Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial

Vista sencilla de ítem
dc.contributor.advisorGarcía Villalba, Luis Javierspa
dc.contributor.advisorPajares Martinsanz, Gonzalospa
dc.contributor.authorBautista Lasprilla, Gloria Isabelspa
dc.contributor.authorPrieto Socha, Claudia Cristinaspa
dc.contributor.corporatenameInstituto Tecnológico y de Estudios Superiores de Monterrey (ITESM)spa
dc.contributor.cvlacttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001391728*
dc.contributor.googlescholarhttps://scholar.google.es/citations?hl=es&user=KpFfGNYAAAAJ*
dc.coverageBucaramanga (Colombia)spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.date.accessioned2020-06-26T21:32:16Z
dc.date.available2020-06-26T21:32:16Z
dc.date.issued2005-09
dc.degree.nameMagíster en Ciencias Computacionalesspa
dc.description.abstractPara el reconocimiento de imágenes utilizando redes neuronales es preciso la utilización de algoritmos descriptores que le permitan al sistema establecer parámetros para comparar y proporcionar documentación de tal manera que se pueda hacer la identificación del objeto, de estos algoritmos depende el éxito del reconocimiento, nuestro estudio ha pretendido ofrecer una base de conocimiento que permita en el futuro a quienes diseñan software de reconocimiento de imágenes la toma de decisión del mejor modelo a desarrollar. El reconocimiento automático de blancos (Automatic Target Recognition) incluye el estudio de sistemas y técnicas cuya finalidad es la localización e identificación de los atributos físicos de un objetivo específico (blancos) a partir de las imágenes y datos sin intervención humana. Hablaremos de la identificación utilizando la técnica de reconocimiento de patrones utilizada en la visión artificial desde el enfoque del análisis y el procesamiento de la imagen para la percepción de las máquinas en forma autónoma, para esto se efectuará un análisis de los métodos previos utilizados para el reconocimiento de imágenes, estos son llamados descriptores, y nos limitaremos al análisis de tres de ellos, códigos de cadena, momentos invariantes de hu y los descriptores de fourier.spa
dc.description.abstractenglishFor the recognition of images using neural networks it is necessary to use descriptor algorithms that allow the system to establish parameters to compare and provide documentation in such a way that the identification of the object can be made, the success of the recognition depends on these algorithms, our study It has sought to offer a knowledge base that will allow those who design image recognition software to make a decision on the best model to develop in the future. Automatic Target Recognition includes the study of systems and techniques whose purpose is to locate and identify the physical attributes of a specific target (targets) from images and data without human intervention. We will talk about the identification using the pattern recognition technique used in artificial vision from the approach of analysis and image processing for the perception of machines autonomously, for this an analysis of the previous methods used for the Image recognition, these are called descriptors, and we will limit ourselves to the analysis of three of them, chain codes, invariant moments of hu and the descriptors of Fourier.eng
dc.description.degreelevelMaestríaspa
dc.description.learningmodalityModalidad Presencialspa
dc.description.sponsorshipInstituto Tecnológico de Estudios Superiores de Monterrey ITESMspa
dc.description.tableofcontents1 ANTEPROYECTO DE INVESTIGACIÓN....................................................13 1.1 ANTECEDENTES .....................................................................................13 1.2 PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN.....................16 1.3 OBJETIVOS DE LA INVESTIGACIÓN.....................................................17 1.3.1 OBJETIVO GENERAL.........................................................................17 1.3.2 OBJETIVOS ESPECÍFICOS ...............................................................17 1.4 MARCO TEÓRICO....................................................................................19 1.4.1 RECONOCIMIENTO AUTOMÁTICO DE BLANCOS (ATR)...............19 1.4.1.1 Sistemas Clásicos de ATR............................................................20 1.4.1.2 Sistemas de ATR basados en modelos (MODEL-BASED ATR) ..20 1.4.1.3 Sistemas de ATR multiespectrales (MULTIESPECTRAL ATR) ...21 1.4.1.4 Sistemas de ATR para reconocimiento de Buques ......................22 1.4.1.5 Sistemas multisensores de ATR ...................................................22 1.4.1.6 Sistemas de ATR multidimensionales...........................................23 1.4.1.7 Sistemas XTRS de ATR................................................................23 1.4.2 VISIÓN ARTIFICIAL ............................................................................23 1.4.2.1 Visión de Bajo Nivel.......................................................................25 1.4.2.2 Visión de Nivel Intermedio.............................................................25 1.4.2.3 Visión de Alto Nivel........................................................................26 1.4.2.4 Descriptores de Fourier .................................................................27 2 ANÁLISIS SOBRE LAS TEORÍAS REFERENTES A LA VISIÓN ARTIFICIAL........................................................................................................37 2.1 ENFOQUE DESDE LA APLICACIÓN PARA LA PERCEPCIÓN DE LAS MÁQUINAS DE FORMA AUTÓNOMA..............................................................37 2.1.1 ETAPAS DE LA VISIÓN ARTIFICIAL .................................................40 2.1.1.1 Visión de Bajo Nivel.......................................................................41 2.1.1.1.1 Captación.................................................................................41 2.1.1.1.2 Preprocesamiento....................................................................41 2.1.1.2 Visión de Nivel Intermedio.............................................................42 2.1.1.2.1 Segmentación..........................................................................42 2.1.1.2.2 Descripción ..............................................................................43 2.1.1.2.3 Reconocimiento de objetos individuales .................................43 2.1.1.3 Visión de Alto Nivel........................................................................43 2.1.1.3.1 Interpretación ...........................................................................43 2.2 ENFOQUE DESDE EL ANÁLISIS AUTOMÁTICO DE IMÁGENES........44 2.2.1 ETAPAS FUNDAMENTALES DEL PROCESAMIENTO AUTOMÁTICO DE ANÁLISIS DE IMÁGENES ...............................................45 2.2.1.1 Procesado de Bajo Nivel ...............................................................46 2.2.1.1.1 Adquisición de imágenes.........................................................46 2.2.1.1.2 Preprocesamiento de la Imagen..............................................48 2.2.1.2 Procesado de Nivel Intermedio .....................................................49 2.2.1.2.1 Segmentación..........................................................................49 2.2.1.2.2 Representación........................................................................50 2.2.1.2.3 Descriptores.............................................................................51 2.2.1.2.3.1 Códigos de cadena............................................................52 2.2.1.2.3.2 Momentos ..........................................................................53 2.2.1.2.3.3 Momentos Invariantes .......................................................56 2.2.1.2.3.4 Momentos Invariantes de Hu.............................................57 2.2.1.2.3.5 La Transformada Discreta del Coseno..............................59 2.2.1.2.3.6 La Transformada Discreta de Fourier................................61 2.2.1.3 Procesado de Alto Nivel ................................................................65 2.2.1.3.1 Reconocimiento e interpretación .............................................65 2.2.1.3.2 Reconocimiento de Patrones: El Perceptrón y el Perceptrón Multicapa 66 2.2.1.3.2.1 Aprendizaje........................................................................67 2.2.1.3.2.2 Generador..........................................................................69 2.2.1.3.2.3 Sistema ..............................................................................69 2.2.1.3.2.4 Máquina de Aprendizaje....................................................70 2.2.1.3.3 La Red Retropropagación (Backpropagation) .........................71 2.2.1.3.3.1 Entrenamiento por Retropropagación ..............................73 3 ANÁLISIS DE LOS DESARROLLOS DE LOS SISTEMAS AUTÓMATICOS DE RECONOCIMIENTO DE BLANCOS ...........................................................75 3.1 SISTEMA CLÁSICO DE ATR...................................................................75 3.1.1 PREPROCESAMIENTO......................................................................78 3.1.2 DETECCIÓN........................................................................................78 3.1.3 SEGMENTACIÓN................................................................................80 3.1.4 CLASIFICACIÓN.................................................................................82 3.2 APLICACIONES DE SISTEMAS CLÁSICOS DE ATR............................85 3.2.1 SISTEMAS DE ATR BASADOS EN MODELOS (MODEL-BASED ATR) 85 3.2.2 SISTEMAS DE ATR MULTIESPECTRALES (MULTIESPECTRAL ATR) 90 3.2.3 SISTEMAS DE ATR PARA RECONOCIMIENTO DE BUQUES ........94 3.2.4 SISTEMAS MULTISENSORES DE ATR ............................................95 3.2.5 SISTEMAS DE ATR MULTIDIMENSIONALES ..................................97 3.2.6 SISTEMAS XTRS DE ATR..................................................................99 4 LIMITACIONES EN VISIÓN ARTIFICIAL Y LOS SISTEMAS DE RECONOCIMIENTO ....................................................................................... 103 4.1 VENTAJAS Y DESVENTAJAS DE LOS MÉTODOS DE EXTRACCIÓN DE CARACTERÍSTICAS ................................................................................ 104 4.1.1 ESTUDIO MATRICIAL DE LA IMAGEN........................................... 104 4.1.2 CÓDIGO DE CADENA..................................................................... 104 4.1.3 MOMENTOS INVARIANTES DE HU............................................... 105 4.1.4 FOURIER.......................................................................................... 106 5 FLUJOGRAMA PARA EL MANEJO DE ALGORITMOS EN EL RECONOCIMIENTO DE PATRONES UTILIZANDO REDES NEURONALES 108 5.1 REDES NEURONALES......................................................................... 108 5.1.1 ENTRENAR LA RED........................................................................ 110 5.1.1.1 Crear conjunto de datos de entrenamiento................................ 112 5.1.2 EJECUTAR LA RED......................................................................... 112 5.1.2.1 Obtención del conjunto de imágenes de entrenamiento............ 114 5.1.2.1.1 Descriptor Momentos............................................................ 116 5.1.2.1.2 Descriptor TDC ..................................................................... 117 6 CONCLUSIONES...................................................................................... 121 7 BIBLIOGRAFÍA......................................................................................... 124spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/3310
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programMaestría en Ciencias Computacionalesspa
dc.relation.referencesBautista Lasprilla, Gloria Isabel (2006). Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB, Instituto Tecnológico y de Estudios Superiores de Monterrey ITESMspa
dc.relation.referencesCASAS V, Fernando. Memorias del Simposio de Visión Artificial y Tratamiento de Imágenes. Santafé de Bogotá: Uniandes, 1992.spa
dc.relation.referencesDEMUTH, Howard; BEALE, Mark. Neural Network Toolbox, for use with Matlab, User’s Guide: The MathWorks, 2001.spa
dc.relation.referencesESCALERA, A. de la. Visión por Computador. Madrid: Prentice Hall. 2001.spa
dc.relation.referencesGONZALEZ GUERRERO, Enrique. Visión Robótica: Identificación y caracterización de Objetos. Santafé de Bogotá: Uniandes, 1999spa
dc.relation.referencesGONZALEZ, Rafael C y WOODS, Richard E. Tratamiento Digital de Imágenes. Barcelona: Adison – Wesley Iberoamericana. 2002.spa
dc.relation.referencesK.S.F.U. rc.Gonzalez. Cs glee. Robótica, Control, Detección, Visión e Inteligencia. Madrid: Mc. Graw Hill. 1994.spa
dc.relation.referencesNALWA, V.S. A Guided tour of Computer Vision. Addison Wesley. 1993spa
dc.relation.referencesPAJARES, Gonzalo y DE LA CRUZ, Jesús M. Visión por Computador: Imágenes digitales y Aplicaciones. RA-MA, 2001spa
dc.relation.referencesPAJARES, Gonzalo; DE LA CRUZ, Jesús M; MOLINA, José M; CUADRADO, J y LÓPEZ, A. Imágenes digitales: Procesamiento práctico con JAVA. RA-MA, 2003.spa
dc.relation.referencesRESTREPO, Alfredo y NAVARRA, Tatiana. Memorias del Simposio de Tratamiento de Señales, Imágenes y Visión Artificial. Santafé de Bogotá: Uniandes, 1998.spa
dc.relation.referencesRUSSEL, Stuart; NORVIG, Peter. Inteligencia Artificial un enfoque Moderno. Madrid: Prentice Hall Hispanoamericam. 1995.spa
dc.relation.referencesWINSTON, Patrick Henry. Inteligencia Artificial. Barcelona: Adison – Wesley Iberoamericana. 1992.spa
dc.relation.references[Acosta, 2004] Acosta, L., Tinoco, O. “Reconocimiento de Formas Irregulares Empleando Redes Neuronales Artificiales” Trabajo realizado para pregrado, Ingeniería Electrónica, Universidad Tecnológica de Bolívar UTB. Cartagena de Indias, 2004.spa
dc.relation.references[Augustyn,1992] Augustyn, K “A new approach to automatic target recognition”, IEEE Transactions on Aerospace and Electronic System, Vol. 28, Jan 1992.spa
dc.relation.references[Barrios, 2001] Barrios, A., Cancio, E. “Reconocimiento de Imágenes Geométricas planas utilizando Redes Neuronales Artificiales” Trabajo realizado para pregrado, Ingeniería Eléctrica y Electrónica, Universidad Tecnológica de Bolívar UTB. Cartagena de Indias, 2001.spa
dc.relation.references[Bhanu,1986] Bhanu, B. “Automatic Target Recognition: State – of – the – Art Survey”, IEEE Transactions on Aerospace and Electronic System, July 1986spa
dc.relation.references[Bhanu,1993] Bhanu, B., Jones T. “Image Understanding Research for Automatic Target Recognition”, DARPA Image Understanding Workshop, Jan 1992. A modified version in IEEE Aerospace and Electronic System, Oct 1993.spa
dc.relation.references[Bruce,2001] Bruce, Nelson "Automatic Vehicle Detection in Infrared Imagery Using a Fuzzy Inference-Based Classification System", IEEE Transactions on fuzzy systems, Vol. 9, No.1 Feb. 2001.spa
dc.relation.references[Campillo, 2003] Campillo, J., Gutiérrez de Piñeres, A. “Preprocesamiento de Señales, Guía de Procesamiento Digital de Imágenes” Trabajo realizado para pregrado, Ingeniería Electrónica, Universidad Tecnológica de Bolívar UTB. Cartagena de Indias, 2003spa
dc.relation.references[Contreras, 2000] Contreras, S. “Visión Artificial”, Trabajo realizado para Maestría en Potencia Eléctrica, UIS, 2000spa
dc.relation.references[Gader,2001] Gader, Paul D., Keller James M., “Recognition Technology for the Detection of Buried Land Mines”, IEEE Transactions on fuzzy systems, Vol. 9, No. 1, Feb 2001.spa
dc.relation.references[Howard,2000] Howard, A., Padgett C., Kenneth B., "Real time target detection and Analysis with Machine Vision", Third International Symposium on Intelligent Automation and control, World Automation Congress, June 2000.spa
dc.relation.references[Kegelmeyer,1988] Kegelmeyer, W. P., Woods, K., Bowyer, K. W. “Combination of Multiple Classifiers Using Local Accuracy Estimates”, IEEE Transaction on Pattern Analysis and Machine Intelligence, Apr 1997.spa
dc.relation.references[Martínez, 2005 ] Martínez, D., Ruiz, F. “Interceptor de Trayectorias Basado en Visión Artificial”, IEEE Colombian Workshop on Robotics and Automation, 2005spa
dc.relation.references[Sadjadi,1991] SADJADI, Firooz A., Signal and Image Processing Systems Performance Evaluation, Simulation, and Modeling. USA: SPIE Hatem N. Nasr and Michael E. Bazakos, 1991.spa
dc.relation.references[Suetens,1992] Suetens, P., Fua, P., Hanson, A. “Computational Strategies for object recognition”, ACM Computing Surveys, 1992spa
dc.relation.references[Theis,1989] Theis, T. J., Akerman, A. I. “Comparison of model based, vision, statistical based and neural net based ATRs”, IEEE Aerospace and Electronics Conference, 1989.spa
dc.relation.references[Trivedi,1985] Trivedi, M. M. “Reprinted in Image Analysis Applications, Optical Engineering”, IEEE Transactions on Acoustics, Speech, and Signal Processing, 1990.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsComputer visioneng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsShape recognitioneng
dc.subject.keywordsSystems Engineeringeng
dc.subject.keywordsComputer scienceeng
dc.subject.keywordsInvestigationseng
dc.subject.keywordsAnalysiseng
dc.subject.lembVisión por computadorspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembReconocimiento de formasspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembCiencias computacionalesspa
dc.subject.lembInvestigacionesspa
dc.subject.lembAnálisisspa
dc.subject.proposalRedes neuronales
dc.subject.proposalSoftware
dc.subject.proposalReconocimiento de imágenes
dc.titleReconocimiento automático de blancos en tiempo real mediante técnicas de visión artificialspa
dc.title.translatedAutomatic real-time target recognition using machine vision techniqueseng
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2005_Tesis_Gloria_Isabel_Bautista_Lasprilla.pdf
Tamaño:
1.05 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
2005_Articulo_Gloria_Isabel_Bautista_Lasprilla.pdf
Tamaño:
185.8 KB
Formato:
Adobe Portable Document Format
Descripción:
Artículo
Descargar
Miniatura
Nombre:
2005_Software_Gloria_Isabel_Bautista_Lasprilla.zip
Tamaño:
1.17 MB
Formato:
Unknown data format
Descripción:
Software
Descargar

Colecciones

Maestría en Ciencias Computacionales