APLICACIÓN DEL FILTRO DE PARTÍCULAS AL SEGUIMIENTO DE OBJETOS EN SECUENCIAS DE IMÁGENES.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "APLICACIÓN DEL FILTRO DE PARTÍCULAS AL SEGUIMIENTO DE OBJETOS EN SECUENCIAS DE IMÁGENES."

Transcripción

1 INGENIERÍA TÉCNICA EN INFORMÁTICA DE SISTEMAS Curso Académico 2002 / 2003 Proyecto de Fin de Carrera APLICACIÓN DEL FILTRO DE PARTÍCULAS AL SEGUIMIENTO DE OBJETOS EN SECUENCIAS DE IMÁGENES. Autor: Eva Burgueño Raigal. Tutores: Juan José Pantrigo Fernández. Antonio Sanz Montemayor.

2 A mi familia, en especial a mi abuelo.

3 Agradecimientos. Quiero dar las gracias de manera especial a Antonio Sanz Montemayor y a Juanjo Pantrigo Fernández por haberme facilitado sus conocimientos sobre Visión Artificial y por su gran ayuda y colaboración durante todo el proyecto. A José María Cavero del grupo Kybele por prestarnos su equipo. A Patricia y Alberto por todas esas tardes juntos. A José Luis por dejarnos a Mirinda, la cámara web, que nos ha permitido implementar el tiempo real. A Juan por toda su ayuda y apoyo. Y por último a mi familia por su cariño en todo momento.

4 Índice General Resumen... 1 Capítulo 1. Introducción Conceptos de Estadística y Probabilidad Métodos Monte Carlo El Filtro de Partículas Diferencias entre el Filtro de Kalman y el Filtro de Partículas Herramientas Lenguaje de programación Matlab Visual C TRIPOD Logitech QuickCam SDK Capítulo 2. Objetivos Capítulo 3. Descripción Informática Especificación de Requisitos Requisitos Funcionales Requisitos no Funcionales Requisitos de Desarrollo Diagrama de Gantt Diseño e Implementación Filtro de Partículas Básico en entorno Matlab Diagrama de Bloques del Filtro de Partículas Básico Filtro de Partículas en entorno Matlab para análisis de imágenes reales Segmentación basada en umbralizado Sustracción de Fondo Descripción Funcional Diagrama de Bloques del Filtro de Partículas para imágenes reales Filtro de Partículas en Tiempo Real Capítulo 4. Pruebas Pruebas realizadas con el Filtro de Partículas Básico Pruebas realizadas con la técnica de Segmentación basada en Umbralizado Pruebas realizadas con la técnica de Sustracción de Fondo Pruebas realizadas en Tiempo Real Capítulo 5. Conclusiones Conclusiones finales...54 Glosario Bibliografía... 60

5 Índice de Figuras Figura 1. Diagrama de bloques de las etapas de un sistema de Visión Artificial... 3 Figura 2. Representación del muestreo y los pesos al aplicar el Filtro... 8 Figura 3. Funcionamiento del Filtro de Partículas... 9 Figura 4. Evolución de la densidad de probabilidad y de su modelado Figura 5. Interfaz que proporciona TRIPOD Figura 6. Modelo del ciclo de vida en espiral Figura 7. Diagrama de Gantt...22 Figura 8. Ejemplo de una ruleta creada mediante el Filtro de Partículas Figura 9. Diagrama del núcleo del Filtro de Partículas Índice de Imágenes Imagen 1. Resultado de la prueba con 1 pelota Imagen 2. Resultado de la prueba con 1 pelota Imagen 3. Resultado de la prueba con 2 pelotas Imagen 4. Resultado de la prueba con 2 pelotas Imagen 5. Resultado de la prueba con 3 pelotas Imagen 6. Resultado de la prueba con 1 persona Imagen 7. Resultado de la prueba con 1 pelota Imagen 8. Resultado de la prueba con 1 persona Imagen 9. Resultado de la prueba con 1 persona Imagen 10. Resultado de la prueba con 2 personas Imagen 11. Resultado de la prueba con 2 personas Imagen 12. Resultado de la prueba con 1 ratón de ordenador Imagen 13. Resultado de la prueba con 1 pelota Imagen 14. Resultado de la prueba con 1 persona Imagen 15. Resultado de la prueba con 2 personas Imagen 16. Resultado de la prueba con 1 ratón de ordenador... 53

6 RESUMEN La Visión Artificial es una disciplina que tiene como finalidad, la extracción automática de información del mundo físico a partir de imágenes. Una aplicación de la Visión Artificial es el seguimiento de objetos en secuencias de imágenes. Y se puede estudiar mediante varios métodos como pueden ser: el Filtro de Kalman o el Filtro de Partículas entre otros. El Filtro de Kalman define un conjunto de ecuaciones matemáticas que proveen una solución recursiva computacionalmente eficiente del método de mínimos cuadrados. El Filtro de Partículas es un método secuencial de Monte Carlo aplicable a cualquier transición de estados o modelo de medida. El objetivo fundamental de este proyecto consiste en implementar el Filtro de Partículas aplicado al seguimiento de objetos en secuencias de imágenes 2D. Tras los resultados obtenidos con uno y varios móviles, oclusión, movimientos no plano paralelos, etc, se comprueba que el rendimiento del filtro es excelente. Además de estudiar bajo diferentes condiciones experimentales el Filtro de Partículas aplicado al seguimiento de objetos, y a pesar de que no era un objetivo fundamental del proyecto, se ha conseguido implementar una aplicación del Filtro de Partículas mediante técnicas de Visión Artificial que es capaz de seguir uno o varios móviles en secuencias de imágenes en tiempo real. Los resultados en tiempo real tienen un especial interés, ya que se producen en aplicaciones reales y tienen una mayor funcionalidad. 1

7 Capítulo 1 Introducción La Visión Artificial es una disciplina que tiene como finalidad, la extracción de información del mundo físico a partir de imágenes, utilizando para ello un computador. Se trata de un objetivo ambicioso y complejo que actualmente se encuentra en una etapa primitiva [12]. Un sistema de Visión Artificial actúa sobre una representación de una realidad que le proporciona información sobre brillo, colores, formas, etcétera. Estas representaciones suelen estar en forma de imágenes estáticas, escenas tridimensionales o imágenes en movimiento [12]. La Visión Artificial también llamada Visión Computacional, en un intento de reproducir el comportamiento del ser humano, define tradicionalmente cuatro fases principales: - La primera fase, que es puramente sensorial, consiste en la Captura o Adquisición de las imágenes digitales mediante algún tipo de sensor. - La segunda etapa consiste en el tratamiento digital de las imágenes, con objeto de facilitar las etapas posteriores. En esta etapa de Preprocesamiento es donde, mediante filtros y transformaciones geométricas, se eliminan partes indeseables de la imagen o se realzan partes interesantes de la misma. - La siguiente fase se conoce como Segmentación, y consiste en aislar los elementos que interesan de una escena para comprenderla. - Por último se llega a la etapa de Reconocimiento o Clasificación. En ella se pretende distinguir los objetos segmentados, gracias al análisis de ciertas características que se establecen previamente para diferenciarlos. 2

8 Estas cuatro fases no se siguen siempre de manera secuencial, sino que en ocasiones deben realimentarse hacía atrás. Así, es normal volver a la etapa de segmentación si falla la etapa de reconocimiento, o la de preproceso, o incluso a la de captura, cuando falla alguna de las siguientes [12]. Captura Preprocesamiento Segmentación Reconocimiento Figura 1. Diagrama de bloques de las etapas típicas en un sistema de Visión Artificial adaptado de [12]. El Filtro de Partículas fue introducido originalmente en el área de la Visión Computacional como el algoritmo Condensation ( CONditional DENSity propagation ) [1], lo presentaron Michael Isard y Andrew Blake para seguir contornos y lo llamaron ICONDENSATION [2]. J.MacCormick y A. Blake lo han ampliado desde entonces [3]. El Algoritmo del Filtro de partículas proporciona una forma simple y efectiva de modelar procesos estocásticos con funciones de densidad de probabilidad arbitrarias (no necesariamente normales o gausianas) por aproximación numérica de éstas. Las partículas son estados posibles del proceso que se pueden representar como puntos en el espacio de estados de dicho proceso. 3

9 1.1 Conceptos de Estadística y Probabilidad. La Estadística se ocupa de los métodos y procedimientos para recoger, clasificar, resumir, hallar regularidades y analizar los datos, siempre y cuando la variabilidad e incertidumbre sea una causa intrínseca de los mismos; así como de realizar inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones. La Estadística puede ser descriptiva si describe, analiza y representa un grupo de datos utilizando métodos numéricos y gráficos que resuman y presenten la información contenida en ellos o inferencial cuando se apoya en el cálculo de probabilidades y a partir de datos muestrales, efectúa estimaciones, decisiones, predicciones u otras generalizaciones sobre un conjunto mayor de datos. La Teoría de la Probabilidad constituye la base o fundamento de la Estadística. Así pues, es corriente hablar de la probabilidad de un suceso, entendiendo como tal un número real normalizado a 1, de forma que si éste es cercano a 0 (a l), el suceso tiene poca (mucha) probabilidad de ocurrir o haber ocurrido. Probabilidad condicionada En el cálculo de las probabilidades de algunos sucesos, el valor de dicha probabilidad variará en función del conocimiento de determinadas informaciones relativas a estos sucesos. Mediante un espacio probabilístico damos una formulación matemática a un fenómeno aleatorio que observamos. Parece razonable que si observamos algo que aporta información a nuestro fenómeno aleatorio, éste deba alterar el espacio probabilístico de partida. Supóngase que los sucesos Α 1,, partición del espacio S tal que ( Α ) = 1 tal que ( B) > 0 Ρ j P. Entonces, para i = 1,..., Κ, Α Κ constituyen una i para j = 1,..., Κ y sea B cualquier suceso P ( ) ( Ai ) P( B Ai ) P Ai B = P( A B) P( A ) P( B A ) Κ i= 1 i i i = P ( Ai B) ( B) Teorema de Bayes. Probabilidad condicionada. P 4

10 El teorema de Bayes proporciona una regla sencilla para calcular la probabilidad condicional de cada suceso A i dado B a partir de las probabilidades condicionales de B dado cada uno de los sucesos A i y la probabilidad incondicional de cada A i [13]. Unas funciones muy útiles para el cálculo de probabilidades de una variable aleatoria son la función de densidad de probabilidad para variables aleatorias continuas y la función distribución de probabilidad para variables aleatorias continuas y discretas. A la función distribución de probabilidad también se le llama función de probabilidad acumulada y la forma de cálculo es equivalente para las variables discretas y continuas. Caso discreto: Fx ( x) = P( X x) = P( X = y) Caso Continuo: Fx( x) = P( X x) = f ( x)dx De hecho, cualquier colección de números positivos cuya suma sea finita puede dar lugar a una función de probabilidad y por tanto a una variable discreta. Por su parte cualquier función positiva cuyo área bajo la curva que representa sea, también finita, puede dar lugar a una función de densidad de probabilidad y por tanto a una variable continua. y x x 5

11 1.2 Métodos Monte Carlo El método fue llamado así en referencia al Principado de Mónaco por ser la capital del juego de azar, al tomar una ruleta como un generador simple de números aleatorios. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 y fueron favorecidos por el desarrollo de la computadora electrónica. El uso real de los métodos de Monte Carlo como una herramienta de investigación, viene del trabajo de la bomba atómica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulación directa de problemas probabilísticos de hidrodinámica concernientes a la difusión aleatoria de neutrones en material de fusión. Aún en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam refinaron esta curiosa Ruleta rusa y los métodos de división. Sin embargo, el desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en Aproximadamente en el mismo año, Fermi, Metropolis y Ulam obtuvieron estimadores para los valores característicos de la ecuación de Schrödinger para la captura de neutrones a nivel nuclear. El Método de Monte Carlo da solución a una gran variedad de problemas matemáticos posibilitando la realización de experimentos con muestreos estadísticos en una computadora. El método es aplicable a cualquier tipo de problema, ya sea estocástico o determinístico. A diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solución aproximada, el método de Monte Carlo tiene un error absoluto en la estimación que decrece en 1 en virtud del Teorema Central de Límite. N En la práctica, las pruebas aleatorias se sustituyen por resultados de ciertos cálculos realizados con números aleatorios. 6

12 1.3 El Filtro de Partículas. El Filtro de Partículas es un método secuencial de Monte Carlo aplicable a cualquier transición de estados o modelo de medida, y en la Visión Artificial se utiliza para el seguimiento de objetos en secuencias de imágenes. Lo propusieron N. Gordon, D. Salmond y A. Smith en 1993 [5], como Filtro Bootstrap para implementar Filtros Bayesianos recursivos. La densidad requerida del vector de estados era representada como un conjunto de muestras aleatorias, las cuales se actualizan y propagan por el algoritmo. El filtro de partículas supone una nueva manera de representar y generar recursivamente una aproximación del estado de la Función de Densidad de Probabilidad (FDP). La idea central es representar la FDP requerida como un conjunto de muestras aleatorias, más que como una función sobre el espacio de estados. La aproximación Bayesiana se utiliza para construir la FDP, que define el estado del objeto en el instante actual. El Filtro de Partículas representa la densidad a posteriori mediante una distribución de partículas (muestras) en el espacio de estados. Las partículas son estados posibles del proceso, que se pueden representar como puntos en el espacio de estados de dicho proceso. Este enfoque se ha desarrollado de forma independiente en los últimos años en campos como la estadística, la economía o la visión artificial (Kitagawa 1987 [6]; West 1992 [7]; Gordon, Salmond, y Smith 1993 [5]; Isard y Blake 1996 [8]; Kitagawa 1996 [9]; Carpenter, Clifford, y Fernhead 1997 [10]; Pitt y Shephard 1999 [11]). Los nombres con los que se le ha denominado son: Método Secuencial de Monte Carlo (Sequential Monte- Carlo Methods), Algoritmo Condensation (CONDENSATION Algorithm), Filtro Bootstrap (Bootstrap Filter), Filtro de la Supervivencia del Más Apto, aunque últimamente se está utilizando el término Filtro de Partículas (Particle Filtres) para todos ellos. Todos estos algoritmos son propuestas similares que propagan las partículas (muestras de la función de densidad a posteriori), utilizando el modelo de movimiento p ( xt xt 1, at ) y el modelo de verosimilitud p ( z t x t ), de forma que el peso combinado de las partículas de una región aproxima la integral de la función de densidad a posteriori en esa región. En concreto, el Filtro de Partículas representa la densidad a posteriori mediante un conjunto discreto de N partículas m 1,...,m ) y sus probabilidades asociadas ( π,...,π N ) 1. ( N 7

13 Inicialmente, el conjunto de partículas se escoge a partir de la distribución a priori p ( x 0 ). Si no existe información a priori, entonces las partículas se distribuyen uniformemente por el espacio de estados. Posteriormente, en cada instante de tiempo t, se actualizan las N partículas en función de la acción anterior a t-1 y la observación actual t t 1, t 1 a cada una de las N partículas, generando un nuevo conjunto de partículas. Las partículas nuevas representan la predicción de la variable de estado, sin considerar la observación, se obtiene el peso z t. Para ello, se aplica el modelo de movimiento p( x x a ) i π asociado a cada partícula. El conjunto de pesos de cada partícula es proporcional a la probabilidad de su estado y a la suma normalizada de sus pesos. La densidad de los pesos es igual al producto de la densidad previa (del muestreo) y la probabilidad (de los pesos). En la Figura 2 se representa un muestreo discreto de una función de densidad de probabilidad continua mediante partículas, cuyo tamaño hace referencia al peso asignado a las mismas. Probabilidad Densidad a posteriori x Estado Pesos asociados a la densidad Figura 2. Representa el muestreo y los pesos obtenidos al aplicar el Filtro. En un último paso, se remuestrea el conjunto de partículas, extrayendo (con reemplazo) N partículas del conjunto actual, proporcional al peso de cada una. En este nuevo conjunto tendrán más probabilidad de desaparecer aquellas partículas para las que no hay evidencia de verosimilitud o, lo que es lo mismo, que tenga menor peso. Una vez construido el nuevo conjunto de partículas, según la probabilidad de éstas se asocia un peso a cada una. Este nuevo conjunto de partículas constituye una representación muestral de la probabilidad a posteriori. 8

14 En la Figura 3, se representa gráficamente la evolución de las partículas en cada fase, suponiendo que las partículas están estimando un único parámetro, distribuido en el eje horizontal. El área de los círculos representa el peso de cada partícula. Partículas m1 Difusión Modelo de Movimiento Sorteo de Partículas. Figura 3. Funcionamiento del Filtro de Partículas. Los elementos que se consideran en el método del Filtro de Partículas son: - Los vectores de medidas Ζ, en este caso, serán provenientes de las imágenes. Las medidas dependen del estado del objeto, y el estado del objeto se deriva estadísticamente de las medidas. - El Modelo de Movimiento F, se utiliza para predecir la posición del objeto en el instante actual, a partir de la densidad de probabilidad del instante anterior ( x = F( )) t+1 x t. - El Modelo de Verosimilitud P ( Ζ ) t x t probabilidad condicional a posteriori P ( ), la estimación de la función de Ζ define la verosimilitud de la t x t medida observada dado un punto del espacio de estados (es decir, dado un estado del sistema). 9

15 Para poder implementar el algoritmo de actualización es necesario un conjunto bien ponderado de partículas en el instante t con pesos iguales 1, y así actualizar este N conjunto para reflejar las nuevas medidas obtenidas en el instante t + δt. El algoritmo de actualización queda como sigue: 1. Propagar cada partícula m i en el tiempo utilizando el modelo de movimiento F del objeto para obtener un conjunto actualizado de partículas { m i }. 2. Obtener un nuevo vector de medidas Ζ y evaluar la densidad de probabilidad posterior π i para cada m i, π = p( mi Z ) i que cuantifica la verosimilitud de (un estado) m i dado un vector de medidas Ζ. Esto puede ser escrito usando la regla de Bayes anteriormente descrita: Donde: Pr ( m Z ) i = p ( Ζ m ) p( m ) p i ( Ζ) i p ( Ζ) es la probabilidad a priori de la medida que se asume constante y conocida. ( m ) 1 p i = p mi Z = Κp Z mi N calculado sin inversión de las ecuaciones de medida., por lo que: ( ) ( ) donde ( Ζ m ) 3. Volver a muestrear a partir del conjunto { m i } con probabilidades un nuevo conjunto bien ponderado { } ' i m con pesos iguales ( ) p puede ser i π i y generar 1 para cada N partícula. El muestreo de cada partícula consiste en un estado, un peso y otra información posible (una covarianza por instante). 4. Repetir los pasos 1 y 3 para instantes sucesivos. 10

16 En la Figura 4, se puede ver cómo evolucionan las partículas en el tiempo durante una ejecución del Filtro de Partículas. π(x) t x variable del espacio de estados (estado). t tiempo. π(x) peso o verosimilitud de x. x Figura 4. Evolución de la densidad de probabilidad y de su modelado a través de partículas. 11

17 1.4 Diferencias entre el Filtro de Kalman y el Filtro de Partículas. El Filtro de Kalman define un conjunto de ecuaciones matemáticas que proveen una solución recursiva computacionalmente eficiente del método de mínimos cuadrados. La potencia del filtro se debe en varios aspectos: soporta estimaciones del pasado, presente e incluso estados futuros, y puede utilizarse cuando la naturaleza precisa del sistema a modelar es desconocida. Dados unos estimadores iniciales, el filtro va prediciendo y autoajustándose con cada nueva medida. El Filtro Discreto de Kalman se utiliza en situaciones donde un proceso continuo es muestreado en intervalos de tiempo discretos. El Filtro de Kalman fue el primer algoritmo de aprendizaje para el Modelo de Espacio de Estados Lineales o Gausianos. Posteriormente, como resultado de una tendencia moderna de evitar cualquier tipo de restricciones o suposiciones impuestas como modelo de proceso, fue propuesto el Filtro de Kalman Extendido, que flexibiliza la condición de linearizado. Tanto el Filtro de Kalman como el Filtro de Kalman Extendido representan casos particulares del Filtro Bayesiano, diseñado para ser utilizado en ambientes no lineales, no gausianos y no estacionarios con un solo objeto. El Filtro de Partículas representa una poderosa herramienta para el tratamiento de procesos del mundo real, evitando hacer cualquier tipo de suposiciones sobre las características intrínsecas del proceso como hacen los filtros clásicos, como es el Filtro de Kalman. La diferencia fundamental entre ambos algoritmos estriba en el hecho de que los filtros de Kalman pueden representar solamente la estimación del estado por una gausiana uni-modal, los Filtros de Partículas pueden representar densidades multi-modales complejas empleando una gran cantidad de partículas aleatoriamente muestreadas. 12

18 1.5 Herramientas. Las herramientas software utilizadas para la realización de este proyecto son: - Matlab 6.1 y su Toolbox de procesamiento de imágenes.. - Visual C++. - Plantilla TRIPOD para el desarrollo de la aplicación en tiempo real. - Logitech QuickCam SDK Lenguaje de programación Matlab. MATLAB es el nombre abreviado de MATrix LABoratory. Se tarta de un programa para realizar cálculos numéricos con vectores y matrices. Como caso particular puede también trabajar con números escalares, tanto reales como complejos. Una de las capacidades más atractivas es la posibilidad de realizar una amplia variedad de gráficos en dos y tres dimensiones. Posee también un lenguaje de programación propio. Para ciertas operaciones es muy rápido, cuando puede ejecutar sus funciones en código nativo, mientras que en otras aplicaciones resulta apreciablemente más lento que el código equivalente desarrollado en C/C++ o Fortran. Sin embargo, siempre es una magnífica herramienta de alto nivel para desarrollar aplicaciones técnicas, fácil de utilizar y que aumenta la productividad de los programadores respecto a otros entornos de desarrollo, al permitir prototipado rápido. MATLAB dispone de un código básico y de varias librerías especializadas denominadas Toolboxes. Estas Toolboxes cubren las áreas principales en el mundo de la ingeniería y la simulación, destacando entre ellas la de proceso de imágenes, que han sido imprescindibles para este proyecto. 13

19 1.5.2 Visual C++. Visual C++ es un entorno de desarrollo de software, destinado específicamente para escribir programas para el sistema operativo Windows en C++. Con Visual C++ se puede escribir cualquier tipo de programa tanto en lenguaje C++, como en C. C++ es un superconjunto de C orientado a objetos. Visual C++ pone a disposición del desarrollador múltiples heramientas: lenguaje C++, programación orientada a objetos (POO), biblioteca de clases, tecnología de componentes, etc. Uno de los propósitos de Visual C++ es programar para Windows en C++ utilizando Microsoft Foundation Class Library (MFC). MFC es un conjunto de clases de C++ que comprenden una aplicación genérica de funcionamiento de Windows lista para personalizar TRIPOD (Template for Real-Time Image PrOcessing Development). Plantilla para el Desarrollo del Procesamiento de Imágenes en Tiempo Real, que su creador Paul Y. Oh. denomina TRIPOD. Se trata de un software de libre distribución. Fue desarrollado para permitir a los programadores procesar rápidamente imágenes en tiempo real capturadas con una webcam Logitech bajo entorno Windows, ya que ésta proporciona el software QuickCam SDK. TRIPOD está formado por archivos fuente del MFC de Visual C++ por encima de los cuales se integra el programa de procesamiento de imágenes para obtener resultados. El interfaz que muestra el sistema está constituido por una ventana superior que exhibe las imágenes en color tomadas con una webcam Logitech, mientras que la ventana inferior muestra el resultado del procesamiento realizado sobre cada imagen capturada. En la figura 5 se muestra un ejemplo del interfaz realizando la binarización de la imagen capturada en tiempo real. 14

20 Figura 5. Interfaz que proporciona TRIPOD Logitech QuickCam SDK. El motivo del uso de una cámara web Logitech es debido a las ventajas que proporciona el kit de desarrollo sotfware QuickCam (QCSDK) a la aplicación. SDK también denominado API es un interfaz para programas de aplicación que proporciona una serie de reglamentos y acuerdos que definen la manera de llamar determinado servicio desde cierto programa. Con QCSDK se puede desarrollar fácil y rápidamente aplicaciones como la realización de fotos y archivos de vídeo con extensión AVI. Además permite cualquier número de conexiones simultáneas de la cámara fotográfica a través del interfaz. Las imágenes que proporciona QCSDK son RGB de color verdadero (24 bits). 15

21 Capítulo 2 Objetivos Un problema clásico en visión artificial es el seguimiento de un objeto en una secuencia de imágenes. En muchas ocasiones ese seguimiento debe funcionar en tiempo real, para ello es necesario acotar el espacio de búsqueda en las imágenes mediante métodos probabilísticos como pueden ser el Filtro de Kalman y el Filtro de Partículas. El objetivo fundamental de este proyecto consiste en implementar el Filtro de Partículas aplicado al seguimiento de objetos en secuencias de imágenes 2D, evaluando los resultados que se obtienen en la aplicación bajo diferentes condiciones experimentales Este objetivo se articula en los siguientes objetivos operativos: 1. Aprender a utilizar el entorno de programación Matlab. 2. Coleccionar los datos necesarios para evaluar el funcionamiento del filtro en diferentes condiciones. 3. Aprender técnicas de tratamiento de imágenes. 4. Crear el núcleo del Filtro de Partículas Básico y las funciones complementarias en Matlab 5. Probar el funcionamiento del Filtro de Partículas en secuencias de imágenes 1D para uno y varios objetos. 6. Probar el funcionamiento del Filtro de Partículas en secuencias de imágenes 2D para uno y varios objetos. 7. Probar el funcionamiento del Filtro de Partículas en secuencias de imágenes reales. 8. A la vista de las pruebas anteriores y si procede proponer alternativas para mejorar el rendimiento del filtro. 16

22 Un Filtro de Partículas en condiciones reales debe funcionar en Tiempo Real, a pesar de no haber sido objetivo inicial del proyecto, parecía razonable probarlo en condiciones reales, para ello era necesario un entorno de captura de imágenes en tiempo real y una optimización del código. Matlab no es óptimo en este sentido, con lo cual se debe migrar la aplicación a C++. Ha sido necesario: 1. Aprender a utilizar el entorno de programación Visual C Crear la aplicación del Filtro de Partículas (núcleo y funciones complementarias) en Visual C++ para incorporarla a una plantilla llamada TRIPOD y así conseguir construir el Filtro de Partículas en tiempo real. 17

23 Capítulo 3 Descripción Informática Una vez descritos los objetivos que se desean conseguir con la realización del proyecto, en este capítulo se van a tratar los distintos aspectos que componen la especificación del mismo. Aquí se incluyen los requisitos con los que debe cumplir el proyecto. Además se describen los problemas encontrados en la fase de análisis. 3.1 Especificación de Requisitos. Todo proyecto informático debe cumplir ciertas condiciones. No solo basta con que el desarrollo funcione, sino que además debe hacerlo en un tiempo razonable, ser adaptable a distintas situaciones, etc. Todos estos aspectos se detallan a continuación Requisitos Funcionales. Los requisitos funcionales son aquellos que proponen qué debe realizar la aplicación, como los servicios que ofrece, cómo debe reaccionar, estados que no se deben dar, etc. Los requisitos funcionales de nuestra aplicación son: El Filtro de Partículas debe ser capaz de seguir a uno o varios objetos en una secuencia de imágenes. Hay que tener en cuenta que dependiendo del número de partículas que se utilicen pueden variar los resultados del filtro, destacando que cuanto más partículas se generen más tiempo requerirá la ejecución de la aplicación. 18

24 Debe ser capaz de seguir objetos pequeños con tal de que el número de partículas sea suficiente, teniendo en cuenta que cuanto más pequeño sea el objeto a seguir, más partículas son necesarias para realizar un seguimiento con precisión. Es decir, si el número de partículas es bajo (alrededor de 25 ó 50) y el objeto pequeño, el seguimiento de dicho objeto es menos preciso que si se utilizarán más partículas o el objeto fuera mayor. Debe ser capaz de recuperarse en caso de perder el objeto durante un tiempo determinado, ya que si la velocidad con la que se mueve el objeto a seguir es muy alta, en algunos instantes el filtro no logra seguir al objeto con precisión. Esto es debido a la limitación de la velocidad de la captura de imágenes y la capacidad de procesado de la aplicación. 19

25 3.1.2 Requisitos No Funcionales. En este apartado se detallan los requisitos que proponen cómo debe reaccionar la aplicación, por ejemplo restricciones de tiempo, de desarrollo, estándares, etc. Es necesario capturar imágenes con una webcam para analizarlas, reconocer los objetos y poder realizar el seguimiento de éstos. Las imágenes necesarias para probar la aplicación debían ser primeramente de fondo negro y el objeto a seguir debía ser de cualquier otro color, posteriormente ya no era necesario que tuvieran fondo negro, para finalmente poder capturarlas en tiempo real, eso sí la cámara web debe proporcionar las suficientes imágenes por segundo para poder seguir al objeto en tiempo real. Si la posición de la webcam varía durante la ejecución del filtro, es necesario parar dicha ejecución y volver a empezar de nuevo, ya que la calibración de la cámara es errónea y los resultados no serán correctos. Para identificar el objeto u objetos en la imagen son necesarias técnicas de tratamiento de imágenes, para las cuales hay que reunir una serie de requisitos, como pueden ser: - Para la técnica de Segmentación basada en umbralizado se requiere fondo negro. - Para la técnica Sustracción del fondo, se requiere disponer de una imagen del fondo almacenada. El objeto o los objetos a seguir no tienen que cumplir ninguna característica especial, es decir no tienen que tener ni unas medidas, ni un color determinado, ni estar a distancias especificas, ya que son analizados al comenzar la aplicación calculando un valor proporcional a su radio. Las pruebas se han realizado con móviles de distintos tamaños y formas, como por ejemplo: pelotas de golf, ratón del ordenador, personas, etcétera. Para la aplicación en tiempo real el rendimiento es fundamental, por lo que es necesario implementar algoritmos rápidos y eficientes. 20

Universidad Rey Juan Carlos

Universidad Rey Juan Carlos Universidad Rey Juan Carlos ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA TÉCNICA EN INFORMÁTICA DE SISTEMAS Curso Académico 2009/2010 Proyecto de Fin de Carrera Scanner-Cam Autor Juan

Más detalles

5. PLANTEAMIENTO DEL MODELO ANÁLISIS-PLAZO

5. PLANTEAMIENTO DEL MODELO ANÁLISIS-PLAZO 5. PLATEAMIETO DEL MODELO AÁLISIS-PLAZO 5.1. COCEPTOS PREVIOS Previamente a cualquier descripción se presentan aquí una serie de definiciones aclaratorias: Simulación: Es el proceso de diseñar y desarrollar

Más detalles

Capítulo 3. 3. Marco Teórico.

Capítulo 3. 3. Marco Teórico. Capítulo 3 3. Marco Teórico. La visión artificial o visión por computador se define como un área multidisciplinar que pretende, en cierta medida, reproducir artificialmente el sentido de la vista mediante

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

Simulación Monte Carlo

Simulación Monte Carlo Simulación Monte Carlo Modelado estocástico Cuando se realiza un análisis estático a un proyecto, una serie de supuestos y variables producen un resultado de valor único. Mientras que un análisis estocástico

Más detalles

Autor: Javier Yáñez García

Autor: Javier Yáñez García Curso 2009-2010 2010 Universidad Carlos III de Madrid PROYECTO FIN DE CARRERA: TRACKING DE PERSONAS A PARTIR DE VISIÓN ARTIFICIAL Autor: Javier Yáñez García Contenidos 1. Introducción 2. Estado del arte

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Estudio comparativo de los currículos de probabilidad y estadística español y americano

Estudio comparativo de los currículos de probabilidad y estadística español y americano Estudio comparativo de los currículos de probabilidad y estadística español y americano Jaldo Ruiz, Pilar Universidad de Granada Resumen Adquiere las mismas capacidades en Probabilidad y Estadística un

Más detalles

Visión. Sesión 4: Búsqueda y tracking de modelos 2D en imágenes. Departamento CCIA http://www.jtech.ua.es/vision/2011/

Visión. Sesión 4: Búsqueda y tracking de modelos 2D en imágenes. Departamento CCIA http://www.jtech.ua.es/vision/2011/ Visión Sesión 4: Búsqueda y tracking de modelos 2D en imágenes Departamento CCIA http://www.jtech.ua.es/vision/2011/ Hoy Detección de aristas Transformada de Hough Componentes conectadas Alineación de

Más detalles

CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO

CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO Objetivos del Capítulo Introducir los conceptos e ideas clave de la simulación Monte Carlo. Introducirse en las capacidades que ofrece Excel

Más detalles

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Fundamentos de la Visión Artificial Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Índice 1. Introducción a lavisión Artificial 2. Adquisición y representación de imágenes 3. Filtrado

Más detalles

Tema 4:Segmentación de imágenes

Tema 4:Segmentación de imágenes Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES CAPÍTULO PROCESAMIENTO DIGITAL DE IMÁGENES En este capítulo se presentan de manera breve, una explicación de la visión, las imágenes digitales y como son capturadas por medios electrónicos, el campo encargado

Más detalles

SISTEMA DE VISION ARTIFICIAL PARA RECONOCIMIENTO DE OBJETOS APLICADO A UN BRAZO ROBÓTICO

SISTEMA DE VISION ARTIFICIAL PARA RECONOCIMIENTO DE OBJETOS APLICADO A UN BRAZO ROBÓTICO PROCESAMIENTO DIGITAL DE IMÁGENES Dr. Johnson Garzón SISTEMA DE VISION ARTIFICIAL PARA RECONOCIMIENTO DE OBJETOS APLICADO A UN BRAZO ROBÓTICO Realizado por : Carlos Pillajo Introducción En este proyecto,

Más detalles

Capítulo 2 Silueta. Figura 2.1 Tetera capturada por la cámara con la silueta resaltada

Capítulo 2 Silueta. Figura 2.1 Tetera capturada por la cámara con la silueta resaltada Capítulo 2 Silueta 2.1 Silueta La silueta de un objeto es muy importante porque es lo que nos da las pistas visuales de cómo es que está formado, nos dice dónde están sus límites y ayuda a diferenciar

Más detalles

Benemérita Universidad Autónoma de Puebla

Benemérita Universidad Autónoma de Puebla Benemérita Universidad Autónoma de Puebla FACULTAD DE CIENCIAS DE LA ELECTRÓNICA PRACTICA 5: Aplicación de visión artificial con Matlab Nombre de la Asignatura: CONTROL DE PROCESOS POR COMPUTADORA Profesor:

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

Capítulo III Procesamiento Digital de Imágenes

Capítulo III Procesamiento Digital de Imágenes Capítulo III Procesamiento Digital de Imágenes Contenido Introducción al Procesamiento digital de imágenes Orígenes del procesamiento digital de imágenes. Aplicaciones del Procesamiento de Imágenes Componentes

Más detalles

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador

Más detalles

MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ

MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS FACULTAD TECNOLÓGICA TECNOLOGÍA EN ELECTRÓNICA INGENIERÍA EN CONTROL Índice general

Más detalles

1 Conceptos Básicos de Señales y Sistemas

1 Conceptos Básicos de Señales y Sistemas CAPÍTULO 1 Conceptos Básicos de Señales y Sistemas Cuando se hace referencia a los conceptos de señales y sistemas, su aplicación es válida para una variedad amplia de disciplinas, tales como sismología,

Más detalles

Fundamentos Básicos de Monte Carlo N-Particle.

Fundamentos Básicos de Monte Carlo N-Particle. Capítulo. Fundamentos Básicos de Monte Carlo -Particle.. Historia. El método de Monte Carlo debe su nombre a la cuidad de Montecarlo en Mónaco donde se juega la ruleta, el juego de azar que genera números

Más detalles

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3. LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

Representación de Datos. Una Introducción a los Sistemas Numéricos

Representación de Datos. Una Introducción a los Sistemas Numéricos Representación de Datos Una Introducción a los Sistemas Numéricos Tipos de Datos Datos Texto Número Imagen Audio Video Multimedia: Información que contiene números, texto, imágenes, audio y video. Como

Más detalles

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER M.C. CAROLINA ROCÍO SÁNCHEZ PÉREZ 01 DE ABRIL DE 2011 Operaciones en el dominio de la frecuencia Una imagen digital es una representación

Más detalles

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 1 Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 2 ÍNDICE Introducción 3 Aplicaciones de la Simulación 3 La Metodología de la Simulación por Computadora 5 Sistemas, modelos

Más detalles

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables" no es aplicable.

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables no es aplicable. GRAFICOS DE CONTROL POR ATRIBUTOS 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas para el control de procesos, los Gráficos

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

13. Técnicas de simulación mediante el método de Montecarlo

13. Técnicas de simulación mediante el método de Montecarlo 13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que

Más detalles

PROCESO DE INNOVACIÓN EN LA ENSEÑANZA DE LA GESTIÓN DE EQUIPOS INDUSTRIALES EN INGENIERÍA

PROCESO DE INNOVACIÓN EN LA ENSEÑANZA DE LA GESTIÓN DE EQUIPOS INDUSTRIALES EN INGENIERÍA PON-C-22 PROCESO DE INNOVACIÓN EN LA ENSEÑANZA DE LA GESTIÓN DE EQUIPOS INDUSTRIALES EN INGENIERÍA A. García Sánchez (1), M. Ortega Mier (2), E. Ponce Cueto (3) Dpto. de Ingeniería de Organización, Administración

Más detalles

Acerca del Libro. Información básica. Título: Visión Artificial y Procesamiento Digital de Imágenes usando Matlab Autor: Iván Danilo García Santillán

Acerca del Libro. Información básica. Título: Visión Artificial y Procesamiento Digital de Imágenes usando Matlab Autor: Iván Danilo García Santillán Acerca del Libro Información básica Título: Visión Artificial y Procesamiento Digital de Imágenes usando Matlab Autor: Iván Danilo García Santillán ISBN: 978-9942-01-790-1. 8 capítulos. 133 páginas. Ibarra

Más detalles

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15

Más detalles

Simulación, Método de Montecarlo

Simulación, Método de Montecarlo Simulación, Método de Montecarlo Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2011 Introducción 2 Introducción............................................................

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos).

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos). Tratamiento de la Imagen Digital Qué es la imagen digital? La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y

Más detalles

ECONOMETRÍA FINANCIERA

ECONOMETRÍA FINANCIERA ECONOMETRÍA FINANCIERA CONTENIDO 1 2 3 4 5 6 7 Objetivo Introducción Las betas Financieras Capital Asset Pricing Model CAPM Arbitrage Princing Model APT Predicción con el Método de Montecarlo Solución

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

APLICACIÓN DE MÉTODOS SECUENCIALES DE MONTE CARLO SENSIBLES AL RIESGO EN LA ESTIMACIÓN DE VIDA ÚTIL DE COMPONENTES

APLICACIÓN DE MÉTODOS SECUENCIALES DE MONTE CARLO SENSIBLES AL RIESGO EN LA ESTIMACIÓN DE VIDA ÚTIL DE COMPONENTES UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA APLICACIÓN DE MÉTODOS SECUENCIALES DE MONTE CARLO SENSIBLES AL RIESGO EN LA ESTIMACIÓN DE VIDA ÚTIL

Más detalles

Tratamiento de la Imagen Digital

Tratamiento de la Imagen Digital Tratamiento de la Imagen Digital Qué es la imagen digital? La definición de digital es toda información representada por una serie de pulsos electricos discretos basados en un sistema binario (ceros y

Más detalles

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer

Más detalles

PRÁCTICA - VII INTRODUCCIÓN AL PROCESADO DIGITAL DE IMÁGENES

PRÁCTICA - VII INTRODUCCIÓN AL PROCESADO DIGITAL DE IMÁGENES PRÁCTICA - VII INTRODUCCIÓN AL PROCESADO DIGITAL DE IMÁGENES NOTA: Lo primero que debe hacerse al llegar al laboratorio es conectar el PC, si no está ya conectado, para que se inicie el WINDOWS 98. Si

Más detalles

UNIVERSIDAD POLITÉCNICA DE MADRID

UNIVERSIDAD POLITÉCNICA DE MADRID UNIVERSIDAD POLITÉCNICA DE MADRID DEPARTAMENTO DE ELECTRÓNICA, AUTOMÁTICA E INFORMÁTICA INDUSTRIAL Prácticas de Visión Artificial Práctica 2 Adquisición de imágenes y entornos gráficos 2.2 Adquisición

Más detalles

Capítulo 3. dependen de él son, por ejemplo, la voz, una onda de radio, un electrocardiograma, etc. El

Capítulo 3. dependen de él son, por ejemplo, la voz, una onda de radio, un electrocardiograma, etc. El Capítulo 3 Procesamiento digital de señales mioeléctricas Las señales se representan matemáticamente como funciones de una o más variables independientes. La variable independiente más común es el tiempo,

Más detalles

Estimación de Movimiento (Marzo 2012)

Estimación de Movimiento (Marzo 2012) Estimación de Movimiento (Marzo 2012) 1 Estimación de Movimiento (Marzo 2012) Iván López Espejo, Jonathan Prados Garzón Documento que trata de la estimación de movimiento en imágenes. L I. INTRODUCCIÓN

Más detalles

El Filtro de Partículas

El Filtro de Partículas El Filtro de Partículas José Antonio Camarena Ibarrola El Filtro de Partículas p.1/25 El Filtro de Partículas Método Monte Carlo (basado en muestreo) para inferir el estado de un sistema que evoluciona

Más detalles

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes 1 Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Realce de Características Objetivos Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características

Más detalles

Sistemas de control de motores en Tiempo Real mediante Matlab

Sistemas de control de motores en Tiempo Real mediante Matlab Sistemas de control de motores en Tiempo Real mediante Matlab Resumen TITULACIÓN: Enginyeria Automàtica i Electrònica Industrial (1998) AUTOR: Augusto Cilento DIRECTOR: Enric Vidal FECHA: Febrero 2007.

Más detalles

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

Ingeniería de Software I

Ingeniería de Software I Ingeniería de Software I Agenda Objetivo. Unidades de aprendizaje. Formas de evaluación. Bibliografía. 2 Datos del profesor Correo electrónico: egonzalez@upemor.edu.mx Asesorías Jueves de 11:00 a 13:00

Más detalles

El monitoreo de una variable física requiere supervisión permanente de señales que

El monitoreo de una variable física requiere supervisión permanente de señales que Capítulo 1 Marco Contextual 1.1. Formulación del problema 1.1.1. Definición del problema El monitoreo de una variable física requiere supervisión permanente de señales que varían con el tiempo. Tal información,

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

Simulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu

Simulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Simulación Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Índice Sistemas, modelos y simulación Elementos de la simulación Software de simulación

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

PRÁCTICA 08. GUIDE. Calculadora. Montor Láscares Pedro Antonio Ortiz Rosas Mario

PRÁCTICA 08. GUIDE. Calculadora. Montor Láscares Pedro Antonio Ortiz Rosas Mario PRÁCTICA 08. GUIDE Calculadora Montor Láscares Pedro Antonio Ortiz Rosas Mario Contenido Capítulo 1... 2 Introducción... 2 Capítulo 2... 3 Marco Teórico... 3 2.2 Matlab... 3 2.3 Guide... 3 Capítulo 3...

Más detalles

Interacción Persona - Ordenador

Interacción Persona - Ordenador Interacción Persona - Ordenador Diseño de la interfaz en la Ingeniería del Software Dr. Pedro Latorre Dra. Sandra Baldassarri Dra. Eva Cerezo Ingeniería del Software Ingeniería del Software: Definición

Más detalles

CAPÍTULO 3 Programación en LabVIEW

CAPÍTULO 3 Programación en LabVIEW CAPÍTULO 3 Programación en LabVIEW 3.1 Conexión física de los elementos Para capturar todas las señales provenientes de los sensores se utilizó una tarjeta de adquisición de datos de National Instruments,

Más detalles

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. GRÁAFICOS DE CONTROL POR VARIABLES 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas más potentes para el control de procesos,

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA Capítulo 4 INFERENCIA ESTADÍSTICA 4.1. Introducción Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estadística, ciencia o rama de las Matemáticas que se

Más detalles

Modelos matemáticos de simulación

Modelos matemáticos de simulación Modelos matemáticos de simulación Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Sistemas,

Más detalles

Edwin Chiguano, Nathaly Moreno, Luis Corrales. Facultad de Ingeniería Eléctrica y Electrónica, EPN Quito, Ecuador

Edwin Chiguano, Nathaly Moreno, Luis Corrales. Facultad de Ingeniería Eléctrica y Electrónica, EPN Quito, Ecuador Diseño e implementación de un sistema traductor de lenguaje de señas de manos a un lenguaje de texto mediante visión artificial en un ambiente controlado Edwin Chiguano, Nathaly Moreno, Luis Corrales Facultad

Más detalles

TRATAMIENTO DEL RUIDO

TRATAMIENTO DEL RUIDO 1 TRATAMIENTO DEL RUIDO Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Objetivo General Que el estudiante sea capaz de caracterizar los principales tipos de ruido que pueden estar

Más detalles

Departamento de Informática Universidad de Valladolid Campus de Segovia TEMA 7: VALIDACIÓN

Departamento de Informática Universidad de Valladolid Campus de Segovia TEMA 7: VALIDACIÓN Departamento de Informática Universidad de Valladolid Campus de Segovia TEMA 7: VALIDACIÓN TÉCNICAS DE PRUEBA DEL SOFTWARE Introducción Aspectos psicológicos de las pruebas Flujo de información de la prueba

Más detalles

Programación General Anual Curso 2011/12 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II ÍNDICE

Programación General Anual Curso 2011/12 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II ÍNDICE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II ÍNDICE ÍNDICE...1 CONTENIDOS... 2 CRITERIOS DE EVALUACIÓN... 4 TEMPORALIZACIÓN... 5 METODOLOGÍA DIDÁCTICA... 6 PROCEDIMIENTOS DE EVALUACIÓN... 7 ACTIVIDADES

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 1. Sean A y B dos sucesos y A, B sus complementarios. Si se verifica que p( B) = 2 / 3, p( A B) = 3 / 4 y p( A B) = 1/ 4, hallar: p( A), p( A B), y la probabilidad condicionada

Más detalles

Introducción a la difusión en el tratamiento de imágenes

Introducción a la difusión en el tratamiento de imágenes 2 Introducción a la difusión en el tratamiento de imágenes Guillermo Gallego La idea que motiva el estudio de la difusión anisótropa en el tratamiento de imágenes es la búsqueda de métodos de suavizamiento

Más detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos Genéticos. Introduccion a la Robótica Inteligente Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)

Más detalles

Proyecto Fin de Carrera

Proyecto Fin de Carrera Proyecto Fin de Carrera Reconocimiento de acciones humanas en secuencias de vídeo Autor Pedro José Monforte Sánchez Director Carlos Orrite Uruñuela Escuela de Ingeniería y Arquitectura 2012 Repositorio

Más detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J. Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma

Más detalles

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Curso sobre Técnicas de Visualización CEH-CEDEX, 10 junio de 2011 APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Aplicación de técnicas

Más detalles

CAPÍTULO 4: ENSAYOS DE VALIDACIÓN MECÁNICA (CAE)

CAPÍTULO 4: ENSAYOS DE VALIDACIÓN MECÁNICA (CAE) CAPÍTULO 4: ENSAYOS DE VALIDACIÓN MECÁNICA (CAE) Diseño, validación y fabricación de un aro protector para envases metálicos mediante el empleo de las tecnologías CAD/CAM/CAE y Rapid Prototyping. 4.1.

Más detalles

Práctica 2 - Procesamiento de Imágenes

Práctica 2 - Procesamiento de Imágenes Práctica 2 - Procesamiento de Imágenes En esta práctica veremos diferentes técnicas de tratamiento que suelen ser aplicadas a las imágenes obtenidas desde satélites. Muchos de los procedimientos que aprendamos

Más detalles

MUESTREO TIPOS DE MUESTREO

MUESTREO TIPOS DE MUESTREO MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de

Más detalles

RECONOCIMIENTO AUTOMATICO DE MATRICULAS

RECONOCIMIENTO AUTOMATICO DE MATRICULAS RECONOCIMIENTO AUTOMATICO DE MATRICULAS Carlos Parra Ramos Universidad Carlos III de Madrid Madrid, España 2006 David Regajo Rodríguez Universidad Carlos III de Madrid Madrid, España 2006 100030583@alumnos.uc3m.es

Más detalles

Movimiento Armónico Simple

Movimiento Armónico Simple Movimiento Armónico Simple Introducción al Movimiento Armónico Simple En esta página se pretende que el alumno observe la representación del Movimiento Armónico Simple (en lo que sigue M.A.S.), identificando

Más detalles

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian

Más detalles

S I M U L A C I Ó N M É T O D O M O N T E C A R L O

S I M U L A C I Ó N M É T O D O M O N T E C A R L O S I M U L A C I Ó N M É T O D O M O N T E C A R L O Simulación : es el proceso de diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propósito

Más detalles

UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS

UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS UNIDAD MÉTODOS DE MONTECARLO II 2.1 Definición Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias

Más detalles

Ingeniería de Software con UML Unified Modeling Language Lenguaje Unificado de Modelado

Ingeniería de Software con UML Unified Modeling Language Lenguaje Unificado de Modelado Ingeniería de Software con UML Unified Modeling Language Lenguaje Unificado de Modelado 1. Introducción Unified Modeling Languaje Fuente: Booch- Jacobson-Rumbauch y diversos sitios Internet, entre otros:

Más detalles

Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D

Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Miguel Ángel Otaduy 26 Abril 2010 Contexto Cálculo de la integral de radiancia reflejada en la ecuación de rendering Cálculo de la integral

Más detalles

Estructuras de Control - Diagrama de Flujo

Estructuras de Control - Diagrama de Flujo RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.

Más detalles

Población y muestra. Técnicas de muestreos

Población y muestra. Técnicas de muestreos MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Población y muestra. Técnicas de muestreos Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch **

Más detalles

SISTEMA DE RECONOCIMIENTO FACIAL Y REALIDAD AUMENTADA PARA DISPOSITIVOS MÓVILES

SISTEMA DE RECONOCIMIENTO FACIAL Y REALIDAD AUMENTADA PARA DISPOSITIVOS MÓVILES Revista de investigación Editada por Área de Innovación y Desarrollo, S.L. Envío: 16-06-2012 Aceptación: 18-06-2012 Publicación: 19-06-2012 SISTEMA DE RECONOCIMIENTO FACIAL Y REALIDAD AUMENTADA PARA DISPOSITIVOS

Más detalles

Reconocimiento de imágenes

Reconocimiento de imágenes Capítulo 4 Reconocimiento de imágenes En la actualidad, el reconocimiento de imágenes es una herramienta de gran utilidad en el área de control y automatización. Varias empresas usan el reconocimiento

Más detalles

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD Curso Asignatura 2009/2010 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1º Comentarios acerca del programa del segundo curso del Bachillerato, en relación con la Prueba de Acceso a la Universidad INTRODUCCIÓN

Más detalles

Introducción al @RISK 5.7

Introducción al @RISK 5.7 Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»

Más detalles

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell First Break Interpretation Using Generalized Linear Inversion Dan Hampson and Brian Russell María Virginia Mason 2 INDICE GENERAL Introducción... 3 Modelado de Refracción iterativo.. 4 Teoría de Inversión

Más detalles

RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT

RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR INGENIERÍA TÉCNICA DE TELECOMUNICACIÓN (ESPECIALIDAD EN SONIDO E IMAGEN) PROYECTO FIN DE CARRERA RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS

Más detalles

Procesamiento Digital de Imágenes. Compresión de imágenes

Procesamiento Digital de Imágenes. Compresión de imágenes FICH, UNL - Departamento de Informática - Ingeniería Informática Procesamiento Digital de Imágenes Guía de Trabajos Prácticos 8 Compresión de imágenes 2010 1. Objetivos Analizar las características y el

Más detalles

EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE

EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE AUTORÍA MARÍA FRANCISCA OJEDA EGEA TEMÁTICA EXPERIMENTO FÍSICA Y QUÍMICA, APLICACIÓN MÉTODO CIENTÍFICO ETAPA EDUCACIÓN

Más detalles

Introducción a Sistemas de Información Geográfica (Resumen)

Introducción a Sistemas de Información Geográfica (Resumen) Introducción a Sistemas de Información Geográfica (Resumen) Existen términos que creemos exclusivos de los sistemas GIS, pero que anteriormente han sido acuñados por grandes personajes, como es el caso

Más detalles

ESTADÍSTICA. [análisis regresivo]

ESTADÍSTICA. [análisis regresivo] ESTADÍSTICA wikipedia.com la estadística es una ciencia con base matemática referente a la recolección, análisis e interpretación de datos, que busca explicar condiciones regulares en fenómenos de tipo

Más detalles

Técnicas Clásicas de Segmentación de Imagen

Técnicas Clásicas de Segmentación de Imagen Técnicas Clásicas de Segmentación de Imagen Marcos Martín 21 de mayo de 2002 1. Introducción El primer paso en cualquier proceso de análisis de imagen es la segmentación. Mediante la segmentación vamos

Más detalles