Comparación multiplaforma de técnicas basadas en visión artificial para detección de personas en espacios abiertos

Abstract

Objetivo:Realizar una comparación multiplataforma entre los algoritmos de las técnicas de sustracción de fondo y de detectores en cascada por medio de una computadora personal y una placa Raspberry Pi 3B+ con Windows 10 y Debian GNU/LINUX respectivamente, en lenguaje de programación Python 3.7. Metodología: Se proponen tres etapas correspondientes a las mejoras en la imagen de video, la implementación de las técnicas de detección de personas y la evaluación del rendimiento de los algoritmos de dichas técnicas respecto al tiempo de respuesta, espacio de memoria requerido y aciertos en las detecciones. Resultados: La técnica de sustracción de fondo presenta una exactitud de 89.7% mientras que dicho valor para la técnica de detectores en cascada corresponde al 93.65%. Así mismo, la técnica de sustracción de fondo presenta mejor comportamiento respecto al tiempo de respuesta obteniendo 0.5934 segundos para Windows y 2.6338 segundos para Linux. Conclusiones: Tanto la técnica de sustracción de fondo como la técnica de detectores en cascada responden 5 veces más rápido en la computadora personal que en la placa Raspberry Pi 3B+, por su parte, el espacio de memoria requerido por la técnica de sustracción de fondo es 26.28% y 55% superior al espacio requerido por la técnica de detectores en cascada en el computador personal y en la placa Raspberry Pi 3B+ respectivamente.

Objective: tObjective: This article presents a cross-platform comparison between Python 3.7 background subtraction and cascade object detection algorithms using a Windows 10 personal computer and Debian GNU/LINUX running on a Raspberry Pi 3B+ board. Methodology: This study was divided in the following three stages: video image enhancements, implementation of the people detection techniques, and assessment of detection algorithms based on response times, memory space requirements, and successful detection rates. Results: The background subtraction technique has an accuracy of 89.7%, while this value for the cascade detector technique corresponds to 93.65%. Likewise, the background subtraction technique presents better performance regarding response time, obtaining 0.5934 seconds for Windows and 2.6338 seconds for Linux. Conclusions: Both the background subtraction and the cascade object detection technique responded 5 times faster on the personal computer than on the Raspberry Pi 3B+ board, whereas the memory space required by the background subtraction technique is 26.28% and 55% higher than the space required by the cascade object detection technique for the personal computer and the Raspberry Pi 3B+ board, respectively.