vectores x2. y2 y volver al paso 3.

8. Asignar a la variable tono2 el valor del tono del pixel en la posición (x, y+l) . 9. Comparar las variables tonol y tono2, si cumplen con el umbral establecido para la conexión entonces:

mover el pixel analizado a la posición (x, y + l ) , incrementar en I el valor del vector y2 y volver al paso 3 IO. Asignar a la variable fono2 el valor del tono del pixel en la posición (x-I, y + i ) . 11. Comparar las variables tonol y tono2, si cumplen con el umbral establecido para la conexión entonces:

mover el pixel analizado a la posición (x-I, y + l ) , incrementar en I el valor del vector y2, disminuir e11 I el valor del vector x l y volver al paso 3.

12. Asignar a la variable tono2 el valor del tono del pixel en la posición (x-I, y). 13. Comparar las variables tono1 y tono2, si cumplen con el umbral establecido para la conexion entonces:

mover el pixel analizado a la posición (x-1, y ) , disminuir en I el valor del vector XI y volver al paso 3. 14. Asignar a la variable ron02 el valor del tono del pixel en la posición (x-I, y - / ) . 15. Comparar las variables tonol y tono2, si cumplen con el umbral establecido para la conexión entonces:

mover el pixel analizado a la posición (x-I, y - ] ) , disminuir en I los valores de los vectores x i , y1 y volver al paso 3.

16. Asignar a la variable fono2 el valor del tono del pixel en la posición (x, y - / ) . 17. Comparar las variables tono1 y tono2, si cumplen con el umbral establecido para la conexión eittiinces:

mover el pixel analizado a la posición (x, y - I ) , disminuir en I el'valor del vector y1 y volver al paso 3. 18. Asignar a la variable tono2 el valor del tono del pixel en la posición (.+I, y -I ) . 19. Comparar las variables tonol y tono2, si cumplen con el umbral establecido para la conexión enfniices:

mover el pixel analizado a la posición (x+l . y-I), disminuir en I el valor del vector y l . increnientar c11 I el valor del vectorx2 y volver al paso 3.

20. Terminar.

Página 44

Capítulo IV Desarrollo e implementacion

Una vez terminado el proceso de conectividad, los vectores (XI, y l , x2, y2) representados por la tabla 3.7 deben contener la posición de la región'segmentada, sin embargo aún no se considera terminada la etapa de segmentación, falta asegurar que la región segmeiiiada corresponda a un objeto de la escena visual, esto se explica a mayor profundidad en la siguiente sección.

4.2.3 Agrupamiento de regiones

Para determinar si la región segmentada debe ser considerada un objeto se deben cumplir las siguientes condiciones:

El número de píxeles conectados debe ser mayor al valor de la variable tamaiio minimo del rasgo de dimension del objeto.

El número de píxeles conectados no debe exceder del valor de la variable tamaño m&imo del rasgo de dimension del objeto.

Ninguna de las variables que contienen los márgenes izquierdo, derecho, inferior y superior contenga valores que se encuentren al borde de la imagen.

Si las tres condiciones se cumplen, entonces la región segmentada se considera un objeto y los valores que indican la localización del mismo dentro de la imagen son guardados cii la estructura de datos representada por la tabla 3.7 para su utilización en las etapas de seguimiento y predicción.

4.3 Seguimiento

Una vez segmentadas todas las regiones posibles (máximo diez), toca a la etapa de seguimiento representar visualmente a los objetos en movimiento presentes en la escena. En esta sección se explica la manera de llevar a cabo la corrección de regiones traslapadas que pudieran haberse generado en la etapa anterior.Se describen los a!goritmos utilizados para realizar el seguimiento a través de secuencias de imágenes, y finalmente se presenta la información tratada en la detección y visualización de los objetos en movimiento.

4.3.1 Corrección de regiones traslapadas

Dado que en la etapa de segmentación se lleva acabo el proceso de conectividad entre los pixeles detectados con movimiento, ésta pudo haber guardado en los vectores de desplazamiento regiones diferentes con coincidencia en la ubicación de la mayoría de los píxeles pertenecientes a esas regiones, esto genera que una sola región contenga visualmente varios contornos de seguimiento.

En la figura 4.4, se presenta del lado izquierdo un ejemplo de esta problemática, en el lado derecho se muestra la misma imagen ya corregida. La corrección de las regiones traslapadas se lleva a cabo mediante el algoritmo 4.5.

Página 45

Capítulo IV Desarrollo e implementación

Figura 4.4 Representación y corrección de regiones traslapadas

Algoritmo 4.5 CorrecciOn de regiones traslapados

I . Asignar a la variable i el valor de l y a la variable n el número de regiones segmentadas. 2. Repetir de i hasta n-1 las posiciones de los vectores de desplazamiento. 3. Asignar a la variablej el valor de la variable i+l.

3.1 Repetir de j hasta n las posiciones de los vectores de desplazamientos. 3.1.1 Si el camino reconido por las coordenadas (XI, x2) en la posición [i] coinciden en algún punto

con el camino recomdo por las coordenadas (xi, x2) en la posición b], y si el camino recomdo por las coordenadas (VI, yZ) en la posición [i] coinciden en algún punto con el camino reconido por las coordenadas (VI, y.?) en la posición GI , entonces pasar al punto 3.1.2, de lo contrario al punto 3.1.8. Tomar las tonalidades de las regiones analizadas. Determinar el número de pixeles coincidentes de ambas regiones. Si las tonalidades son similares y si el número de pixeles coincidentes es mayor a la cuarta parte de la cantidad resultante de sumar el número de píxeles de ambas regiones, entonces pasar al siguiente punto, de lo contrario pasar al punto 3.1 3. Determinar que región ocupa un menor número de píxeles. Borrar 1% coordenadas de los vectores de desplazamientos de la región con menor número de píxeles. Actualizar los vectores de desplazamiento eliminando posiciones vacías.

3.1.2 3.1.3 3.1.4

3.1.5 3.1.6

3.1.7 3.1.8 Incrementar lavanablejen l .

3.2 Fin del ciclo repetir. 3.3 Incrementar en I la variable i.

4. Fin del ciclo repetir. 5. Terminar.

Con la implementación del algoritmo 4.5, se evita el problema de contar con diferentes regiones dentro de un mismo objeto, lo cual provoca confusiones en la visualización de la escena y en la etapa de predicción, dado que se trata de predecir la trayectoria de un objeto, el cual lógicamente pertenece a un mismo conjunto de píxeles, es decir a una sola región.

En la siguiente sección se describen los algoritmos implementados para visualizar las regiones segmentadas y de esta manera dar pie al seguimiento de objetos en secuencias de imágenes.

Página 46

i

!

Capítulo IV Desarrollo e implemeniación

4.3.2 Algoritmos del seguimiento

Con la finalidad de no perder de vista a cada uno de los objetos, se determinó implenientar dos algoritmos para su identificación: E1 primero para tratar de encerrarlo en una reticula rectangular y el segundo para dibujar una cruz en el centro del objeto de color contrario al de la reticula. De esta manera se cuenta con dos seguimientos para asegurar la identificación de los objetos a través de las secuencias de imágenes. En los algoritmos 4.6 y 4.7 se describen los pasos para realizar el seguimiento en una retícula y en una cruz, respectivamente.

1. 2. 3.

4. 5.

1. 2. 3 . 4.

5. 6.

Algoritmo 4.6: Seguimiento en reticulu

Tomar el color elegido por el usuario para el dibujo de la reticula. Asignar a la variable i el valor de I y a la variable n el número de regiones segmentadas. Repetir de i hasta n las posiciones de los vectores de desplazamientos, 3.1 Tomar las coordenadas en la posición [i] de los vectores de desplazamientos. 3.2 Dibujar en la imagen en el tiempo t , las líneas rectas que establecen los caminos recorridas de pliiito a

punto de las siguientes coordenadas: (xl..yl), (x2, y l ) ( X I . yl) . (XI, y2) (11, y2). (x2, y2) (x2, y]). (x2 Y21

3.3 Incrementar en 1 el valor de i. Fin del ciclo repetir. Terminar.

Algoritmo 4.7 Seguimiento en cruz

Inicializar las variables x y y en cero. Tomar el color elegido por el usuario para el dibujo de la CIUZ central. Asignar a la variable i el valor de I y a la variable n el número de regiones segmentadas. Repetir de i hasta n las posiciones de los vectores de desplazamientos, 4.1 Tomar las coordenadas en la posición [i] de los vectores de desplazamientos. 4.2 Asignar a las variables x y y el valor resultante de sumar y dividir entre dos las coordenadas (xi ~ x2) y

4.3 Dibujar en la imagen en el tiempo t. los siguientes puntos: (yi, y2), respectivamente.

(1. Y) ( X + l > Y ) (2-1. Y) (z Y+lJ (x2 Y-1)

4.4 Incrementar en I el valor de i. Fin del ciclo repetir. Terminar.

En la figura 4.5 se presenta una imagen Que Pertenece a una secuencia de tráfico de - . . automóviles en una carretera, esta escena fue tomada desde una cámara digital de video casera

En esta figura se visualiza la implementación en la herramienta de los dos tipos de algoritmos para realizar el seguimiento.

Página 47

Capítulo IV Desarrollo e implementation

Figura 4.5 visualización del seguimiento de objetos

En la figura 4.5 se observan dos imágenes una del lado izquierdo y la otra del lado derecho, ambas imágenes pertenecen al mismo instante de tiempo de la secuencia, con la diferencia de que en el lado izquierdo se encuentra la imagen original y en el derecho la misma imagen con la implementación del seguimiento. En esta figura se observa en la imagen derecha un objeto central a n movimiento identificado por la herramienta al cual se le aplicaron los dos tipos de seguimiento.

En la siguiente sección se describe los datos del movimiento de objetos que al momento de visualizar el seguimiento son desplegados en pantalla.

4.3.3 Información del movimiento de objetos

Página 48

- Capitulo IV Desarrollo e implementación -

Con este tipo de información el usuario cuenta con más datos para verificar la eficiencia I . . del sistema. .- - . .

De esta manera, el sistema realiza el seguimiento con el resto de las imágenes de la secuencia hasta que este proceso es detenido ya sea por indicación del usuario o por que ia secuencia ha llegado al final del último cuadro de imagen.

Una vez detenido el proceso de seguimiento con los objetos identificados visualmente, el usuario es capaz de elegir tanto el objeto al-cual desea realizar la predicción de su trayectoria como al tiempo (en cuadros de imágenes) en que desea hacerlo.

1 4.4 Predicción

La predicción es el proceso por el cual se es capaz de estimar una posición futura de coordenadas x y en un tiempo t del objeto, mediante el uso de su historial o estadística de comportamiento. En esta sección se describen los algoritmos de retroalimentación y postalimentación, la .estimación de la trayectoria del objeto y la comparación entre el seguimiento y la predicción.

1

4.4.1 Algoritmo de retroalimentación

En esta sección da inicio formalmente la etapa de predicción, para poder llevar acabo la estimación de la trayectoria del objeto, es necesario primero recabar información histórica del mismo, por lo tanto el sistema recorre imágenes previas a partir de donde se detuvo el seguimiento, para tratar de obtener los datos del objeto elegido por el usuario, al cual se desea

1 predecir su trayectoria.

La razones principales por la que se idplementa un algoritmo de retroalimentación, en vez de que al momento de realizar el seguimiento los datos tratados de los objetos sean guardados y utilizados para realizar la predicción de la trayhctoria se debe a que:

I I .

Si lor, datos del seguimiento son guardados, la capacidad d.2 almacenamiento puede ser insuficiente debido a la gran cantidad de información que se puede llegar a tener.

AI ir guardando los datos del objeto, requiere forzosamente procesos de búsqueda y de acceso a la información, lo cual hace que el seguimiento de los objetos se vuelve más lento.

Cuando el usuario elige el objeto al cual se desea predecir su ubicación futura en un tiempo x, en ese momento el sistema ya iuenta con información precisa acerca del objeto tal como: la tonalidad, el tamaño, la posición; y antes no. Por lo cual al llevar acabo la estimación de la trayectoria, el sistema asegura que dicha estimación sea confiable.

En el algoritmo 4.8 se describen los pasos que se implementaron para llevar acabo el

1 . .

I proceso de retroalimentación.

Página 49

. . Desarrollo e implementncion

, Capítulo IV 4

. . . .

."3 L... Algoritmo 4.8: Proceira $e refroaliinenlacion

I .

I . 2. 3. 4.

Tomar la tonalidad del objeto elegido por el usuario. Tomar las coordenadas de ubicación del objeto: Asignar a i el valor de 1, y a n el~valor de cuadros de imagen a retroceder. Repetir de i hasta n número de veces 4.1 Retroceder una posición la imagen analizada. 4.2 Buscar en la reticula marcada por las cooqdenadas, la tonalidad del objeto. 4.3 Si la tonalidad es encontrada, entonces &alizar el proceso de coneciividad 8 p;xel visto en la sccción

4.2.2 y pasar al punto 4.6, en caso contrario pasar al siguiente punto. 4.4 Buscar en toda la imagen la tonalidad del objeto. . 4.5 Si la tonalidad es encontrada, entonces realizar el proceso de coneciividad 8pi.h-el y pasar al pui i i i~ 4.6,

en caso contrario pasar al punto 4.8. ' : 4.6 Comparar la región anterior del objeto con la nueva región encontrada para obtener los valorcs dc

ubicación, dirección, velocidad y determinar si se trata del mismo objeto. 4.7 Si se trata del mismo objeto entonces asignar a las coordenadas la ubicación de la región encoiiirada,

asignar los valores de ubicación, dirección y velocidad a los vectores de esiimacióii, Ii.ayeciol.ia velocidad, representados por las tablas 3.1.1,3.8 y 3.9 respectivamente.

4.8 incremehtar en I el valor de i. 5 . Fin del ciclo repetir. 6. Terminar.

Como se observó en el algoritmo 4.8, se hace uso de los vectores de tiayecroiia, velocidad y estimación, estos vectores en la siguiente etapa son los que permiten realizar las estimaciones de la trayectoria y presentar en pantalla los resultados obtenidos por el sistema.

4.4.2 Estimación de la trayectoria del objeto

En este proyecto se hace uso de la regresión lineal para predecir en un tiempo x la posición en coordenadas x y de algún objeto en particular. Dado que se trata.de predecir las coordenadas x y de la imagen en un tiempo determinado, la estimación está basada en el principio dc mínimos cuadrados para establecer la relación tiempo y espacio (coordenadas de la imagen), en la figura 4.6 se muestra una posible relación de tiempo y espacio utilizando este principio.

I I

Figura 4.6 Principio de mínimos cuadrados

Página 50

http://trata.de

Desarrollo e implementación Capítulo IV

En la figura 4.6 los círculos en negro representan la trayectoria del objeto, se observa que ai ser mayor el tiempo estos puntos toma; diferentes valores en coordenadas x y y, pero en cierta medida están sobre la línea central trazada en forma horizontal, esta línea representa la relación del tiempo con la trayectoria del objeto a través de una secuencia de imágenes, todo esto ba.10 el supuesto de que para cada valor de tiempo existe una distribución para los valores del espacio, dc esta manera se está en condiciones de predecir en un tiempo x, la ubicación futura del objeto.

En la ecuación 4.2 tomada del libro “Elementos de estadística inferencial” [4]. se muestran las tres fórmulas que se utilizan para estimar la trayectoria que deberá tener el objeto.

~~~ ~ ~~ ~ ~~ ~~

... Y = a + b x (1) b=

Ecuación 4.2 Fórmulas para estimar la trayectoria del objeto

De la primera fórmula Yes el valor esperado de coordenadas en XI, y ] , x2, y2, a es la constante que resulta al aplicar la tercera fórmula, b es la constante que resulta al aplicar la segunda fórmula, x es el tiempo en que se desea conocer la posición que tendrá el objeto. Para obtener la segunda fórmula se simplifica dividiendo la sumatoria de la multiplicación de los valores de x y y entre la sumatoria de k al cuadrado. De la tercer fórmula Y es la media dc los valores de y , b es la constante, X es la media de los valores de x. Es así como con base en el cálculo basado en mínimos cuadrados se obtiene el espacio de coordenadas del objeto.

De esta manera para predecir la trayectoria del objeto en movimiento en cualquier tiempo x, es necesario conocer el comportamiento previo del objeto, es decir recorrer la secuencia un determinado número de cuadros (siguiendo al objeto en cuestión), obtener los datos de sus movimientos con coordenadas XI, y l , x2, y2, calcular las fórmulas 2 y 3 respectivamente y por Último calcular la fórmula I asignando a x el cuadro de imagen que se quiere predecir.

Los resultados de la estimación, para proporcionarle información al usuario, son desplegados en pantalla como bajo el formato representado por la tabla 4.3.

Tabla 4.3 Datos descriptivos’del objeto con la trayectoria a predecir

En la primer columna se registra un número secuencia], en la segunda el número de píxeles del objeto a través de la secuencia, en la tercera columna el número de cuadro de imagen que se utilizó para predecir la trayectoria, en la cuarta, quinta, sexta y séptima columna se visualiza la posición que fue tomando el objeto a través de la decencia, en la octava y novena columna se registra la trayectoria que tomó el objeto en base a los principales puntos cardinales explicados en la sección 3.3. En la décima columna se registra el aumento o disminución del tamaño del objeto, en las últimas dos columnas se registra la velocidad en los ejes x y y, en términos de números de píxeles recorridos de un cuadro a otro.

Página 5 I

Desarrollo e irnplernentación Capitulo IV

Mostrando la información al usuario se 'llega al fin de la etapa de predicción si el número de cuadro de imagen elegido para realizar.ias estimaciones es mayor o igual al número de cuadros contenidos en la secuencia, en caso contrario, es decir, si el número de cuadro de imagen elegido para realizar las estimaciones es menor al número de cuadros contenidos en la sccucncia, la etapa de predicción realiza un proceso de postalimentación, para verificar el grado o porcentaje de efectividad que se tuvo, al comparar'el seguimiento realizado hasta llegar al cuadro de imagen a predecir, con la estimación de la posición del objeto tomando en cuenta solo el historial cii el mismo cuadro de imagen. I 4.4.3 Algoritmo de postalimentación

El proceso de postalimentación constituye

es decir se cuenta con dos tipos de predicciones, I para verificar la exactitud de la

predicción de la trayectoria alimentando alsistdma conun mayor número de cuadro de imágcnes,

1. La que toma un historial del objeto y re a partir de éste, explicada cn la

2. La que toma un historial del de información avanzando hasta llegar a un cuadro

sección anterior.

cuadros de imágenes a partir de imagen menos que el

En el segundo tipo de que el sistema cuenta con cuenta que el número de total de la secuencia de imágenes.

Este proceso, es diferencia de que en éste, las historial fue recabada por el proceso sólo recaba información a partir de donde se empleado para realizar este proceso es similar

Los resultados del proceso de usuario, siguiendo el mismo comparar los resultados se muestra la predicción

elegido para reaiizar la etapa de predicción, en derecha a izquierda que significa el historial del encuentra el objeto, es en donde se detuvo el proceso información del mismo, en secuencias previas. Las encuentran mas a la derecha representan el proceso derecha y superior. representa el seguimiento que se

la inforniacioii del de postalimentación

tanto, el algoritmo

también en pantalla al el usuario puede En la figura 4.7,

En esta figura de retículas de

es decir, en la ubicación en donde se seguimiento y a partir de ahí se recabó

retículas traslapadas entre sí, qtic se La reticula más a la

reticula represcnta la segunda predicción.

I Página 52

Capitulo 1V

Figura 4.7 Visualización de 12

Una vez realizada esta etapa, se predicción del movimiento de objetos, entri tarea realizar.

En el capítulo cinco se describen 1 diferentes secuencias de imágenes bajo dife

Desarrollo e implenientación

,redicci6n de la trayectoria del objeto

Ln por terminados los procesos de seguimiento y :n ejecución la interfaz del usuario, y éste decidc que

i casos de prueba y los resultados obtenidos dc las :ntes circunstancias.

Página 53

. .~

Capítulo V

realiza un análisis de los resultados obtenidos.

Pruebas y resuliados

Página 54

Capítulo V

Capítulo V Pruebas y resuliados

5.1 Recursos técnicos utilizados

Las evaluaciones del desempeño de la herramienta fueron realizadas bajo las siguiciites condiciones y especificaciones:

El equipo utilizado fue una computadora Penlium 6 1.13 Ghz con 256 Mb RAM. Las secuencias de video fueron tomadas con una cámara de video de 8mm. Las secuencias digitales de video tratadas se encuentran en el formato de archivo tipo A M . Los cuadros de imágenes tratadas son en color bajo el estándar de archivo con extensión BMP. Todos los cuadros de imagen son analizados por la herramienta de manera secuencial.

5.2 Descripción de los casos de prueba

En esta sección se describen las secuencias de imágenes utilizadas para realizar el seguimiento y la predicción del movimiento de objetos.

Cabe señalar que para los dos casos (seguimiento y predicción) se utilizaron las mismas secuencias de imágenes. Estas fueron grabadas en diversos escenarios y con diferentes tipos de objetos rígidos.

# Sec.

1 2

3

Ambiente y escenario Tipos de objetos # Tam. Tiempo Obj. Sec. del seg.

Fondo totalmente negro. Redondo y pequeño. 1 101 7.25 Fondos estáticos con pequeñas Redondo con variaciones 1 84 27.36 variaciones en la tonalidad, se observa en el tamaño de grande a la sombra del objeto. mediano.

en la tonalidad, se observan las rob, ani1 vverde. Fondo Gris con pequeñas variaciones Rectangulares de color 3 18 2 54

4

5

6

Página 55

sombras de los objetos. Rectangulares de color 3 70 9.51 amarillo y gris. Rectangulares de color 2 41 5.74 rojo y gris. Redondos de color 4 i 23 16.29

Capitulo V Pruebas y resuliados

En la tabla 5.1 se muestra una lista de las secuencias utilizadas, con información acerca del ambiente y escenario, el tipo de objetos, él número de objetos, él tamaño de la secuencia dado en cuadros de imagen, y el tiempo dado en segundos utilizado por la herramienta para llevar a cabo las pruebas del seguimiento.

En la tabla 5.1 se describe la información más importante que conticnen las difeiciites secuencias, las celdas con comillas indican que la información descrita es la misma a la encontrada en la columna y fila anterior, los objetos que se utilizan son represeiitacióii de automóviles rectangulares y bolas redondas de diferentes colores.

En la siguiente sección se visualiza a detalle las pruebas realizadas tanto para el seguimiento como para la predicción

5.3 Experimentación

Como se observó en la tabla 5.1, para la fase de experimentación formal se utilizaron un total de doce secuencias de imágenes. En las cuales se incrementa gradualmente la complejidad para realizar los procesos de seguimiento y predicción del movimiento de objetos.

En las dos siguientes secciones se visualizan los experimentos realizados para las etapas de seguimiento y predicción.

5.3.1 Etapa de seguimiento

Para esta etapa, los experimentos realizados consisten en una estmctura de tres elementos:

Objetivo. Es lo que se pretende lograr bajo una determinada circunstancia.

Visualización. Es la presentación en pantalla de la metodología empleada para realizar el seguimiento. Se muestra en pares de imágenes, en donde el primer cuadro es la imagen original y el segundo cuadro es la representación del seguimiento.

Resultados. Es la descripción justificante de la obtención o no del objetivo planteado.

A continuación se describen y visualizan cada uno de los experimentos realizados

Página 56

Capítulo V Pruebas y resuli.idos

Experimento 1

Objetivo. Realizar el seguimiento en secuencias de imágenes de un solo objeto, con movinl¡cntü libre y bajo un fondo negro estático. Visualización. En la figura 5.1, se muestra el seguimiento realizado en diferentes intcrvaloi de tiempo (cuadro de imagen). Resultados. Se logró un excelente seguimiento del objeto a través de toda la secuenciii de imágenes, en un tiempo bastante reducido, esto debido a que el fondo contrastaba altainenlc con el objeto presente en la escena.

Figura 5.1 Visualización del experimento 1

Página 57

Pruebas y rcsuliiidos Capítulo V

Experimento 2

Objetivo. Realizar el seguimiento en secuencias de imágenes de un solo objeto, con iiioviniicnto libre, con cambio gradual del tamaño, bajo un fondo y superficies estáticas con peqiicfias alteraciones en sus tonalidades. Visualización. En la figura 5.2 se muestra el seguimiento realizado en diferentes intervalos de tiempo (cuadro de imagen). Resultados. Se logró un perfecto seguimiento del objeto a partir del cuadro 30, que es cn donde el objeto se visualiza por completo y empieza su recorrido hacia adelante, en esta secuencia el tiempo de procesamiento es mucho mayor, debido a que en las diferentes superficies se regisii-aha algún tipo de movimiento, y esto hacía que la herramienta verificara el tipo de nioviniiciito ocumdo, para determinar si se trataba de un objeto o no.

I Cuadro 80


Página 58

Capitulo V Prucbas y resuliados

Experimento 3

Objetivo. Realizar el seguimiento en secuencias de, imágenes de tres objetos a la vez, todos de diferente color, bajo un fondo gris con pequeñas alteraciones en sus tonalidades. Visualizaciórz. En la figura 5.3 se muestra el seguimiento realizado en diferentes inieivalw dc tiempo (cuadro de imagen). Resulfados. Se logra seguir a los tres objetos a la,vez en la mayoría de los cuadros de iiiiagcii de la secuencia, el seguimiento es bastante bueno, tomando en cuenta que los objetos parten dc un extremo a otro con cierta distancia entre ellos, lo cual hace que el tiempo en donde se visualizan todos sea reducido.


Página 5 9

Capítulo V Pniebas y resuliados

Experimento 4

Objetivo. Realizar el seguimiento en secuencias de imágenes de tres objetos a la vez. dos similares entre ellos y de tonalidad parecida al del fondo de la imagen y el otro amarillo, ba.io un fondo gris con pequeñas alteraciones en sus tonalidades. Visualización. En la figura 5.4 se muestra el seguimiento realizado en diferentes inlcrvalos de tiempo (cuadro de imagen). Resultados. Se logra seguir a los tres objetos, aunque con algunas dificultades dada la similitud entre el fondo y los dos objetos en color gris, el seguimiento es bueno, tomando en cuenta quc los objetos están muy poco contrastados con el fondo de la imagen.

Cuadro 52


Página 60

Capitulo V Pruebas y resultados

Experimento 5

Objetivo. Realizar el seguimiento en secuencias de imágenes de dos objetos a la vez, uno con tonalidad similar al fondo y el otro de color rojo oscuro, bajo un fondo gris coli peqiicfias alteraciones en sus tonalidades. Visualización. En la figura 5.5 Se muestra el seguimiento realizado en diferentes intervalos de tiempo (cuadro de imagen). Resultados. Se logra seguir a un solo objetoa través de toda la secuencia de imágenes, el oljeto que no fue seguido era muy similar a la tonalidad del fondo de la imagen.

Cuadro 15

II L,- Cuadro 33


Pagina 61

Pruebas y resuliados Capitulo V

Experimento 6

Objetivo. Realizar el seguimiento en secuencias de Imágenes de cuatro objetos pequeiios y redondos, todos de diferente color, amarillo, rojo, azul y verde, todos ellos bajo un fondo gris con pequeñas alteraciones en sus tonalidades. Visualizacion. En la figura 5.6 se muestra el seguimiento realizado en diferentes intervalos de tiempo (cuadro de imagen). Resultados. Se logra seguir a cada uno de los objetos a través de toda la secuencia, con exccpcion del primer objeto que aparece en la escena, esto se debe a que este objeto de color- amai-illo contraste muy poco con el fondo de la imagen, además de que es pequeiio y sus movimieiilos no logran ser detectados por la herramienta.

Cuadro 15

Cuadro 114


Página 62

Pruebas y resuliados Capítulo V

Experimento 7

Objeíivo. Realizar el seguimiento en secuencias de imágenes de cuatro objetos al misino ticinpo de tamaño pequeño y de forma redonda, todos de diferente color, amarillo, rojo, azul y \,ct.de, todos bajo un fondo gris con pequeñas alteraciones en sus tonalidades. Visualizacióii. En la figura 5.7 se muestra el seguimiento realizado en diferentes intcrvalos de tiempo (cuadro de imagen). Resulíados. Se logra seguir al mismo tiempo cada uno de los objetos a traves de loda la secuencia, con excepción del objeto de color amarillo, las razones son las inismas a las del experimento anterior en donde el tamaño y el color dificulta su identificación.

Cuadro 12

~

Cuadro 23

Figura 5.7 Visualización'del experimento 7

Página 63

http://ct.de


.Experimento 8

Objetivo. Realizar el seguimiento en secuencias de imágenes de tres objetos al mismo tiempo, todos de diferente color, azul, rojo y verde, todos bajo un fondo blanco con pequeñas variaciones en la tonalidad. Visualización. En la figura 5.8 se muestra el seguimiento realizado en diferentes intcrvalos de tiempo (cuadro de imagen). Resultados. Se logra seguir al mismo tiempo cada uno de los objetos a través de la mayor pai-ic de la secuencia, el objeto azul en el cuadro diez es el primero que logra ser identificado, los dciiiás son identificados conforme avanzan en la escena. En términos generales se realiza un h e n seguimiento de los objetos.

Cuadro 10

Cuadro 33

Cuadro 36


Pagina 64

_ - -

Capítulo V Pmebas y resultados

Experimento 9

Objetivo. Realizar el seguimiento en secuencias de imágenes de dos objetos diferentes cn foi-iiia y tamaño, pero que contengan el mismo color rojo, bajo un fondo blanco con pequeñas variaciones en la tonalidad. Visualizacióiz. En la figura 5.9 se muestra el seguimiento realizado en diferentes intervalos de tiempo (cuadro de imagen). Resultados. Se logra seguir al mismo tiempo los dos objetos en color rojo a través dc la iiiayoi- parte de la secuencia. En términos generales se realiza un buen seguimiento de los objcios.


Página 65


Experimento 1 O

Objetivo. Realizar el seguimiento en secuencias de imágenes de dos objetos diferentes en foi-tila y tamaño, pero que contengan el mismo color verde, bajo un fondo negro con pequeñas variaciones en color gris. Visualización. En la figura 5.10 se muestra el seguimiento realizado en diferentes inicrvalos de tiempo (cuadro de imagen). Resultados. Se logra seguir al mismo tiempo los dos objetos en color verdc a través de toda la secuencia. El seguimiento de estos dos objetos al mismo tiempo es excelente, ya que en iiiiigun momento (cuadro de imagen) se dejan de seguir sus trayectorias.

Cuadro 17

Figura 5. IO Visualización del experimento 10

~~

Página 66

Capitulo V Pruebas y resultiidos

Experimento 11

Objetivo. Realizar el seguimiento en secuencias de imágenes de dos objetos diferentes en foi-ma y tamaño, pero que contengan el mismo color azul, bajo un fondo ncgro con pequeñas variaciones en color gris. Visualización. En la figura 5.1 1 se muestra el seguimiento realizado en diferentes inicrvalos de tiempo (cuadro de imagen). Resultados. Se logra seguir al mismo tiempo los dos objetos en color azul a través de toda la secuencia. El seguimiento de estos dos objetos al mismo tiempo es excelente, ya que en iiiiigh

momento (cuadro de imagen) se dejan de seguir sus trayectorias.

Cuadro 49

Figura 5.1 1 Visualización del experimento 1 1

Página 67

Capítulo V Pruebas y resuliedos

Experimento 12

Objetivo. Realizar el seguimiento en secuencias de imágenes de tres objetos, dos de niiiiiera similar en forma y tamaño, todos con diferente color, bajo un fondo negro con peqiicñas variaciones en color gris. Visualización. En la figura 5.12 se muestra el seguimiento realizado en diferentes inlcrvalos de tiempo (cuadro de imagen). Resultados. Se logra seguir ai mismo tiempo los tres objetos en colar azul, amarillo y verde a través de la mayor parte de la secuencia. El seguimiento de estos tres objetos al mismo tiempo es bueno, ya que se detectan las trayectorias de los tres objetos al mismo tiempo en gran parte dc la secuencia.


Pagina 68

Cauítulo V Pruebas v resuliddos

5.3.2 Etapa de predicción

En esta sección se realizan dos tipos de pruebas: La predicción basada en retroalimeiitacióii (el histórico) y la predicción basada en la retroalimentación con postalimentación.

La primera se da cuando el cuadro de imagen en donde se requiere estimar la ubicación del objeto x, queda fuera del número total de cuadros de la secuencia, y la segunda se da cuando el cuadro de imagen en donde se requiere estimar la ubicación del objeto x, queda dcnti-o del número total de cuadros de la secuencia, de esta forma existe la posibilidad de hacei- una predicción de la trayectoria más exacta al tomar en cuenta un mayor número de cuadros de imagen.

En esta etapa se hace uso de las mismas secuencias utilizadas en las pruebas realizadas a la etapa de seguimiento. AI igual que en la sección anterior los experimentos son explicados en una estructura de tres elementos: Objetivo, visualización y resultados.

A diferencia de la sección anterior, en la visualización, se muestra la figura represeniativa de la secuencia de imágenes tratada, con el objeto elegido por el usuario para realiza? la estimación de su trayectoria, además se presenta en una tabla la información referente al historial del objeto tal cómo: el tiempo o cuadro de imagen, la ubicación del objeto en ese tiempo, la dirección que toma el objeto en coordenadas x yy, y la disminución o aumento en el tamafio del objeto.

En la tabla 5.2, se presentan los valores que pueden tomar los vectores de truyectorici y la interpretación que se les da. Estos vectores indican la dirección a la cual se dirige un determinado objeto.

Tabla 5.2 Valores de,los vectores de trayectoria

I Dirección en x I Dirección en y I Interpretación

Drsp. hacia la izquierda (O= desp. p. izquierda - abaio (Suroesic) 1 Desp izquierda - srrih3 (Noroeste) -

A continuación se describen los experimentos realizados a la etapa de predicción basada en el historial del objeto.

Página 69


Experimento 13

Objetivo. Realizar la estimación de la trayectoria en el cuadro número 90, del objeto elegido por el usuario, el cual pertenece al cuadro 83 de la secuencia de prueba número 2. Visualización. En la figura 5.13 se muestra el cuadro de imagen en donde fue detenido el seguimiento y en donde el objeto fue elegido. En la tabla 5.3 se presentan los resultados con la información del historial del objeto y la estimación de la ubicación en el cuadro de imagen número 90. Resultados. Se logra recabar información del objeto en los cinco cuadros previos a la detección del seguimiento, los datos de la trayectoria indican que el objeto se desulaza lentamente en

Tiempo 78 79 80

dirección noroeste, con disminución frecuente en el tamaño del mismc tabla 5.3 se muestra la posible ubicación del objeto en el cuadro 90.

X1 Y1 X2 Y2 D u x Diry Tamaño 25 5 53 36 O O - 1 25 5 52 36 O O - 1 25 5 51 36 O O -1

en la Última fila de la

81 82 83

* YO


~

25 5 51 35 -1 -1 - 1 23 4 49 33 O O - 1 23 4 48 33 21 4 42 30

Tabla 5.3 Información del historial del objeto y estimación de la trayectoria del experimento 13

Experimento 14

Objetivo. Realizar la estimación de la trayectoria en el cuadro número 25, del objeto elegido por el usuario, el cual pertenece al cuadro I 7 de la secuencia de prueba número 3. Visualización. En la figura 5.14 se muestra el cuadro de imagen en donde fue detenido el seguimiento y en donde el objeto fue elegido. En la tabla 5.4 se presentan los resultados con la información del historial del objeto y la estimación de la ubicación en el cuadro de imagen número 25. Resultados. Se logra recabar información del objeto en los cinco cuadros previos a la detección del seguimiento, los datos de la trayectoria indican que el objeto se desplaza rápidamentc en dirección noreste, pero sobre todo más al este que al norte, la irregularidad que se observa cn el tamaño del objeto es completamente normal, ya que el tamaño del objeto no cambia sino la reticula en donde es encapsulado, en la última fila de la tabla 5.4 se muestra la posiblc ubicación del objeto en el cuadro 25.

Pagina 70

Capítulo V Pniebas y resultados



Experimento I5

Objetivo. Realizar la estimación de la trayectoria en el cuadro número 40, del objeto elegido por el usuario, el cual pertenece al cuadro 30, de la secuencia de prueba número 10. Visualización. En la figura 5.15 se muestra el cuadro de imagen en donde fue detenido el seguimiento y en donde el objeto fue elegido. En la tabla 5.5 se presentan los resultados con la información del historial del objeto y la estimación de la ubicación en el cuadro de imagen número 40. Resultados. Se logra recabar información del objeto en los cinco cuadros previos a la detección del seguimiento, los datos de la trayectoria indican que el objeto se desplaza rápidamentc en dirección sureste, pero sobre todo más ai este que al sur, la irregularidad que se observa cti el tamaño del objeto es completamente normal, ya que el tamaño del objeto no cambia sino la retícula en donde es encapsulado, en la última fila de la tabla 5.5 se muestra la posible ubicación del objeto en el cuadro 40


Página 71

Capítulo V Pruebas y resultados


Hasta aquí se han descritos los experimentos de la predicción basados sólo en el hisiorial del objeto, a partir de este momento se describen los experimentos basados en el historial y cn el proceso de postalimentación del objeto.

La información desplegada en cada una de las tablas es la misma, sólo que se agreza la ubicación del objeto en coordenadas X I , y l , x2, y2, de donde se detuvo el seguimiento hasta un cuadro antes de donde se requiere realizar la estimación de la trayectoria. En la penúltima.fila se muestra los resultados de la estimación basada en este proceso de postalimentación, en la última fila se muestra el porcentaje de error basado en la comparación de la estimación y el seguimiento realizado hasta un cuadro antes del cuadro a predecir.

Para que el proceso de postalimentación se lleve acabo es necesario que el proceso de seguimiento sea detenido antes de que finalice el último cuadro de la secuencia, y de que el cuadro de imagen en donde se desea predecir la trayectoria .se encuentre dentro del número total de imágenes de la secuencia.

A continuación se describen los experimentos basados en el historial y en el proceso de postalimentación del objeto, para esto, se utilizan las mismas secuencias que en el caso anterior.

Experimento I 6

Objetivo. Realizar la estimación de la trayectoria en el cuadro número 70, del objeto elegido por el usuario, el cual pertenece al cuadro 60, de la secuencia de prueba número 2. Visualización. En la figura 5.16 se muestra el cuadro de imagen en donde fue detenido el seguimiento y en donde el objeto fue elegido. En laitabla 5.6 se presentan los resultados de la información histórica y de postalimentación del objeto con la estimación de la ubicación cii el cuadro de imagen número 70. Resultados. Se logra recabar información del objeto en los cinco cuadros previos a la detección del seguimiento y en los diez cuadros posteriores, los datos de la trayectoria indican que el objeto se desplaza lentamente en dirección hacia el norte, el tamaño .del objeto disminuye frecuentemente al ir avanzando la secuencia, en laiúltima fila de la tabla 5.6 se muestra la distancia en píxeles entre el seguimiento realizado con el proceso de postalimentación y la estimación de la trayectoria, cómo se observa el porcentaje de error es apenas superior al uno por ciento, lo que indica que la predicción realizada de la'ubicación del objeto en el cuadro núiiiero 70 es bastante buena.

Página 72

Cauítulo V Pruebas y resultados



Experimento I7

Objetivo. Realizar la estimación de la trayectoria en el cuadro número 16, del objeto elegido por el usuario, el cual pertenece al cuadro IO, de la secuencia de prueba número 3 . Visualización. En la figura 5.17 se muestra el cuadro de imagen en donde fue detenido el seguimiento y en donde el objeto fue elegido. En la tabla 5.7 se presentan los resultados de la información histórica y de postalimentación del objeto con la estimación de la ubicación cii el cuadro de imagen número 16. Resultados. Se logra recabar información del objeto en los cinco cuadros previos a la detección del seguimiento y en los seis cuadros posteriores, los datos de la trayectoria indican que el objcto se desplaza rápidamente en dirección hacia el noreste, pero sobre todo más al este que al norte, la irregularidad que se observa en el tamaño del objeto es completamente normal, ya que el tamaño del objeto no cambia sino la reticula en donde es encapsulado, en la Última fila de la tabla 5.7 sc muestra la distancia en píxeles entre el seguimiento realizado con el proceso de postalimentación y la estimación de la trayectoria, cómo se observa el porcentaje de error es apenas inferior al dos por ciento, lo que indica que la predicción realizada de la ubicación del objeto en el cuadro número I6 es muy buena.

Página 73

Capihdo V Pruebas y resultados


Tabla 5.7 información del historial del objeto y estimación de la trayectoria del experimento I7

Experimento 18

Objetivo. Realizar la estimación de la trayectoria en el cuadro número 23, del objeto elegido por el usuario, el cual pertenece al cuadro 18, de la secuencia de prueba número IO. Visualización. En la figura 5.18 se muestra el cuadro de imagen en donde fue detenido el seguimiento y en donde el objeto fue elegido. En la tabla 5.8 se presentan los resultados dc la información histórica y de postalimentación del objeto con la estimación dc la ubicación cii cl cuadro de imagen número 23. Resultados. Se logra recabar información del objeto en los cinco cuadros previos a la detección del seguimiento y en los cinco cuadros posteriores, los datos de la trayectoria indican que el objeto se desplaza rápidamente en dirección hacia el este, la irregularidad que se observa cn el tamaño del objeto es completamente normal, ya que el tamaño del objeto no cambia sino la reticula en donde es encapsulado, en la última fila de la tabla 5.8 se muestra la distancia en píxeles entre el seguimiento realizado con el proceso de postalimentación y la estimación <IC la trayectoria, cómo se observa el porcentaje de error es del 1.78 por ciento, lo que indica qtic la predicción realizada de la ubicación del objeto en el cuadro número 23 es muy buena.

Página 74

Capítulo V Pruebas y resultados



23 I 108 I 38 1 124 1 52 I I I *23 I 110 I 34 1 126 I 50 I

Error I 2 1 4 1 2 1 2 1 1.78 Oh 1 I

Con esta última prueba se da por terminada la fase de experimentación tanto del seguimiento cómo de la predicción, en la siguiente sección se analizan los resultados obtenidos.

5.4 Análisis de resultados

El análisis está basado tanto en el tiempo de ejecución de las secuencias de prueba cómo en la complejidad del ambiente, el número de objetos presentes en la escena, el contraste con el fondo, la similitud en forma, tamaño y color de los objetos, el ruido, etc.

En relación al tiempo de ejecución del seguimiento, la secuencia más rápida fue la número I , dado que se encontraba bajo un ambiente despejado con fondo negro y un solo objeto de color verde que contrastaba bastante con el fondo, por otro lado la secuencia más lenta en ejecuhrse fue la número 2, dado que al principio de la secuencia el objeto completo tarda cn aparecer en la escena y aunado a que en el ambiente existe un moderado nivel de ruido, la herramienta tarda un poco en analizar los diferentes tipos de movimientos detectados. Sin embargo una vez que el objeto es visualizado en su totalidad, el proceso de seguimiento se agiliza hasta tcrminar la secuencia.

Página 75

Pmebas y resultados Cauítulo V

En relación a la complejidad, . *- la Secue&% que.parece . presentar más problemas para poder realizar el proceso de seguimiento de los objetos es la número 4, debido a que en esta secuciicia aparecen dos objetos muy poco contrastados o muy similares con el fondo de la imagen, csto dificulta la detección del objeto como tal. Las secuencias que favorecen este proceso son la I , 2. 3, IO, I ! y 12, éstas contienen objetos que.contrastan con el fondo de la imagen y tieiicn un iiivel de ruido bastante moderado. A pesar de que contienen objetos parecidos en forma, taniaiio y color, el seguimiento es continuo a través de toda la secuencia.

En relación con la estimación de 'la trayectoria, los resultados obtenidos son bastante satisfactorios, ya que proporcionan información precisa de la posible ubicación de un objeto en un determinado instante de tiempo, ya sea que se encuentre dentro o fuera del número total de cuadros de imágenes de la secuencia.

Página 76

Conclusiones y trabajos futuros Capítulo VI

Capítulo VI

Conclusiones y trabajos futuros En este último capítulo se mencionan algunas conclusiones y se describen algunos trabajos futuros que podrían darle continuidad a este proyecto de tesis.

Página 77

Capítulo VI Conclusiones y trabajos futuros

En este trabajo de investigación se analizó, diseñó e implementó una metodología para llevar a cabo el proceso de seguimiento y predicción del movimiento de objetos rígidos, considerando la problemática que esto implica. A continuación se describe una breve resena de este proyecto.

En el capítulo I, se presentó una introducción y algunos antecedentes acerca del arca de visión artificial, se planteó la problemática, el objetivo y la solución del problema de manera general, se describieron los alcances y limitaciones del proyecto, así cómo los beneficios y aplicaciones que se esperan obtener al término del mismo.

En el capítulo 11, $e revisó la literatura con los temas relacionados al seguimiento y predicción del movimiento de objetos afines al área de visión artificial extrayendo algunas ideas básicas como: El modelo de color HSI y las técnicas de segmentación basadas en regiones y en rasgos.

Posteriormente se explicaron algunas definiciones y conceptos de uso común cn el tratamiento digital de imágenes tales como: Las relaciones básicas entre píxeles y la información del color. 1:

En el capítulo 111, se analizó y diseñó la metodología de este proyecto. El primer paso fue analizar el origen del movimiento entre un par de imágenes, aquí se formularon cinco preguntas y la manera de dar respuesta a cada una de ellas.

El segundo paso fue extraer los rasgos que permitieran realizar los procesos para de detectar el movimiento, segmentar regiones, seguir a los objetos y predecir movimientos futuros de los mismos.

El tercer paso consistió en establecer los criterios de operación para los rasgos extraidos, lo cual llevo al análisis exhaustivo de varias secuencias de video.

El cuarto paso fue diseñar las estructuras de datos idóneas para el manejo dc la información.

El último paso consistió en diseñar la arquitectura global del sistema, la cual involucra procesos, etapas y estructuras de datos. La arquitectura diseñada consta de cinco etapas: Inicialización, detección del movimiento, segmentación de regiones, seguimiento de objetos y predicción de la trayectoria.

En el capítulo IV, se implementó en una herramienta de software la metodología para resolver el problema planteado. Se implementaron algunos algoritmos para detectar movimiento entre imágenes, realizar la conectividad entre los píxeles y agrupar regiones, corregii- regiones traslapadas, mostrar el proceso de seguimiento, y para estimar la ubicación de un objeto x cii un tiempo (cuadro de imagen) x.

Finalmente en el capitulo V, se muestran los resultados obtenidos con la implementación de la metodología, en primer término se presenta la experimentación realizada al proceso de

Página 78

REFERENCIAS

J. Russ, “The imagc processing handbook”, 2nd edition, CRC Prcss, USA, 1995.

Homero V. Ríos, “Aplicaciones de la Visión por Computadora”, Laboratorio Nacional de Informática Avanzada A. C., Mayo del 2002.

Rafael C. Gonzalez y Richard E. Woods, “Tratamiento digital de imágenes”, Addison- Wesley / Díaz de Santos 1996. . .

David V. Huntsberger, Patrick Billingsley, “Elementos de estadística inferencial”, C.E.C.S.A.

Gozde Unal, Hamid Krim, “Active Polygons for Object Tracking”, North Carolina State University ECE Dept Raleigh, NC 27695.

Cheng-Yuan Tang, yi-Ping Hung, Sheng-Wen Shih, and Zen Chen, “A 3D Feature-Based Tracker for Multiple Object Tracking”, Institute of Computer Science & Information Engineering, National Chiao Tung Univetsity Hsinchu.

Ali Shahrokni, Luca Vacchetti, Vincent Lepetit, Pascal Fua, “Automated Initialization of Polyhedral Object Tracking for Augmented Reality Applications”, Computer Graphics Laboratory, Swiss Federal institute of Technology Lausanne, CH 1015 Lausanne, Switzerland.

H. Moon, R. Chellappa, A. Rosenfeld, “3D Object Tracking Using Shape-Encoded Particle Propagation”, Center for Automation Research and Dept. of Electrical and Computer Engineering University of Marykand College Park, MD 20742-3275.

Vladimir Brajovic, “An Object Tracking Computational Sensor”, CMU-Ri-TR-O 1-40 Robotics Instiiute, Camegie Mellon University, 5000 Forbes Avenue, Pittsburgh PA 15213.

Rafael Garcia-Campos, Joan Batlle, and Rainer Bischoff , “Architecture of an Object- based Tracking System Using Colour Segmentation”, Computer Vision and Robotics Group. Dep. of Electronics, Computer Science and Automation. University of Girona, Av. Luis Santaló, sín, 17003 Girona, Spain.

Todd Schoepflin, Christopher Lau, Rohit Garg, Donglok Kim, and Yongmin Kiml “A Research Environment for Developing and Testing Object Tracking Algorithms”, Image Computing Systems Laboratory. Departments of Bioengineering and Elecirical Engineering, Box 352500, University of Washington, Seattle, WA 98 195-2500.

Ulrich Neumann and Jun Park, “Extendible Object-Centric Tracking for Augmented Reality”, Computer Science Department Integrated Media Systems Center, University of Southern California.

Página 80

S. Spors, R. Rabenstein and N. Strobel, “Joint Audio-Video Object Tracking”, Telecommunications Laboratory University of Erlangen-Nuremberg. Cauerstrassc 7, 91058 Erlangen, Germany.

Jong Weon Lee, Suya You, and Ulrich .Neumann, “Large Motion Estimatioii for Omnidirectional ,Vision”, Computer Science Department Integrated Media Systems Center, University of Southern California Los Angeles, CA 90089-0781, USA.

Paul Withagen, Klamer Schuttel and Frans Groen, “Likelihood-Based Object Detcction and Object Tracking Using Color Histograms and E M , Physics and Electronics Laboratory, P.O., Box 96864, IAS group, University of Amsterdam, The Netherlands.

Thad Stamer, Bastian Leihe, David Minnen, TracyWestyn, Amy Hurst, and Justin Wccks, “Computer Vision-Based Gesture Tracking, Object Tracking, and 3D Reconstruction for Augmented Desks”, Contextual Computing Group, G W Center, Georgia Insititutc of Technology.

Yiwei Wang and John F. Doherty, “Moving Object Tracking in Video”, Departmeiit of Electrical Engineering, The Pennsylvania State University, University Park, PA1 6802, USA.

dem Eroglu Erdem, A. Murat Tekalp, Bulent Sankur, “Metrics for Perforniance Evaluation of Video Object Segmentation and Tracking without Ground-Truth”, Department of Electrical and Computer Engineering, University of Rochester, Rochester, NY 14627, USA.

Christopher R. Sears, Zenon W. Pylyshyn, “Multiple Object Tracking and Attentional Processing”, University of Calgary Rutgers University.

Andrea Cavallaro, Olivier Steiger, Touradj Ébrahimi, “Multiple video object tracking in complex scenes”, Signal Processing Institute Swiss Federal Institute of Technology (EPFL), CH1015 Lausanne, Switzerland.

D. Koller, K. Danilidis, H. H. Nagel, “Model-Based Object Tracking in Monocular image sequences of road traffic scenes”, Instituto de algoritmos y sistemas cognoscitivos, Postfach 6980, D-7500 Karlsruche 1, Federal Republic of Germany.

V. Atienza, J.M. Valiente, G. Andreu, “Non-Rigid Object .Tracking: A predictive Vectorial Model Approach”, Departamento’ de Ingeniería de Sistemas, Computadores y Automática. Universidad politécnica de Valencia, Camino de vera, 14 4607 1 Valencia, España.

Michael Wollbom, “Object-based displacement estimation and motion compensated prediction for hybrid video coding”, Instith f ir Theoretische Nachrichtentechnik und Informations verarbeitung, Appelstrde 9A, D-30167 Hannover, Germany.

Bemd Girod, “Overview: Motion-Compensated Coding”, IEE368 Image and Video Compression.

Página 81

Oner Sebe, “Object-Tracking Using Multiple Constraints”, EE392J, Digital Video Processing, Winter 2002, Stanford University, EE Department.

James Au Ze-Nian, Li Mark, S. Drew, (( Object Segmentation and Tracking Using Video Locales”, UBVideo Inc., School of Computing Science, School of Computing Sciciice. Vancouver, BC, Canada Simon Fraser University Simon Fraser University. Vancouver, BC, Canada Vancouver, BC, Canada.

Tim Ellis, Ming Xu, “Object Detection and Tracking in an Open and Dynamic Woi-Id”, Department of Electrical, Electronic and ’ Information Engineering, City University, London, EClV OHB, UK.

Cbih-Ming Wang, Chia-Wen Lin, Yao-Jen Chang, and Yung-Cbang Chen, “Realtime Object Extraction and Tracking with an Active Camera Using Image Mosaics”, Department of Electrical Engineering, National Tsing Hua University, Hsinchu 300, Taiwan.

Yoav Rosenberg, Michael Werman, “Real-Time Object Tracking from a Moving Video Camera: A Software Approach on a PC”, ‘Institute of Computer Science The Hebrew University of Jerusalem, 9 1904 Jerusalem, Israel.

Real-time Stereo Vision for Real-world Object Tracking System TYZX

Aishy Amer Amar, Miticbe Eric Dubois, “Real-Time Motion Estimation by Object- Matching for High-Level Video Representation”, INRS-Telecommunications University d’Ottawa, Montreal, H5A 1C6 Canada Ottawa, KIN 6N5 Canada.

Daniel D. Morris, “Singularity Analysis for Articulated Object Tracking”, Robotics Institute Camegie Mellon University Pittsburgh, PA 15213.

Omar Javed and Mubarak Shah, “Tracking and Object Classification for Automated Surveillance”, Computer Vision Lab., University of Central Florida, 4000 Central Florida Blvd, Orlando, Florida 32816, USA.

A. Koschan, S.K. Kang, J.K. Pa&, B. Abidi, and M. Abidi, “Video Object Tracking Based On Extended Active Shape Models With Color Information”, Imaging, Robotics. and Intelligent Systems Laboratory, University of Tennessee Knoxville, Tennessee USA.

Won Kim and Ju-Jang Lee, “Visual Tracking for Moving Object by Invariant Active Contour Model”, Department of Electrical Engineering and Computer Science, Korea Advance Institute of Science and Technology 373-1 Kusong-dong, Yusong-gu, Taejon, Korea, 305-701.

Elena Sánchez Nielsen y Mario Hernandez Tejera, “Seguimiento de Objetos Móviles usando la Distancia de Hausdorff‘, Depto. de Estadística, Investigación Operati va y Computación (ULL), Mayo 2002.

Schalkoff Robert J., “Digital Image Processing and Co uter Visión”, Wiley, 1989. (.:.~Jj.;.),:T - .

TI¿O L c i iu i i .>KMAcIo

0 4 p q - j 86 g . 6

Documents

S.E.P. S.E.I.T. D.G.I.T. - Centro Nacional de Investigación y ... Emilio Alarcon... · CENTRO NACIONAL DE INVESTIGACI~N Y DESARROLLO TECNOLÓGICO Cenidet SEGUIMIENTO Y PREDICCIÓN