Mostrar el registro sencillo del ítem


A Multiplatform Comparison of Artificial Vision Techniques for Detecting People in Open Spaces

dc.contributor.authorNiño , Carlos
dc.contributor.authorCastro Casadiego, Sergio
dc.contributor.authorMedina Delgado, Byron
dc.contributor.authorRamirez Mateus, Jhon Jairo
dc.contributor.authorPuerto, Karla
dc.contributor.authorGuevara Ibarra, Dinael
dc.date.accessioned2021-11-09T19:16:45Z
dc.date.available2021-11-09T19:16:45Z
dc.date.issued2020-12-14
dc.identifier.issn2344-8652
dc.identifier.urihttp://repositorio.ufps.edu.co/handle/ufps/806
dc.description.abstractObjetivo: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.spa
dc.description.abstractObjective: 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.eng
dc.format.extent12 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherInvestigación e Innovación en Ingenieríasspa
dc.relation.ispartofInvestigación e Innovación en Ingenierías
dc.rightsEsta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.spa
dc.sourcehttps://revistas.unisimon.edu.co/index.php/innovacioning/article/view/3965spa
dc.titleComparación multiplaforma de técnicas basadas en visión artificial para detección de personas en espacios abiertosspa
dc.titleA Multiplatform Comparison of Artificial Vision Techniques for Detecting People in Open Spaceseng
dc.typeArtículo de revistaspa
dcterms.referencesM. Leo, G. Medioni, M. Trivedi, T. Kanade, and G. M. Farinella, “Computer vision for assistive technologies,” Comput. Vis. Image Underst., vol. 154, pp. 1–15, 2017. https://doi.org/10.1016/j.cviu.2016.09.001spa
dcterms.referencesD. L. Siqueira and A. Manso Correa MacHado, “People Detection and Tracking in Low Frame-rate Dynamic Scenes,” IEEE Lat. Am. Trans., vol. 14, no. 4, pp. 1966–1971, 2016. https://doi.org/10.1109/TLA.2016.7483541spa
dcterms.referencesA. Sobral and A. Vacavant, “A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos,” Comput. Vis. Image Underst., vol. 122, pp. 4–21, 2014. https://doi.org/10.1016/j.cviu.2013.12.005spa
dcterms.referencesH. A. M. Alhamzawi, “Faces and eyes Detection in Digital Images Using Cascade Classifiers,” Comput. Eng. Appl. J., vol. 7, no. 1, pp. 57–66, 2018. https://doi.org/10.18495/comengapp.v7i1.222spa
dcterms.referencesG. Cavanzo, M. Pérez, and F. Villavisan, “Medición de eficiencia de algoritmos de visión artificial implementados en raspberry pi y ordenador personal mediante Python,” Ingenium, vol. 18, no. 35, pp. 105–119, 2017. https://doi.org/10.21500/01247492.3218spa
dcterms.referencesŞ. Öztürk and B. Akdemir, “Effects of Histopathological Image Pre-processing on Convolutional Neural Networks,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 396–403, 2018. https://doi.org/10.1016/j.procs.2018.05.166spa
dcterms.referencesJ. A. Taquía-Gutiérrez, “El procesamiento de imágenes y su potencial aplicación en empresas con estrategia digital,” Interfases, vol. 0, no. 010, p. 11, 2017. https://doi.org/10.26439/interfases2017.n10.1767spa
dcterms.referencesJ. A. Bangham and S. Marshall, “Image and signal processing with mathematical morphology,” Electron. Commun. Eng. J., vol. 10, no. 3, pp. 117–128, 1998. https://doi.org/10.1049/ecej:19980305spa
dcterms.referencesM. Elhoseny, “Multi-object Detection and Tracking (MODT) Machine Learning Model for Real-Time Video Surveillance Systems,” Circuits, Syst. Signal Process., 2019. https://doi.org/10.1007/s00034-019-01234-7spa
dcterms.referencesK. Mahkonen, T. Virtanen, and J. Kämäräinen, “Cascade of Boolean detector combinations,” Eurasip J. Image Video Process., vol. 2018, no. 1, 2018. https://doi.org/10.1186/s13640-018-0303-9spa
dcterms.referencesJ. Parraga-Alava, K. Cusme, A. Loor, and E. Santander, “RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition,” Data Br., vol. 25, 2019. https://doi.org/10.1016/j.dib.2019.104414spa
dcterms.referencesN. Maya, A. Nuñez Bedoya and H. Romo Romero, "Análisis de rendimiento de algoritmos de reconocimiento de placas de números de vehículos desarrollado mediante la transformación de ondas discretas y la correlación de imagen digital", Investigación e innovación en ingenierías, vol. 7, no. 1, 2019. https://doi.org/10.17081/invinno.7.1.2990spa
dcterms.referencesG. A. Duarte-Medrano, D. Herrera-Mora, and F. I. Téllez-Ávila, “Pruebas diagnósticas: aspectos básicos de lo que el endoscopista debe saber,” Endoscopia, vol. 28, no. 3, pp. 128–132, 2016. https://doi.org/10.1016/j.endomx.2016.09.001spa
dc.identifier.doihttps://doi.org/10.17081/invinno.9.1.3965
dc.publisher.placeColombiaspa
dc.relation.citationeditionVol.9 No.1.(2021)spa
dc.relation.citationendpage33spa
dc.relation.citationissue1(2021)spa
dc.relation.citationstartpage22spa
dc.relation.citationvolume9spa
dc.relation.citesRondón, C. V. N., Casadiego, S. A. C., Delgado, B. M., Ibarra, D. G., Mateus, J. J. R., & López, K. C. P. (2021). Comparación multiplaforma de técnicas basadas en visión artificial para detección de personas en espacios abiertos. Investigación e Innovación en Ingenierías, 9(1), 22-33.
dc.relation.ispartofjournalInvestigación e Innovación en Ingenieríasspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución 4.0 Internacional (CC BY 4.0)spa
dc.subject.proposalComparación multiplaformaspa
dc.subject.proposalPythoneng
dc.subject.proposalsustracción de fondospa
dc.subject.proposaldetectores en cascadaspa
dc.subject.proposalrendimientospa
dc.subject.proposalMultiplatform Comparisons,eng
dc.subject.proposalBackground Subtractioneng
dc.subject.proposalCascade Detectioneng
dc.subject.proposalPerformanceeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem