TÉCNICAS ROBUSTAS DE DETECCION Y SEGUIMIENTO DE PERSONAS PARA SISTEMAS MULTIRROBOT
|
|
- Alberto Ortíz Cáceres
- hace 6 años
- Vistas:
Transcripción
1 D. Mantecón, J. R. Martínez-de Dios y A. Ollero. Técnicas Robustas de Detección y Seguimiento de Personas TÉCNICAS ROBUSTAS DE DETECCION Y SEGUIMIENTO DE PERSONAS PARA SISTEMAS MULTIRROBOT D. Mantecón Grupo de Robótica, Visión y Control; Camino de los Descubrimientos, sn; Sevilla Tel: ; Fax: ; mantecon@cartuja.us.es J. R. Martínez-de Dios Grupo de Robótica, Visión y Control; Camino de los Descubrimientos, sn; Sevilla Tel: ; Fax: ; jdedios@cartuja.us.es A. Ollero Grupo de Robótica, Visión y Control; Camino de los Descubrimientos, sn; Sevilla Tel: ; Fax: ; aollero@cartuja.us.es Resumen En este artículo se presentan técnicas de visión por computador para la detección y seguimiento robusto de personas en escenarios no estructurados. Las técnicas propuestas se basan en la identificación de regiones homogéneas con características de color y morfológicas deseadas. Pueden aplicarse a secuencias de imágenes tomadas por cámaras estáticas o a bordo de robots en movimiento. Las técnicas desarrolladas han sido validadas en los experimentos generales del proyecto AWARE en Utrera (Sevilla) en marzo de Palabras Clave: Visión por computador, segmentación de imágenes, sistemas multi-cámaras. 1 INTRODUCCIÓN En los últimos años los sistemas multi-robot han tenido un desarrollo significativo. La coordinación de robots que se reparten tareas de una misión o que cooperan entre sí aprovechando sus sinergias aporta ventajas importantes en numerosas aplicaciones. Aunque la mayoría de los sistemas todavía son para aplicaciones en interiores, recientemente se están aplicando a problemas en escenarios cada vez más complejos como entornos naturales, [5], y entornos urbanos, ver por ejemplo [4]. Los sistemas multi-robot para entornos no estructurados requieren técnicas de percepción con robustez a variaciones en las condiciones del escenario tales como cambios en la iluminación, ocultaciones temporales de los objetos, pérdida de visibilidad, etc En muchos casos, una única entidad (p.e. un robot o un sistema de visión) no es capaz de adquirir toda la información necesaria para la aplicación debido a las características del escenario por lo que la cooperación de varias entidades resulta de gran interés. En este artículo se describen técnicas de percepción para sistemas multi-robot en aplicaciones de gestión de desastres. En estos escenarios resulta de gran interés disponer de técnicas que permitan detectar y seguir personas de forma fiable y robusta. La detección y seguimiento de personas ha sido ampliamente tratada en numerosos trabajos. Sin embargo, la gran mayoría de las técnicas se basan en detectar el movimiento en imágenes estáticas, ver [8] y [9]. Estas técnicas calculan a partir de imágenes estáticas modelos del fondo que permiten segmentar los objetos móviles. Por tanto, no son adecuadas a secuencias de imágenes tomadas por robots en movimiento como por ejemplo UAVs. Para discriminar personas de otros objetos móviles estas técnicas se basan en restricciones tales como la verticalidad, los tamaños y formas típicos de las personas e incluso modelan los movimientos al andar, ([7], [11]). En la mayoría de los casos, estas restricciones limitan las técnicas que sólo funcionarán bajo unas ciertas condiciones o escenarios específicos. Además, todavía existen cuestiones abiertas que dependen de la complejidad del escenario como oclusiones, número de objetos móviles,... En este artículo se proponen técnicas para detectar y seguir de forma robusta personas en secuencias de imágenes estáticas o en movimiento. Las técnicas propuestas se basan en identificar regiones con características homogéneas de color y morfología. El trabajo descrito ha sido realizado en el marco del proyecto AWARE, Autonomous selfdeploying and operation of Wireless sensor-actuator
2 networs cooperating with AeRial objects, IST financiado por el programa IST del VI FP de la Comisión Europea ( El objetivo principal de AWARE es desarrollar una plataforma mediante la cooperación de UAVs y redes inalámbricas de sensores-actuadores y será validado en escenarios de desastres urbanos. En este artículo se describen algunas de las técnicas del Sistema de Percepción de AWARE para realizar el seguimiento cooperativo de bomberos y vehículos empleando el sistema de cámaras. El artículo está organizado como sigue; en la Sección 2 se ofrece una descripción general de las técnicas utilizadas. Las Secciones 3, 4 y 5 detallan los algoritmos de detección. En la Sección 6 se muestran algunos resultados obtenidos en los experimentos generales de AWARE. Las últimas secciones se dedican a las conclusiones y los agradecimientos. cámara. Con el objetivo de reducir la incertidumbre de las estimaciones, en la segunda fase las medidas procedentes de todas las cámaras se integran en un filtro de Kalman Extendido para estimar la posición 3D de cada persona con la menor incertidumbre posible, [1]. 2 DESCRIPCIÓN GENERAL Esta sección describe las técnicas usadas para detección y seguimiento 3D de bomberos a partir de secuencias de imágenes procedentes de cámaras con distintos puntos de vista. El sistema de percepción de la plataforma AWARE está formado por cámaras estáticas integradas en los llamados Ground Camera Node, GCN, y por cámaras móviles montadas en helicópteros autónomos, ver Figura 1. De forma simultánea las cámaras capturan imágenes de la escena desde diferentes puntos de vista. Figura 2: Esquema general para la detección 3D de personas. Este artículo se centra en la primera de las fases: la segmentación de personas y extracción de características. Debe tenerse en cuenta que la complejidad en la detección desde cada cámara dependerá de su posición respecto al escenario, las condiciones de iluminación particulares, de la óptica, etc. El objetivo de las técnicas descritas es identificar de forma robusta y fiable sin necesidad de implementar distintos algoritmos en función de las características de las imágenes de cada cámara. En la Figura 3 se muestra el esquema general de las técnicas propuestas para la identificación de personas. En los experimentos presentados, las técnicas se han particularizado para el seguimiento de bomberos. El objetivo es identificar regiones en las imágenes con características uniformes de color. Se basa en aplicar un segmentador de color junto con una extracción de blobs para identificar regiones coherentes en la imagen. Ambas características son las entradas a un sistema de decisión. Por último, se estima la posición de la persona en el plano imagen. Figura 1: Esquema general del sistema de percepción multi-cámara (vista aérea). La estimación multi-cámara de la posición 3D de personas se realiza en dos fases de procesamiento, ver Figura 2. En la primera se obtienen descriptores de las personas en la escena mediante la ejecución de algoritmos de segmentación y detección en las secuencias de imágenes de cada 3 SEGMENTADOR DE COLOR El primer paso del esquema propuesto, ver Figura 3, es aplicar una técnica de segmentación de color con el objetivo de identificar objetos del color que se desea identificar, como por ejemplo el color rojo para los camiones de bomberos. Para la identificación de bomberos, el objetivo es detectar las bandas reflectantes de color amarillo fluorescente de
3 los uniformes. La presencia de bandas reflectantes es obligatoria en este tipo de trajes. Además, dicho color no es frecuente en las escenas típicas de los escenarios considerados. contemplar diferentes rangos de color se requieren funciones de densidad de probabilidad con múltiples modos. Para ello, se adoptan filtros de partículas usando una métrica de probabilidad en un espacio de color 3D como los espacios RGB o HSI. Para una medida eficiente de la distancia, las tres componentes de color se consideran como variables aleatorias independientes. De este modo, la función de probabilidad 3D conjunta puede ser descompuesta en tres distribuciones unidimensionales marginales en cada eje de color. Se construyen tres mezclas de Gaussianas (una por color) a partir de un filtro de partículas. La salida del segmentador de color es una imagen binaria que muestra en color negro los píxeles que en la imagen original tienen el color deseado, mientras que al resto de píxeles se les asigna el color blanco. Figura 3: Esquema general de las técnicas de percepción propuestas para la detección de bomberos. Existe una amplia variedad de clasificadores de color agrupándose en dos grupos principales: clasificadores geométricos y clasificadores estadísticos. El primero clasifica colores basándose en la formación de clusters o conglomerados en el espacio de color y por tanto, son muy dependientes de la métrica usada, tales como las distancias Euclídea, de Mahalanobis o de Manhattan. En cuanto al segundo, las clases son modeladas como funciones de densidad de probabilidad y la métrica empleada para la clasificación se basa con frecuencia en la probabilidad a posteriori. Las funciones de densidad de probabilidad pueden ser paramétricas (familias clásicas de distribuciones) o tener algún tipo de representación no paramétrica como histograma o filtros de partículas. La técnica desarrollada, ver [1], pertenece a la segunda familia de métodos. Se trata de una técnica basada en aprendizaje, que normalmente se aplica fuera de línea. En el aprendizaje se obtienen modelos de representación de los colores deseados a partir de imágenes de entrenamiento segmentadas mediante máscaras. Dichas máscaras se crean poniendo a valor cero todos los píxeles de la imagen excepto los píxeles del color deseado, que se mantienen con su color original. En general es difícil modelar el color con precisión mediante una única función de densidad de probabilidad unimodal, ya que depende de las condiciones de iluminación, de la óptica de la cámara, de la posición de la cámara, etc. Así, para A continuación, los píxeles segmentados se agrupan en conglomerados. Cada conglomerado será interpretado como un objeto separado. Se ha implementado una técnica de formación de conglomerados basada en el método de max-min. Los conglomerados obtenidos pueden ser originados por objetos deseados o por objetos espurios. Para eliminar los conglomerados espurios se aplica un conjunto de restricciones relativas a su forma, número mínimo de píxeles, dispersión, etc. Los conglomerados que cumplen las restricciones se corresponden con un posible bombero en la imagen. En la Figura 4 se muestra un ejemplo con la imagen original y la imagen con los conglomerados resultantes. En general, la detección de los píxeles de color amarillo fluorescente no es suficiente para la caracterización en color de bomberos. Se podrían emplear estructuras de color más complejas que involucren varios colores. El uso de esta información junto con otras características como tamaño o morfología permitiría realizar detecciones más robustas. Es por ello por lo que se implementa una técnica de extracción de blobs, que se describe en la sección siguiente. 4 EXTRACCIÓN DE BLOBS El segundo paso en el esquema propuesto en la Figura 3 es la extracción de blobs con el objetivo de identificar en las imágenes regiones con características de color homogéneas. En comparación con la segmentación, la extracción de blobs tiene un objetivo más modesto no se intenta segmentar formas exactas de objetos, sino que se pretende extraer características repetitivas y robustas que
4 permitan caracterizar el objeto y facilite su seguimiento, [3]. La representación del blob no extrae formas exactas, y las conexiones finas y estrechas entre distintas regiones se omiten, ver Figura 4. El objetivo de la extracción de blobs es identificar regiones con características morfológicas y de color similares al del uniforme de los bomberos para determinar su presencia y mejorar la precisión en su localización. nivel se obtiene filtrando el nivel inferior. A cada píxel de cada uno de los niveles de la pirámide se le asigna un par medida-confianza (p, r), donde p es una medida del color del píxel y r es la confianza asociada a dicha medida. Figura 5: Esquema para la extracción de blobs. El par medida-confianza de cada píxel del nivel superior se obtiene filtrando un entorno de 4x4 píxeles del nivel inmediatamente inferior. Dicho filtrado se realiza por medio de una técnica de estimación robusta basada en IRLS, Iterative Reweighted Least Squares, [10] combinada con una técnica SOR, Sucessive Outlier Rejection, [2]. Mediante IRLS se obtiene la mejor representación para dicho píxel a partir de los 4x4 candidatos. Previamente se han eliminado de los 4x4 candidatos aquéllos considerados como outliers aplicando la técnica de rechazo sucesivo de outliers, SOR, [2]. En cada iteración del SOR se realiza una estimación de la media en el entorno de vecindad 4x4 mediante la expresión: Figura 4: Imagen tomada en los experimentos y resultado del método del segmentador de color. 4.1 TÉCNICA DE EXTRACCIÓN DE BLOBS Se han desarrollado numerosas técnicas de extracción de blobs. Como base del método implantado se ha preferido la técnica descrita en [2] por su gran robustez y repetitibilidad incluso en imágenes tomadas por cámaras diferentes, [2], [6] y [3]. La Figura 5 muestra los pasos del método de extracción de blobs. El primer paso es la creación de una estructura piramidal multi-resolución, donde la resolución de cada nivel es la mitad que la del nivel anterior. Cada p * 1 = N donde r r N r p r w o = r w o. (1) o son los pesos de rechazo de los outliers, tomados inicialmente como o =1. En cada iteración, se halla el píxel con mayor residuo d = p* - p. Si dicho residuo supera d max, este píxel se toma como outlier y se establece su peso a o =0. Este procedimiento es iterativo hasta que el residuo de mayor valor sea menor que d max. d max se utiliza para controlar la sensibilidad del algoritmo. La estimación p* al final de las iteraciones estará cercano a la estimación óptima. Se toma dicha estimación como estimación inicial para la aplicación del método IRLS. Cada iteración de IRLS tiene la misma forma que (1), pero cambiando los pesos de rechazo de los outliers por:
5 o ( d ) ' ρ = (2) d IRLS proporciona el valor de p* de los píxeles de cada nivel. La confianza r* de cada píxel se computa empleando la siguiente expresión: orden 2, calculado en el paso 3 del método de extracción de blobs. 1 si = r w o rmin w 0 en otro caso * r (3) donde o son los pesos usados en la última iteración del IRLS y r min es un umbral que corresponde a la fracción de área mínima requerida para la creación del blob. Al completar el filtrado cada píxel contiene un par medida-confianza (p*,r*). La confianza es una variable binaria, r* {0,1} que representa la ausencia o presencia de una medida dominante en la región local de la imagen. Cuando r*=1 la medida dominante se encuentra en p*. Una vez que la pirámide ha sido calculada, se emplea para etiquetar las regiones en la imagen. Seguidamente se calculan los momentos de cada región y su forma se aproxima por elipses caracterizadas sus momentos de orden 0, 1 y 2, ver Figura 6. Finalmente, se asocian blobs adyacentes y de color similar usando un esquema de fusión acumulativa de blobs. La Figura 6 muestra un ejemplo de la ejecución de la técnica de extracción de blobs con sus pasos intermedios. La imagen se tomó en los experimentos generales de AWARE. 5 DETECCIÓN Y ESTIMACIÓN DE LA POSICIÓN En el tercer paso del esquema de la Figura 3 los objetos son detectados a partir de la información de los conglomerados obtenidos del segmentador de color y de las regiones resultantes de la extracción de blobs. Se ha implementado un clasificador que discrimina entre los objetos de interés, bomberos en este caso, y otros objetos empleando un sistema de puntuación basado en reglas. Estas reglas se basan en características de los conglomerados y blobs extraídos. Se emplean criterios como distancia entre centroides de conglomerados y blobs y área del blobs. También se emplean criterios de verticalidad del blobs expresada como el cociente entre las componentes de la matriz de inicia que se obtiene a partir de los momentos de Figura 6: Pasos en el algoritmo de extracción de blobs: 1. Imagen original, 2. Pirámide multiresolución, 3. Etiquetas, 4, Blobs antes de fusionar, 5. Blobs resultantes tras fusionar. En estas reglas también se tiene en cuenta el color del blobs. Para ello se emplean criterios de distancia de color sobre el espacio RGB respecto al modelo de color esperado. Estas reglas permitirían seleccionar las personas que se desean seguir en base al color de su indumentaria. Finalmente, se estima la posición del bombero detectado como un promedio entre el centroide del conglomerado y el centroide del blob, ponderando este último con un peso mayor al ser las estimaciones de los centroides de los blobs más robustas y fiables que las de los conglomerados. 6 EXPERIMENTOS El método y técnicas desarrolladas han sido validados en los primeros experimentos generales del proyecto AWARE que tuvieron lugar en Utrera (Sevilla) en Marzo de 2007 con la participación y asistencia de las Brigadas de Bomberos de Sevilla. Entre otros, se realizaron experimentos consistentes en detectar, identificar y seguir bomberos mientras caminaban. Se tomaron imágenes desde cámaras: cámaras visuales estáticas instaladas
6 en dos GCNs (Ground Cameras Nodes) y una cámara instalada en un helicóptero autónomo de Flying Cam, [12]. La Figura 7 muestra dos fotografías del montaje. Figura 7: Arriba) Escenario de los experimentos con helicóptero de Flying Cam. En primer plano, aparece una de las GNCs. Abajo) Fotografía tomada en los experimentos generales de Utrera 07. En la Figura 8 se muestran 4 imágenes de un bombero tomadas de forma simultánea por una cámara estática y por el helicóptero. A estas imágenes se les aplicó el segmentador de color descrito en la Sección 2. Los resultados, en las imágenes de la izquierda de Figura 9, muestran que en cada imagen se detecto un único conglomerado correspondiente al bombero. A continuación se aplicó el método de extracción de blobs descrito en la Sección 4. En las imágenes resultantes mostradas a la derecha de la Figura 9 se detectan uno o más blobs de color oscuro en la posición del bombero. Figura 8: Imágenes desde un GCN y un UAV. Se marca con puntos rojos la posición estimada del bombero. El detector recibe estos datos y los emplea para identificar la presencia de personas empleando los criterios descritos en la Sección 5. En la Figura 8 se muestran los resultados que se obtienen con esta secuencia de imágenes. Las posiciones estimadas de los bomberos en ambas secuencias se muestran con un punto de color rojo. Figura 9: Izquierda) Imágenes resultantes de la segmentación de color. En cada imagen el bombero se representa mediante un único conglomerado. Derecha) imagen resultantes de aplicar la extracción de blobs.
7 7 CONCLUSIONES En este artículo se proponen técnicas para detectar y seguir de forma robusta personas en secuencias de imágenes. La mayoría de los métodos de seguimiento de personas se basan en detección de movimiento y, por tanto, requieren cámaras estáticas. Las técnicas propuestas se basan únicamente en la identificación de regiones homogéneas con características de color y morfológicas deseadas. Por tanto, soportan secuencias de imágenes tomadas de cámaras estáticas o en movimiento lo cual permite su utilización en sistemas multi-robot. Las técnicas contienen entre otros métodos de segmentación de color y de extracción de blobs. El segmentador de color, que se basa en aprendizaje fuera de línea, permite ser entrenado para problemas específicos. La extracción de blobs permite la identificación de regiones homogéneas así como obtener características robustas y repetibles. Las técnicas desarrolladas han sido validadas en los experimentos generales del proyecto AWARE en Utrera (Sevilla) en marzo de En dichos experimentos las técnicas presentadas en el artículo se emplearon para la detección y seguimiento de bomberos. En el futuro se pretende el desarrollo de nuevos modelos estáticos y dinámicos de personas basados en blobs.. [2] Forssén P.-E., (2004) Low and Medium Level Vision using Channel Representations Univ. of Linöpings. PhD Dissertation no [3] Forssén P.-E. y Moe A., (2005), View matching with blob features. 2 nd Canadian Conf. on Robot Vision, 2005, pp [4] Iocchi L., Nardi D., Piaggio M., y Sgorbissa A., (2003), Distributed Coordination in Heterogeneous Multi-Robot Systems, Autonomous Robots, vol. 15, no 2, pp [5] Merino L., F. Caballero, J. R. Martínez-de Dios, J. Ferruz y A. Ollero, (2005), A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires, Journal of Field Robotics, vo. 23, pp [6] Merino L., J. Wilund, F. Caballero, A. Moe, J.R. Martínez-de Dios, P. Forssén, K. Nordberg y A. Ollero, (2006), Multi-UAV cooperative perception based on blob features for exploration missions, IEEE Robotics and Automation Magazine, vol. 13, pp [7] Naazawa Atsushi, Kato Hiroazu, Hiura Shinsau, Inouchi Seiji, (2002), Tracing Multiple People using Distributed Vision Systems, Proceedings of ICRA, Agradecimientos El trabajo descrito se ha realizado en el marco del proyecto AWARE, IST , financiado por el VI Programa Marco de la Comisión Europea. Los autores agradecen la cooperación de las Brigadas de bomberos de Sevilla que participaron en los experimentos descritos en este artículo. Asimismo, agradecen la contribución de los socios del proyecto AWARE. Referencias [1] Capitán J., Mantecón D., Soriano P. y Ollero A. (2007) Autonomous perception techniques for urban and industrial FIRE scenarios, Aceptado en IEEE Intel. Worshop on Safety, Security, and Rescue Robotics, SSRR2007. [8] Suaffer C., Grimson W. E. L., (2000), Learnings Patterns of Activity Using Real- Time Tracing, IEEE Trans. On Pami, vol. 22, no. 8. [9] Wren C.R., Azarbayejani A. Darrell T., Pentland A.P, (1997), Pfinder: real-time tracing of the human body, IEEE Tran., on PAMI, vol 19, no. 7. [10] Zhang Z. (1995), Parameter estimation techniques: A tutorial, Technical Report 2676, INRIA. [11] Zhao T., Nevatia R. y Fengjun Lv, (2001), Segmentation and Tracing of Multiple Humans in Complex Situations, Proc. of the 2001 IEEE Computer Society Conf. on CVPR. [12]
TÉCNICAS ROBUSTAS DE DETECCION Y SEGUIMIENTO DE PERSONAS PARA SISTEMAS MULTIRROBOT
TÉCNICAS ROBUSTAS DE DETECCION Y SEGUIMIENTO DE PERSONAS PARA SISTEMAS MULTIRROBOT D. Mantecón Grupo de Robótica, Visión y Control; Camino de los Descubrimientos, sn; Sevilla Tel: 954487357; Fax: 954487340;
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesIDENTIFICACIÓN Y SEGUIMIENTO DE OBJETOS PARA EL CONTROL DE UN ROBOT MÓVIL
IDENTIFICACIÓN Y SEGUIMIENTO DE OBJETOS PARA EL CONTROL DE UN ROBOT MÓVIL Moisés García Villanueva 93, Juan Carlos Silva Chávez 94, Alberto Torres Ramírez 95, Leonardo Romero Muñoz 96 El sistema de percepción
Más detallesFILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES. Jesús López de la Cruz Grupo 10
FILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES Jesús López de la Cruz Grupo 10 Problema Soluciones anteriores Algoritmo HFC Explicación visual Problema Tenemos una imagen
Más detallesCaracterización de Imágenes
de Imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Caracterizar: "determinar los atributos peculiares de alguien o de algo, de modo que claramente
Más detallesRobótica cooperativa e integración con sensores en el ambiente. Aplicaciones en entornos urbanos. Luis Merino 1, Jesús Capitán 2, Aníbal Ollero 2
Robótica cooperativa e integración con sensores en el ambiente. Aplicaciones en entornos urbanos. Luis Merino 1, Jesús Capitán 2, Aníbal Ollero 2 Grupo de Robótica, Visión y Control (http://grvc.us.es)
Más detallesMONITORIZACIÓN DE INCENDIOS FORESTALES EMPLEANDO IMÁGENES AÉREAS
MONITORIZACIÓN DE INCENDIOS FORESTALES EMPLEANDO IMÁGENES AÉREAS Luis Merino Dpto. Ingeniería de Sistemas y Automática. Universidad de Sevilla. e-mail:merino@cartuja.us.es Aníbal Ollero Dpto. Ingeniería
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detallesExtensión de la Morfología Matemática a imágenes en Color
Departamento de Física, Ingeniería de Sistemas y Teoría de la Señal Grupo de Automática, Robótica y Visión Artificial Extensión de la Morfología Matemática a imágenes en Color Introducción. Imágenes en
Más detallesUNIVERSIDAD DE LAS FUERZAS ARMADAS-ESPE EXTENSIÓN LATACUNGA CARRERA DE INGENIERÍA ELECTRÓNICA E INSTRUMENTACIÓN
UNIVERSIDAD DE LAS FUERZAS ARMADAS-ESPE EXTENSIÓN LATACUNGA CARRERA DE INGENIERÍA ELECTRÓNICA E INSTRUMENTACIÓN DISEÑO E IMPLEMENTACIÓN DE UN SISTEMA DE MONITOREO DE TEMPERATURA CORPORAL Y AMBIENTAL APLICANDO
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-mast.html elena.martinez@iimas.unam.mx
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detallesINGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA
INGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA UNIDADES DE APRENDIZAJE 1. Competencias Automatizar procesos de producción mediante la implementación
Más detallesCONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial
Escuela Politécnica Superior de Elche CONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial PRÁCTICAS DE VISIÓN ARTIFICIAL [Títere] Práctica 4: Segmentación. Localización y Reconocimiento de
Más detalles3. ANÁLISIS DE SEÑALES
3. ANÁLISIS DE SEÑALES 3.1 REGISTRO Y TRATAMIENTO DE SEÑALES Una señal se define como la historia de los valores de aceleración que mide un acelerómetro en determinado tiempo para un punto específico.
Más detalles5 PROCESADO DE IMÁGENES
5 PROCESADO DE IMÁGENES 5.1 DE LA IMAGEN A LA REALIDAD El primer objetivo del estudio es caracterizar el fenómeno de un flujo de detritos granular. La metodología elegida para lograrlo es filmar el flujo
Más detallesBLOQUE IV. CLASIFICACIÓN
BLOQUE IV. CLASIFICACIÓN CAPÍTULO 11 Clasificación de mínima distancia. IV. 11.1 Pasos para realizar la clasificación. Es necesario comentar que se trata de una clasificación muy básica, que, en este caso,
Más detallesConclusiones y Resultados
Capítulo 6 Conclusiones y Resultados 6.1. Conclusiones Tras la realización de este proyecto se ha llegado a las siguientes conclusiones: La robótica es un elemento cada vez más presente en la vida cotidiana
Más detallesCooperación helicóptero autónomo-robot móvil terrestre para aplicaciones de búsqueda y localización. Iván Maza, Antidio Viguria, Aníbal Ollero
Cooperación helicóptero autónomo-robot móvil terrestre para aplicaciones de búsqueda y localización Iván Maza, Antidio Viguria, Aníbal Ollero Dept. de Ingeniería de Sistemas y Automática Escuela Superior
Más detallesLicense Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesTema 4. Reducción del ruido
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos Definición Filtros Lineales Filtros Temporales Realce Espacial Definición Ruido:
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesSEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA
42 Jornadas Argentinas de Informática 4 Congreso Argentino de Informática y Salud Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba Córdoba, Argentina SEGMENTACIÓN AUTOMÁTICA
Más detallesVISIÓN POR COMPUTADOR
VISIÓN POR COMPUTADOR Introducción Ingeniería de Sistemas y Automática Universidad Miguel Hernández Tabla de Contenidos 2 Definición de Visión por Computador Captación Información Luminosa Imagen Digital
Más detallesCIENCIA Y TECNOLOGÍA DEL COLOR 2008 WORKSHOP ON COLORIMETRY AND COLOR IMAGING
CIENCIA Y TECNOLOGÍA DEL COLOR 2008 WORKSHOP ON COLORIMETRY AND COLOR IMAGING Título: Ciencia y Tecnología del Color 2008. Workshop on Colorimetry and Color Imaging Editores: Joaquín Campos Acosta y Rafael
Más detallesMEDICIÓN DE PARÁMETROS DE INCENDIOS FORESTALES MEDIANTE PROCESAMIENTO DE IMÁGENES DE MULTIPLES CÁMARAS MONTADAS EN MEDIOS AÉREOS Y TERRESTRES
MEDICIÓN DE PARÁMETROS DE INCENDIOS FORESTALES MEDIANTE PROCESAMIENTO DE IMÁGENES DE MULTIPLES CÁMARAS MONTADAS EN MEDIOS AÉREOS Y TERRESTRES J. R. Martínez-de Dios, L. Merino, A. Ollero y B.C. Arrúe Grupo
Más detallesCAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN
CAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN En este capítulo se analiza la influencia del intervalo de tiempo utilizado para
Más detallesAplicación del algoritmo PRM a la planificación de caminos de robots móviles. David Alejo Teissière
Aplicación del algoritmo PRM a la planificación de caminos de robots móviles David Alejo Teissière 5 de octubre de 2007 Índice general 1. Introducción 8 1.1. Planificación del movimiento..................
Más detallesREDUCCIÓN DEL RUIDO EN UNA IMAGEN DIGITAL
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández REDUCCIÓN DEL RUIDO EN UNA IMAGEN DIGITAL Tabla de Contenidos Definición Filtros No Lineales Filtros Temporales Definición 3 G = Ruido:
Más detallesEnlace del Plan de Auditoría con los Riesgos y Exposiciones
Enlace del Plan de Auditoría con los Riesgos y Exposiciones Estándar principalmente relacionado: 2320 Análisis y Evaluación Los auditores internos deben basar sus conclusiones y los resultados del trabajo
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detallesUNIDAD DE ANÁLISIS ECONÓMICO
UNIDAD DE ANÁLISIS ECONÓMICO Memoria de cálculo usada para determinar la tarifa que aplicará la Comisión Federal de Electricidad por el servicio público de Transmisión de energía eléctrica durante el periodo
Más detallesReconocimiento visual de ademanes usando MS Kinect - Introducción. Dr. Héctor Avilés Escuela de Invierno de Robótica 2015
Reconocimiento visual de ademanes usando MS Kinect - Introducción Dr. Héctor Avilés Escuela de Invierno de Robótica 2015 Contenido Motivación Dispositivos de captura Reconocimiento visual de ademanes Resumen
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE ASIGNATURA CURSO ACADÉMICO - SEMESTRE FECHA DE PUBLICACION
Escuela Técnica Superior de de Ingenieros Industriales ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Modelado e Interpretación de Entornos Tridimensionales CURSO ACADÉMICO - SEMESTRE 2014/15 Primer Semestre
Más detallesUn método de caracterización del patrón de color en la elastografia de nódulos mamarios.
Un método de caracterización del patrón de color en la elastografia de nódulos mamarios. Poster no.: S-1431 Congreso: SERAM 2012 Tipo del póster: Presentación Electrónica Científica Autores: F. Sendra
Más detallesII. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic).
II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic). Psicofísica: calidad física de una imagen médica y calidad del diagnóstico El análisis de la curva
Más detallesLos sistemas anticolisión (CAS, Collision Avoidance Systems)
e-safety: Nuevas tecnologías al servicio de la seguridad vial Los sistemas anticolisión (CAS, Collision Avoidance Systems) Óscar Cisneros Los sistemas anticolisión (CAS, Collision Avoidance System) son
Más detallesTema 5: Morfología. Segunda parte
Tema 5: Morfología Segunda parte 1. Imágenes binarias Morfología Operaciones morfológicas:» Dilatación, erosión, Transformada Hit-or-Miss, apertura y cierre. Aplicaciones:» Extracción de fronteras y componentes
Más detallesSCAN WHITE PAPER CONSIDERACIONES BÁSICAS EN LA SUPERVISIÓN Y CONTROL DE PROCESOS INDUSTRIALES
SCAN WHITE PAPER CONSIDERACIONES BÁSICAS EN LA SUPERVISIÓN Y CONTROL DE PROCESOS INDUSTRIALES Septiembre, 2001 PARTE I 1. INTRODUCCION En el competitivo mercado de hoy, el éxito de cualquier negocio depende
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesCapítulo 4 Exploración del ambiente.
Capítulo 4 Exploración del ambiente. Para explorar el ambiente se tomó como base el vehículo explorador de Braitenberg, la idea es tomar este comportamiento y adaptarlo al uso de una cámara de video, esto
Más detallesAnálisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina.
Análisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina. Marcos Herrera 1 1 CONICET IELDE - Universidad Nacional de Salta (Argentina) Seminario de Investigación Nº 27 8 de
Más detalles4.3. COMPETENCIA MATEMÁTICA
4.3. COMPETENCIA MATEMÁTICA 4.3.1. Distribución del alumnado por niveles de competencia A continuación presentamos la distribución de las alumnas y los alumnos por niveles en la Competencia matemática
Más detallesDESARROLLO DE UN ALGORITMO PARA EL CALCULO DE LA DISTANCIA Y POSE DE DOS OBJETIVOS UTILIZANDO UN SISTEMA DE VISIÓN ARTIFICIAL
DESARROLLO DE UN ALGORITMO PARA EL CALCULO DE LA DISTANCIA Y POSE DE DOS OBJETIVOS UTILIZANDO UN SISTEMA DE VISIÓN ARTIFICIAL Leonardo Gaona Huertas - 20102283013 Oscar Eduardo Rojas Patiño - 20102283013
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 7: Medidas de Posición para Datos Crudos
1 Curso de Estadística Unidad de Medidas Descriptivas Lección 7: Medidas de Posición para s Crudos Creado por: Dra. Noemí L. Ruiz Limardo, EdD 010 Derechos de Autor Objetivos 1. Definir las medidas de
Más detallesDiseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio
Diseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio PROYECTO FIN DE CARRERA Ingeniería de Telecomunicación Autor: Guillermo Iglesias García Director:
Más detallesAnalisis decodificación QR Code
Analisis decodificación QR Code Autores: Lázaro Pereira Javier Cardozo Santiago Báez Docentes: Andrés Aguirre Nicolás Furquez Contenido Alcance del proyecto Gestión de riesgos Proceso técnico Análisis
Más detallesSistemas 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 detallesEL MÉTODO DE LOS PUNTOS CASO DE USO (UCP)
EL MÉTODO DE LOS PUNTOS CASO DE USO (UCP) Mª Carmen García y Javier Garzás www.kybeleconsulting.com 1. INTRODUCCIÓN El método de Punto de Caso de Uso (UCP - Use Case Point), está basado en los tradicionales
Más detallesM É T O D O S A L T E R N A T I V O S P A R A E X T R A C C I O N D E V E C T O R C A R A C T E R I S T I C AS.
A P É N D I C E D M É T O D O S A L T E R N A T I V O S P A R A E X T R A C C I O N D E V E C T O R C A R A C T E R I S T I C AS. Código extendido de Sombras. Burr ha propuesto el código de sombras como
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Modelado e interpretacion de entornos tridimensionales
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Modelado e interpretacion de entornos tridimensionales CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05AY_53001157_1S_2016-17 Datos Descriptivos
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesTema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesREVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES
REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES Y. Sossa, G. Osorio, F. Prieto, F. Angulo Grupo de Percepción
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detallesCAPÍTULO 4 LOS MEGAPIXELS
CAPÍTULO 4 LOS MEGAPIXELS Hoy día la palabra megapíxel parece un término inseparable de la propia fotografía. Por eso es necesario conocer el verdadero significado de este término, las implicaciones que
Más detallesSerie EVOLUTION. El máximo estándar en tecnología óptica de clasificación para la industria agrícola y plástica.
Serie EVOLUTION El máximo estándar en tecnología óptica de clasificación para la industria agrícola y plástica. Aplicaciones Típicas de Clasificación Café Maíz Granos Frutos secos Plásticos Leguminosas
Más detalles3. Espacios de color. 3.Espacios de color. El uso del color en el procesamiento de imágenes está principalmente motivado por dos factores:
3. Espacios de color El uso del color en el procesamiento de imágenes está principalmente motivado por dos factores: El color es un poderoso descriptor que, en la mayoría de los casos simplifica la identificación
Más detallesCapítulo 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 detallesGRADIENTE La laplaciana es un buen filtro paso alto, pero no es una buena herramienta para resaltar o detectar los bordes. En muchos casos, los bordes o límites de las figuras o de las regiones aparecen
Más detallesSistemas Biométricos para el aula nuestro de informática.
Sistemas Biométricos para el aula nuestro de informática. La "biometría informática" es la aplicación de técnicas matemáticas y estadísticas sobre los rasgos físicos o de conducta de un individuo, para
Más detallesANÁLISIS CUANTITATIVO POR WDFRX
ANÁLISIS CUANTITATIVO POR WDFRX El análisis cuantitativo se obtiene mediante la medida de las intensidades de las energías emitidas por la muestra. Siendo la intensidad de la emisión (número de fotones)
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesConsideración del Margen de Desvanecimiento con ICS Telecom en Planeación de Redes de Microceldas (NLOS)
Consideración del Margen de Desvanecimiento con ICS Telecom en Planeación de Redes de Microceldas (NLOS) Agosto 2008 SEAN YUN Traducido por ANDREA MARÍN Modelando RF con Precisión 0 0 ICS Telecom ofrece
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Sistemas Multiagentes IA Distribuida Introducción Esquemas de control
Más detalles3. COMPONENTES DEL SISTEMA
3. COMPONENTES DEL SISTEMA 3.1. ESTRUCTURA En este apartado se describen los diferentes componentes que conforman el sistema desarrollado de reconocimiento facial, tanto a nivel físico, entorno de trabajo
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesPRUEBA DE HIPÓTESIS DE UNA MUESTRA PARA PROPORCIONES J UA N J O S É H E R NÁ N D E Z O C A ÑA
PRUEBA DE HIPÓTESIS DE UNA MUESTRA PARA PROPORCIONES J UA N J O S É H E R NÁ N D E Z O C A ÑA PROPORCIONES n es una razón entre el número de éxitos y bservaciones re al número de éxitos y n al de, la proporción
Más detallesAplicaciones alternativas asociadas a la viga biapoyada APLICACIONES ALTERNATIVAS ASOCIADAS A LA VIGA BIAPOYADA
APLICACIONES ALTERNATIVAS ASOCIADAS A LA VIGA BIAPOYADA El objetivo de este capítulo es comprobar si al disminuir de manera notable tanto la carga aplicada, en los distintos casos de carga, como la severidad
Más detallesINFORME SECTOR. AIDO ARTES GRÁFICAS. Análisis de ciclo de vida de libros impresos
2011 INFORME SECTOR www.ecodisseny.net Análisis de ciclo de vida de libros impresos INDICE 1. INTRODUCCIÓN 2. ANÁLISIS DE CICLO DE VIDA 3. ANÁLISIS DE CICLO DE VIDA DEL LIBRO 2 1. INTRODUCCIÓN El cálculo
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesSegmentación de imágenes. Procesamiento de imágenes biomédicas Curso 2011
Segmentación de imágenes Procesamiento de imágenes biomédicas Curso 2011 Introducción Hasta ahora el procesamiento digital de una imagen implicaba, una imagen de entrada y una imagen de salida. Ahora con
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesAnálisis Costo-Eficiencia
Análisis Costo-Eficiencia 1 I. Resumen Ejecutivo Nombre de la Obra En esta sección, deben llenarse los campos de la tabla que se muestran a continuación, a manera de resumen de las secciones que componen
Más detallesProcesamiento Digital de Imágenes
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 14 Procesamiento Espacial en Color De manera similar al procesamiento espacial de imágenes en escala de gris, las imágenes RGB pueden ser procesadas
Más detallesDEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso
DEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso 2009-10 1. Generalidades Instrumentación: En general la instrumentación comprende todas las técnicas, equipos y metodología relacionados con
Más detallesCONCLUSIONES 5. CONCLUSIONES.
5. CONCLUSIONES. Entre los sistemas de referencia empleados para el cálculo de las fuerzas elásticas, para un elemento finito de dos nodos que utiliza la teoría de Euler- Bernoulli [11], basándose en las
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesFiltrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional
Filtrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional Mario A. Bueno a, Josué Álvarez-Borrego b, Leonardo Acho a y Vitaly Kober c mbueno@cicese.mx,
Más detallesAnálisis cuantitativo de los Riesgos del Proyecto con la simulación de Montecarlo. Francisco Malca Cuéllar
Análisis cuantitativo de los Riesgos del Proyecto con la simulación de Montecarlo Francisco Malca Cuéllar Acerca del Autor Francisco Malca Cuéllar es responsable de los proyectos de inversión a nivel nacional
Más detallesColección de Tesis Digitales Universidad de las Américas Puebla. Romero Martínez, Modesto
1 Colección de Tesis Digitales Universidad de las Américas Puebla Romero Martínez, Modesto El procesamiento de consultas en un sistema multibase de datos es la pieza mas importante para la operación del
Más detallesLA CAPACIDAD DE UN PROCESO DE CUMPLIR LOS REQUISITOS DEL CLIENTE DEPENDE DE SU VARIABILIDAD.
Procesos: Siempre tienen variabilidad LA CAPACIDAD DE UN PROCESO DE CUMPLIR LOS REQUISITOS DEL CLIENTE DEPENDE DE SU VARIABILIDAD. Alfredo Serpell Ingeniero civil industrial UC Phd University of Texas
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 14
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 14 Procesamiento Espacial en Color De manera similar al procesamiento espacial de imágenes en escala de gris, las imágenes RGB pueden ser procesadas
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS SEMESTRE ASIGNATURA 8vo TEORÍA DE DECISIONES CÓDIGO HORAS MAT-31314
Más detallesANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
Más detallesDISEÑO DE UN ROBOT MÓVIL PARA LA DETECCIÓN Y RASTREO DE UNA TRAYECTORIA BASADA EN PERCEPCIONES DE COLOR
DISEÑO DE UN ROBOT MÓVIL PARA LA DETECCIÓN Y RASTREO DE UNA TRAYECTORIA BASADA EN PERCEPCIONES DE COLOR Design of a mobile robot for the detection and tracking of a path based on color perception Verónica
Más detallesMETODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010
METODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010 SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 2011 Índice 1. Antecedentes Generales 1 2. Metodología
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
Más detalles