Analysis of image processing and pattern recognition algorithms with Computer Vision

Introducción En la actualidad, los sistemas de seguridad de video vigilancia basados en cámaras analógicas presentan ciertas limitaciones, ya que dependen en gran medida de los operarios encargados de monitorear las imágenes en tiempo real. Este tipo de sistemas puede resultar agotador para los vigilantes, quienes deben estar atentos a múltiples situaciones al mismo tiempo, lo que puede disminuir la eficiencia del monitoreo a largo plazo y aumentar la probabilidad de que suceda un evento inoportuno. A pesar de los avances tecnológicos en Ecuador, los sistemas de seguridad con Visión Artificial aún no están siendo ampliamente utilizados en el país. En su lugar, los sistemas de seguridad tradicionales como los CCTV siguen siendo los más comunes para el monitoreo de espacios cerrados y abiertos. Por ello, el desarrollo de sistemas inteligentes de vigilancia con Visión Artificial podría ser una solución a estas limitaciones. Estos sistemas pueden emplear técnicas de reconocimiento de patrones para detectar objetos y personas en las imágenes, y enviar alertas a dispositivos móviles cuando se identifica una situación sospechosa. Para asegurar el correcto funcionamiento del sistema, se utilizan reglas de actuación que permiten la sistematización y la robustez de la información adquirida. En definitiva, la implementación de sistemas de seguridad con Visión Artificial en Ecuador podría mejorar significativamente la eficiencia y precisión de los sistemas de vigilancia, ofreciendo una mayor tranquilidad y seguridad a los ciudadanos y sus propiedades. Objetivos Analizar los algoritmos de procesamiento de imágenes y reconocimiento de patrones con Visión Artificial Método Este trabajo investigativo utiliza una metodología experimental utilizada para un sistema inteligente basado en el reconocimiento de patrones de contornos de personas. La arquitectura del sistema se compone de tres fases principales: visión artificial, pre-procesamiento y procesamiento de imagen. En la fase de visión artificial, las imágenes pueden ser adquiridas en tiempo real o en videos previamente grabados. En la fase de pre-procesamiento de imagen, se consideraron los valores de intensidad de cada píxel para el escalado de grises y se realizó un proceso de binarización. En la fase de procesamiento de imagen, se emplearon filtros para eliminar información no deseada y se realizó la sustracción del fondo. Los algoritmos empleados son MATLAB y OpenCv, y se diseñó una interfaz amigable para el usuario. El sistema puede detectar los contornos de las personas y los parámetros corporales. Principales resultados El sistema de reconocimiento de contornos se evaluó mediante la toma de 10 capturas en dos sesiones, durante el día y la noche. Se verificó la eficacia y veracidad del sistema mediante el diagrama de flujo y se establecieron porcentajes de operatividad de los procesos relacionados a la visión artificial y comunicación inalámbrica. Los resultados promedio de la verificación indicaron una operatividad del 93.6% con Matlab y 96.6% con OpenCv. El uso de módulos Arduino con puerto USB evitó cortes en la transferencia de datos durante el proceso, mientras que la gestión de alerta automática se logró gracias a la utilización de la tarjeta Arduino UNO y el módulo GSM SIM 908. Durante las pruebas realizadas en la mañana no se presentaron errores considerables en la captura, mientras que en la noche hubo más ruido; sin embargo, el filtrado de imágenes controló este problema y no afectó los resultados. Conclusiones El sistema inteligente ha demostrado una alta precisión en la detección y reconocimiento de patrones, alcanzando un acierto del 93.6% con Matlab y 96.6% con OpenCv en un tiempo de 2 a 3 segundos. Se podría mejorar el software del sistema en futuras versiones para compensar las condiciones de baja iluminación utilizando el algoritmo de conversión de colores a modo negativo. Los algoritmos de procesamiento de fotogramas en movimiento y los métodos de extracción de bordes en ambos sistemas han contribuido significativamente alto porcentaje de operatividad, especialmente los algoritmos de filtrado de imágenes y corrección de píxeles. La transformación en escala de grises a binaria ha permitido que el sistema inteligente logre un pre-procesado y procesado de información eficiente.