Agrupación de puntos de interes para la detección de objetos en movimiento
PDF

Palabras clave

agrupamiento
Kinect ONE
flujo óptico
detección de objetos

Cómo citar

Gónzalez Blanco, J. S., Guzmán Valades, M. J., Rodríguez Salazar, J. H., Ibarra Manzano, M. A., & Almanza Ojeda, D. L. (2019). Agrupación de puntos de interes para la detección de objetos en movimiento. JÓVENES EN LA CIENCIA, 5(1). Recuperado a partir de https://www.jovenesenlaciencia.ugto.mx/index.php/jovenesenlaciencia/article/view/3023

Resumen

La detección y seguimiento de objetos móviles es una tarea indispensable que requerir alta eficiencia computacional y un mínima tiempo de desempeño para lograr la funcionalidad de un sistema autónomo. Un sensor RGBD, como el Kinect©, es un dispositivo que responde a las necesidades de alto desempeño y económico que permite resolver tareas de autonomía en robots de forma eficiente. Este trabajo se enfoca en la detección de objetos móviles para lo cual se configura un sistema de visión RGB-D, para detectar los principales puntos de interés y su correspondiente valor en profundidad en la secuencia adquirida de imágenes. Los puntos detectados en la primera imagen de la secuencia son localizados a lo largo de 5 imágenes consecutivas por medio de flujo óptico, para obtener los datos de velocidad y formar un vector de características de 4 dimensiones. Un modelo probabilista basado en la teoría a contrario permite encontrar los puntos que pertenecen a objetos móviles, analizando su posición y velocidad desde un árbol jerárquico generados con los puntos característicos. Los resultados experimentales muestran la separación de los objetos detectados del resto de la escena.
PDF

Citas

Baig, Q., Perrollaz, M., Laugier, C. (2014). A Robust Motion Detection Technique for Dynamic Environment Monitoring: A Framework for Grid-Based Monitoring of the Dynamic Environment. Robotics Automation Magazine, IEEE, vol. 21, pp. 40–48.

Meisener J. (2013). Collaboration, expertise produce enhanced sensing in Xbox One. The Official Microsoft Blog. News & Perspectives. 22 de Julio de 2019.Recuperado de https://blogs.technet.microsoft.com/microsoft_blog/2013/10/02/collaboration-expertise-produce-enhanced-sensing-in-xbox-one/

Murillo A., Marcal M. (2013). Características Kinect 2. Kinect for Developers. 24 de Julio de 2019. Recuperado de http://www.kinectfordevelopers.com/es/2014/01/28/caracteristicas-kinect-2/

Rodríguez Salazar, J.H., Almanza-Ojeda

D.L. (2018). Clasificación de actividades por sistemas autónomos. Revista de divulgación científica: Jóvenes en la ciencia, vol. 4(1), pp. 1-5. ISSN: 2395-9797.

Shi, J., Tomasi, C. (1994). Good Features to Track. IEEE Conference on Computer Vision and Pattern Recognition, pp. 593–600. IEEE Press.

Almanza-Ojeda D.L., Ibarra-Manzano M.A. (2011). 3D visual information for dynamic object detection and tracking during robot mobile navigation”,

Recent Advances in Mobile Robotics, Dr. Andon Venelinov Topalov, (Ed.), ISBN-978-953-307-909-7, cap. 1, pp. 3-24, InTech.

Cao, F., Delon, J., Desolneux, A., Muse, P., Sur, F.(2007). A Unified Framework for Detecting Groups and Application to Shape Recognition. Journal of Mathematical Imaging and Vision, vol. 27, pp. 91–119.

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.