SISTEMA PARA LA DETECCIÓN DE FALTAS POR SERVICIOS CORTOS EN

RACQUETBALL MEDIANTE PROCESAMIENTO DIGITAL DE IMÁGENES

JUAN JOSÉ MARTINEZ MONSALVE

CARLOS ARTURO QUINTANA VASQUEZ

UNIVERSIDAD DEL ATLÁNTICO

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA MECÁNICA
Barranquilla - Atlántico
2018
SISTEMA PARA LA DETECCIÓN DE FALTAS POR SERVICIOS CORTOS EN
RACQUETBALL MEDIANTE PROCESAMIENTO DIGITAL DE IMÁGENES

JUAN JOSÉ MARTINEZ MONSALVE

CARLOS ARTURO QUINTANA VASQUEZ

Proyecto para trabajo de grado

con el fin de optar el título de Ingeniero Mecánico

DIRECTOR:
ING. JAVIER ROLDÁN MCKINLEY

UNIVERSIDAD DEL ATLÁNTICO

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA MECÁNICA
Barranquilla - Atlántico
2018

2
 NOTA DE APROBACIÓN
________________________________
________________________________
________________________________
________________________________
________________________________

________________________________
PRESIDENTE DEL JURADO

________________________________
JURADO

________________________________
JURADO

Barranquilla xx/xx/2018

3
 PÁGINA DE APROBACÍON

El Proyecto de grado titulado “SISTEMA PARA LA DETECCIÓN DE FALTAS POR

SERVICIOS CORTOS EN RACQUETBALL MEDIANTE PROCESAMIENTO DIGITAL DE
IMÁGENES”, realizado por los estudiantes JUAN JOSÉ MARTINEZ MONSALVE y
CARLOS ARTURO QUINTANA VASQUEZ, como requisito para optar por el título de
Ingeniero Mecánico, fue revisado y aprobado por el director el xx de xxxxx de 2018.

________________________________
ING. JAVIER ROLDÁN MCKINLEY
Director

4
Mi primer agradecimiento va dirigido a Dios por entregarme la vida y llenarme de fe para ir
alcanzando cada una de las metas propuestas. Agradezco a mis padres, Carlos Quintana
Tapia y Nelsy Vasquez Lora, por ser ejemplo, inspiración y apoyo en cada uno de los
esfuerzos realizados, y además enseñarme que la educación es el camino. A mis hermanas
por demostrarme que es posible sobrellevar las dificultades que se presentan en la
academia. A la universidad del Atlántico por recibirme, y a sus instructores por hacer de mí
un profesional con espíritu humano, especialmente al ingeniero Javier Roldán, quien ha
brindado grandes aportes y magnifica disposición como director de este proyecto. A mis
amigos, compañeros y colegas por ser parte fundamental de este proceso.

Carlos Quintana Vasquez

5
 TABLA DE CONTENIDO

LISTA DE FIGURAS .......................................................................................................... 8

LISTA DE TABLAS .......................................................................................................... 10
RESUMEN....................................................................................................................... 11
ABSTRACT ..................................................................................................................... 12
0. GENERALIDADES DEL PROYECTO....................................................................... 13
0.1. ANTECEDENTES Y JUSTIFICACIÓN .............................................................. 13
0.2. DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMA ....................................... 15
0.3. OBJETIVOS ...................................................................................................... 16
OBJETIVO GENERAL .............................................................................................. 16
OBJETIVOS ESPECÍFICOS ..................................................................................... 16
0.4. METODOLOGÍA ................................................................................................ 17
0.5. CRONOGRAMA ................................................................................................ 18
0.6. MARCO REFERENCIAL ................................................................................... 19
0.6.1. Marco Conceptual ...................................................................................... 19
0.6.2. Marco Teórico ............................................................................................ 20
0.6.3. Marco Legal.................................................................................................. 2
0.6.4. Marco Geográfico ......................................................................................... 2
1. TÉCNICAS DE PROCESAMIENTO DE IMAGEN ....................................................... 3
2. CREACIÓN DE INTERFAZ DE APOYO ................................................................... 26
3. TÉCNICA DE PROCESAMIENTO DE IMÁGEN ....................................................... 29
3.1. PRUEBAS CON INTERFAZ DE APOYO .............................................................. 29
3.1.1. Samsung Galaxy S7 Edge .............................................................................. 29
3.1.2. Webcam Logitech C525 .................................................................................... 2
3.1.3. Nikon D500 ....................................................................................................... 2
3.1.4. Sony Action Cam HDR – AS200V ................................................................ 2
3.2. SELECCIÓN DE TÉCNICA DE PROCESAMIENTO............................................ 2
3.2.1. Ejemplo de diferencia de frames .................................................................. 3
3.3. PRUEBA DE TÉCNICA DE PROCESAMIENTO ................................................. 6
4. CÁMARA Y PORCIÓN DE CANCHA.......................................................................... 3
4.1. PRUEBAS DE CÁMARAS ................................................................................... 5
4.1.1. Samsung Galaxy S7 Edge ............................................................................ 5

6
 4.1.2. Webcam Logitech C525 ............................................................................... 7
4.2. SELECCIÓN DE CÁMARA .................................................................................. 9
5. ALGORITMO DE EVALUACIÓN DE SERVICIOS .................................................... 10
6. PRUEBAS DE ALGORITMO DE EVALUACIÒN DE SERVICIOS............................. 15
6.1. MONTAJE Y EQUIPOS ..................................................................................... 15
6.2. PRUEBAS Y RESULTADOS ............................................................................... 2
7. CONCLUSIÓN Y RECOMENDACIONES ................................................................. 10
REFERENCIAS ............................................................................................................... 11

7
 LISTA DE FIGURAS

Figura 1. Cancha de Racquetball ..................................................................................... 19

Figura 2. Segmentación de Imagen ................................................................................. 20
Figura 3. Etapas del Procesamiento Digital de Imagen .................................................... 21
Figura 4. Espacio de Color RGB ...................................................................................... 22
Figura 5. Espacio de Color HSV ...................................................................................... 22
Figura 6. Segmentación RGB ............................................................................................ 3
Figura 7. Segmentación HSV............................................................................................. 3
Figura 8. Segmentación por Background Subtraction ...................................................... 25
Figura 9. Interfaz de apoyo. ............................................................................................. 26
Figura 10. Interfaz de apoyo HSV .................................................................................... 27
Figura 11. Interfaz de apoyo Background Subtraction ..................................................... 28
Figura 12. Prueba de técnica RGB - Samsung Galaxy S7 Edge (a) ................................ 29
Figura 13. Prueba de técnica RGB - Samsung Galaxy S7 Edge (b) ................................ 29
Figura 14. Prueba de técnica HSV - Samsung Galaxy S7 Edge (a) ................................... 2
Figura 15. Prueba de técnica HSV - Samsung Galaxy S7 Edge (b) ................................... 2
Figura 16. Prueba de técnica BS - Samsung Galaxy S7 Edge (a) ..................................... 2
Figura 17. Prueba de técnica BS - Samsung Galaxy S7 Edge (b) ..................................... 2
Figura 18. Prueba de técnica RGB - Webcam Logitech C525 (a) ...................................... 2
Fuente: autores. Figura 19. Prueba de técnica RGB - Webcam Logitech C525 (b)............ 2
Figura 20. Prueba de técnica HSV - Webcam Logitech C525 (a)....................................... 2
Figura 21. Prueba de técnica HSV - Webcam Logitech C525 (b)....................................... 2
Figura 22. Prueba de técnica BS - Webcam Logitech C525 (a) ......................................... 2
Figura 23. Prueba de técnica BS - Webcam Logitech C525 (b) ......................................... 2
Figura 24. Prueba de técnica RGB - Nikon D500 (a) ......................................................... 2
Figura 25. Prueba de técnica RGB - Nikon D500 (b) ......................................................... 2
Figura 26. Prueba de técnica HSV - Nikon D500 (a) .......................................................... 2
Figura 27. Prueba de técnica HSV - Nikon D500 (b) .......................................................... 2
Figura 28. Prueba de técnica BS - Nikon D500 (a) ............................................................ 2
Figura 29. Prueba de técnica BS - Nikon D500 (b) ............................................................ 2
Figura 30. Resta de matrices (Frame actual - Frame anterior) ........................................... 3
Figura 31. Frame resultante de la resta de matrices con valor absoluto ............................ 4
Figura 32. Segmentación usando resta de matrices con valor absoluto............................. 4
Figura 33. Frame resultante de la resta de matrices sin valor absoluto .............................. 4
Figura 34. Resultado final de la resta de matrices ............................................................. 5
Figura 35. Segmentación resultante. ................................................................................. 5
Figura 36. Prueba de técnica de procesamiento de imagen seleccionada (a).................... 6
Figura 37. Prueba de técnica de procesamiento de imagen seleccionada (b).................... 6
Figura 38. Prueba de técnica de procesamiento de imagen seleccionada
bajo condición real. ........................................................................................... 2
Figura 39. Plano de porción de cancha de Racquetball ..................................................... 4
Figura 40. Prueba 1 de cámara - Samsung Galaxy S7 Edge ............................................. 5
Figura 41. Prueba 2 de cámara - Samsung Galaxy S7 Edge ............................................. 6
Figura 42. Prueba 1 de cámara - Webcam Logitech C525................................................. 7

8
Figura 43. Prueba 2 de cámara - Webcam Logitech C525................................................. 8
Figura 44. Algoritmo de la GUI para detección de faltas por servicios cortos
en Racquetball. ............................................................................................... 11
Figura 45. Algoritmo de Procesamiento de Imagen Interno (Internal Image Processing) . 12
Figura 46. Algoritmo de Función Config Video (Config Video Function) ........................... 14
Figura 47. Montaje para pruebas y captura de imágenes ................................................ 15
Figura 48. Bombillo Led Dimerizable Ilumec .................................................................... 54
Figura 49. Interruptor Leviton 6633 - PLW ....................................................................... 54
Figura 50. Luxómetro HS1010 ......................................................................................... 54
Figura 51. Montaje real para pruebas de algoritmo de evaluación de servicios. .............. 54
Figura 52. Prueba 1.1 de algoritmo de evaluación de servicios ......................................... 3
Figura 53. Prueba 1.2 de algoritmo de evaluación de servicios ......................................... 3
Figura 54. Prueba 2.1 de algoritmo de evaluación de servicios ......................................... 4
Figura 55. Prueba 2.2 de algoritmo de evaluación de servicios ......................................... 4
Figura 56. Prueba 3.1 de algoritmo de evaluación de servicios ......................................... 5
Figura 57. Prueba 3.2 de algoritmo de evaluación de servicios ......................................... 5
Figura 58. Prueba 4.1 de algoritmo de evaluación de servicios ......................................... 6
Figura 59. Prueba 4.2 de algoritmo de evaluación de servicios ......................................... 6
Figura 60. Prueba 5.1 de algoritmo de evaluación de servicios ......................................... 7
Figura 61. Prueba 5.2 de algoritmo de evaluación de servicios ......................................... 7
Figura 62. Prueba 6.1 de algoritmo de evaluación de servicios ......................................... 8
Figura 63. Prueba 6.2 de algoritmo de evaluación de servicios ......................................... 8

9
 LISTA DE TABLAS

Tabla 1. Cronograma ....................................................................................................... 18

Tabla 2. Resultado de técnicas de procesamiento de imagen ........................................... 2
Tabla 3. Tabla comparativa de cámaras ............................................................................ 3
Tabla 4. Resultados de pruebas realizadas al algoritmo .................................................... 2

10
 RESUMEN

Palabras clave:

11
 ABSTRACT

Keywords:

12
 0. GENERALIDADES DEL PROYECTO

0.1. ANTECEDENTES Y JUSTIFICACIÓN

El uso de tecnologías de visión por computadora durante transmisiones deportivas en

tiempo real está teniendo cada vez mayor acogida [1]. Debido a que los deportes son
actividades que demandan altas velocidades, en ciertas ocasiones un réferi puede enfrentar
situaciones polémicas en las que se dificulta la toma de decisiones. Por otra parte, las
cadenas televisivas en aras de garantizar que el espectador tenga acceso a la mayor
cantidad de información disponible están implementando este tipo de herramientas, en
donde es posible apreciar y comprender de manera completa todos los movimientos y
jugadas que se presentan durante el juego [2], [3]. A causa de esto, se han realizado gran
cantidad de investigaciones que apuntan al desarrollo de software que faciliten la
observación táctica y técnica [4], [5], además, sirven de apoyo a los jueces en la toma de
decisiones con cierto nivel de incertidumbre.
Las primeras investigaciones de las cuales se tiene registro implementaron herramientas
de procesamiento de imágenes para el rastreo de jugadores y bola. En [6] se plantearon
técnicas de detección en tiempo real con el objetivo de mostrar las trayectorias de jugadores
y bola durante partidos de tenis. Para ello, se usó diferenciación de imágenes por medio de
umbralización, así como agrupación dinámica de características locales. Una ventaja
significativa en la segmentación de pelotas de tenis es el color estandarizado en la mayoría
de los torneos, lo cual facilita la selección de un umbral basado en color. Sin embargo, en
algunos casos el umbral no puede ser estimado usando los colores, ya que las condiciones
de iluminación podrían no ser uniformes y tanto el matiz como la saturación pueden variar
según la localización del pixel sobre la bola. Por esta razón, en [7] se implementó un método
denominado umbralización alta para detectar objetos con colores similares al requerido
eliminando en gran mayoría objetos irrelevantes, posteriormente se realizó el método de
umbralización baja, pero enfocado a los objetos detectados en el paso anterior, esto
permitía la reducción de los tiempos de procesamiento y la cantidad de objetos similares a
la bola detectados después de la binarización de las imágenes.
Por otro lado, la detección de la bola usando el color o la forma, resulta a veces deficiente
en videos con baja resolución, a causa del ruido que favorece la aparición de falsos positivo.
Por tal motivo, en [8] se implementó un algoritmo que combinaba el uso de regiones de
interés predeterminadas, detección de movimientos no inducidos de la cámara y
sustracción de líneas de la cancha a fin de minimizar el número de equivocaciones
cometidas por el sistema y en [9] donde se emplea un sistema de rastreo para bolas en
básquetbol se utilizó un método de segmentación por diferencia de frames, debido a que
es computacionalmente muy eficiente además de que genera excelentes resultados en
objetos que están continuamente en movimiento y elimina los ruidos de fondo externo.
Además se desarrolló un sistema para la reconstrucción 3D de trayectorias de bolas durante
juegos de ping pong [10], dicho sistema realizo el proceso de detección de la bola
realizando procedimientos de eliminación de contornos y áreas, a través de la
segmentación y eliminación de área respectivamente, para de esta forma poder destacar
los objetos en movimiento más parecidos a la bola, aun teniendo en cuenta la posibilidad
de no evitar en algunos casos bolas que podrían ser falsos positivos, por esto es importante

13
usar procedimientos de detección basados en las características específicas del objeto,
como seria para la bola su redondez, y el rastro del movimiento adyacente de la pelota a
través de las capturas de imágenes secuenciales, para de esta forma brindar una
aproximación de la bola viajando en planos de referencia inclinados, contrarrestando las
fallas en las mediciones de las bolas en 3D.
Pero es necesario reconocer las categorías influyentes en el proceso de detección de
objetos [11], donde se requiere por lo general usar información desde múltiples cuadros de
imagen para reducir el número de detecciones falsas, lo que llevo al desarrollo de múltiples
métodos para el rastreo de objetos. Por tal razón se implementaron los detectores de puntos
usados para encontrar puntos de interés en una imagen los cuales son de gran utilidad en
casos donde se presenta movimiento, su ventaja radica en su ejecución estable en cambios
de iluminación y diferentes puntos de vista en la cámara. La sustracción de fondo como
proceso de detección logra determinar los cambios debidos a variaciones significativas en
la región de una imagen que implica movimiento de un objeto, a través de los pixeles que
constituyen las regiones que se someten a los cambios y se marcan para ser procesadas,
aplicando usualmente un algoritmo.
Uno de los procesos más importantes en el desarrollo de la detección de imágenes es la
segmentación, el cual se ejecuta a través de un algoritmo para particionar la imagen en
regiones aproximadamente similares [11]. Luego de esto es el momento adecuado para
emplear técnicas de aprendizaje supervisado las cuales mejoran el rendimiento de la
detección de objetos, pueden ser realizadas para aprender las diferentes perspectivas
visuales de un objeto de forma automática desde un grupo de muestra, y crea una función
que aplica para cualquier grupo de muestra, donde guía las entradas hacia las salidas
deseadas.
También se han encontrado antecedentes donde se plantea un sistema para detección de
puntos y generación de estadísticas en Tenis de Mesa [12], el cual fue implementado con
una cámara Kinect, por medio de esta se podía obtener una visión 3D a través de una
cámara RGB y una cámara de profundidad, lo cual genera una gran ventaja debido a que
no se necesitan múltiples cámara para generar una visión estereoscópica, esto permitió
tener resultados óptimos en la generación de estadísticas además de exactitud en el punto
de impacto de la bola.
Además de los trabajos enfocados al rastreo y visualización de trayectorias en el campo de
visión por computadora, otras investigaciones han sido dirigidas al mejoramiento de las
herramientas para realizar la captura de imágenes [13], [14]. En algunas de ellas, se ha
intentado imitar ciertas características particulares en la visión de las águilas, humanos, etc.
y la forma como estos perciben las imágenes. Por otra parte, la sincronización de sistemas
que combinan múltiples cámaras para la captación de videos parece ser un foco de atención
adicional, prueba de ello, es el sistema Tennis Sense, desarrollado en [15] con la ayuda de
Tennis Ireland [16] cuyo objetivo era generar videos a través de una serie de cámaras
distribuidas alrededor de la cancha. Estas, eran sincronizadas usando un sistema de
selección para luego generar videos del jugador y ser almacenados de manera que fuese
posible divisar cada acción del jugador dentro del campo para su posterior análisis. En [17]
también se desarrolló un sistema con múltiples cámaras fijas para determinar la trayectoria
de una pelota de futbol, dado que casi siempre se mueve y ocluye con frecuencia.
Además de los trabajos presentados anteriormente, también existen investigaciones
respecto a la toma de decisiones por parte de robots. En [18] plantean un sistema de árbitro

14
inteligente capaz de reemplazar al árbitro humano en campeonatos de Robot Soccer,
empleando la teoría del algebra de eventos condicionales para la toma de decisiones. En
[19] se utilizan equipos de bajo costo para implementar un sistema de arbitraje para tenis
de mesa usando la captura de secuencias de escenas de coincidencias reales, mostrando
en sus resultados preliminares que se puede lograr un seguimiento preciso y rápido incluso
en condiciones difíciles, incluida la oclusión y fusión de colores.
Aunque se han realizado múltiples investigaciones y avances, como se presenta
anteriormente, no hay estudios enfocados al desarrollo de sistemas que tengan como
objetivo brindar confiabilidad a la hora de juzgar servicios durante encuentros de
racquetball. Es por eso, que en esta propuesta de proyecto se presenta un sistema prototipo
de detección de objetos, el cual permita determinar si un jugador que realiza un servicio ha
incurrido en falta por servicio corto durante juegos de racquetball individuales.

0.2. DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMA

El racquetball es un deporte en el cual la pelota maneja velocidades superiores a 250

kilómetros por hora [20], por lo tanto, la labor del juez se dificulta especialmente cuando un
jugador ejecuta un servicio, en donde el réferi deberá ser capaz de detectar si la pelota toca
o no detrás del borde de la línea corta más alejado al muro frontal en la zona de servicio, y
así determinar si el jugador ha incurrido en una falta por servicio corto [21], [22]. Las
condiciones en que se desempeña el juez pueden resultar extremas a la hora de dar un
veredicto fiable cuando el servicio rebota en las cercanías de la línea corta, por lo que se
puede realizar el siguiente planteamiento: ¿Cómo implementar un sistema para la detección
de faltas por servicio corto en racquetball, donde se garantice un margen de error mínimo
y un nivel de precisión aceptable? Delimitando el problema dentro del conocimiento del
Ingeniero Mecánico en el área de instrumentación.

15
0.3. OBJETIVOS

OBJETIVO GENERAL

Implementar un sistema para detección de faltas por servicios cortos en racquetball,

utilizando procesamiento de imágenes, que sirva de consulta ante reclamos y dudas
durante los servicios.

OBJETIVOS ESPECÍFICOS

• Seleccionar la técnica de procesamiento de imagen que permita la diferenciación de la

pelota de racquetball en las cercanías de la línea corta de la zona de servicio de acuerdo
con las condiciones de la cancha y reglamentación de ese deporte.

• Elaborar un algoritmo de evaluación de servicios con rebote en las cercanías de la línea

corta de la zona de servicio que permita la programación en Matlab para determinar la
ocurrencia de faltas por servicios cortos.

• Elaborar porción de cancha de Racquetball que se asemeje a las condiciones reales,

para su uso en posteriores pruebas del algoritmo de evaluación de servicios, a partir de
la captura de secuencias de imágenes donde se presente rebote de la pelota en las
cercanías de la línea corta.

• Capturar secuencias de imágenes donde se presente rebote de la pelota en las

cercanías de la línea corta para posteriormente probar el algoritmo de evaluación de
servicios.

• Verificar los resultados del algoritmo a través de múltiples pruebas en donde se garantice
un margen de error mínimo y un nivel de precisión aceptable.

16
0.4. METODOLOGÍA

A pesar de la gran cantidad de información disponible en el área de visión por computadora

aplicada a los deportes, no se han encontrado investigaciones preliminares relacionadas
con el desarrollo de sistemas que permitan evaluar servicios durante juegos de racquetball,
por lo tanto esta propuesta presenta un alcance exploratorio [23][24], y teniendo en cuenta
que se pretende diseñar un sistema que permita la recepción de señales que se ajusten a
los parámetros programados, se trata de una investigación cuantitativa [23]. Respecto al
diseño, esta propuesta muestra ser una investigación experimental puesto que se tomarán
datos que aún no se encuentran parametrizados.Para el desarrollo de este trabajo, se
plantean cuatro etapas. Se inicia con una revisión de fuentes bibliográficas que permitirá
conocer antecedentes en el campo de visión por computadora aplicada a los deportes,
identificando problemas potenciales que puedan surgir a la hora de implementar este tipo
de sistemas y así establecer medidas de contingencia que ayuden a la solución de estos.
Simultáneamente, se realizará una revisión a los reglamentos de la USA Racquetball e IRF
reconociendo parámetros técnicos del juego que sean de utilidad durante el desarrollo del
proyecto.
Se continúa con la selección de la técnica de procesamiento de imágenes a utilizar, donde
se tendrá en cuenta las condiciones de la cancha, la reglamentación del deporte y aquellos
otros factores que puedan influenciar en la segmentación de la pelota (como pueden ser el
color de la pelota [25], la velocidad de la pelota, los objetos y personas en movimiento) para
así saber cuál beneficiara la diferenciación de la pelota de racquetball de los demás objetos
presentes en la captura. Es importante tener en cuenta que no se presente un desfase entre
las cámaras para disminuir el margen de error, por lo tanto, se verifica que las cámaras se
encuentren sincronizadas.
El siguiente paso será diseñar el algoritmo de evaluación de servicios por medio de la
técnica de procesamiento de imágenes. Se realiza la segmentación con la técnica escogida
anteriormente para extraer el área de la pelota y así poder utilizarla como área de interés.
Para las pruebas en la porción de cancha el movimiento de la pelota se hará de manera
manual para generar velocidades bajas que permitan capturas de varios cuadros por
segundo usando una cámara de bajo costo. Se ubicarán dos cámaras dispuestas en las
partes superior y lateral de la línea corta. Para ello, se construirá una porción de cancha de
racquetball con piso de madera y condiciones similares a las de una cancha real. También
se delimitará la línea corta con el color y espesor reglamentario. Alrededor de esta línea se
dispondrán las cámaras que permitan la captura de videos que registren el paso de la pelota
en los precisos momentos en los cuales esta impacta en las cercanías de la línea corta de
la zona de servicio. Luego se extraerán imágenes de estos videos usando el software
Matlab, las cuales se procesarán digitalmente usando el algoritmo programado en el mismo
software que permita contrastar la pelota con la línea corta de la zona de servicio y así
poder determinar la posible falta por servicio corto. Mediante múltiples pruebas se pretende
llegar analizar el efecto de algunos parámetros de interés sobre la decisión del algoritmo;
se podría encontrar que el algoritmo varía su decisión dependiendo del color de la pelota y
el color de la línea corta, así como de la iluminación, entre otros. Finalmente, se evaluarán
los resultados arrojados por el sistema que servirán para determinar su porcentaje de error
y precisión. Finalmente se elaborará un reporte final que indique todos los aspectos
concernientes al sistema total.

17
0.5. CRONOGRAMA

Tabla 1. Cronograma

Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6

ACTIVIDAD Sem Sem Sem Sem Sem Sem Sem Sem Sem Sem Sem Sem
1-2 3-4 1-2 3-4 1-2 3-4 1-2 3-4 1-2 3-4 1-2 3-4
Revisión bibliográfica x x
Selección de técnica
x x x
de segmentación
Programación
algoritmo de
x x x x
evaluación de
servicios
Elaboración de
x x
porción de cancha
Captura de secuencia
imágenes en cancha x x
de racquetball
Realización de
x x x
múltiples pruebas
Reporte final y
verificación de x x
resultados

Fuente: autores.

18
0.6. MARCO REFERENCIAL

0.6.1. Marco Conceptual

Racquetball: el racquetball es un juego competitivo en el que una raqueta encordada es

utilizada para servir y devolver la pelota. Se juega entre dos o cuatro jugadores. Cuando se
juega entre dos, se denomina “individuales” y entre cuatro, “dobles”. Existe una variación
del juego fuera de campeonato que se juega entre tres jugadores, denominado “corta-
garganta” [22].
Zona de servicio: la zona de servicio es el área de 5 pies (1.53 metros) x 20 pies (6.10
metros) delimitada por los bordes bajos de las paredes laterales y las orillas externas de la
línea de servicio y la línea corta [22]. (Ver Error! Reference source not found.)
Línea Corta: la orilla trasera de la línea corta está a media distancia entre, y además
paralela a, la pared frontal y pared trasera [22]. Esta delimita la zona de servicio. (Ver Error!
Reference source not found.)
Figura 1. Cancha de Racquetball

Línea Corta Zona de Servicio

Fuente: autores.

Servicio con falta: dentro del servicio con falta se encuentra falta de pie, servicio corto,
servicio de tres paredes, servicio de techo, servicio largo, rebote de la bola fuera de la zona
de servicio, servicio con potencia ilegal, servicio pantalla, servir antes que el recibidor esté
preparado [22].
Servicio corto: un servicio corto es cualquiera bola servida que pega primero en la pared
frontal y luego pega en el piso, sobre o antes de la línea corta, indiferentemente de que
haya o no pegado en alguna de las paredes laterales [22].

19
Imagen: según la RAE es la reproducción de un objeto formada por la convergencia de los
rayos luminosos que, procedentes de él, atraviesan una lente o aparato óptico, y que puede
ser proyectada en una pantalla [27]. En [26] dicen que una imagen puede ser definida
matemáticamente como una función bidimensional, f(x,y), donde x e y son coordenadas
espaciales (en un plano), y f en cualquier par de coordenadas es la intensidad o nivel de
gris de la imagen en esa coordenada. Cuando (x,y), y los valores de f son todas cantidades
finitas, discretas, decimos que la imagen es una imagen digital.
Segmentación de imágenes: la segmentación subdivide una imagen en sus partes
constituyentes u objetos, con el fin de separar las partes de interés del resto de la imagen,
por lo tanto, el nivel al que se lleva a cabo esta subdivisión depende del problema a resolver.
Otra definición considera a la segmentación como la clasificación de los puntos de la imagen
(pixeles), indicando las clases a la que pertenecen los diferentes pixeles [26]. (ver Error!
Reference source not found.)

Figura 2. Segmentación de Imagen

Fuente: autores.

0.6.2. Marco Teórico

Procesamiento Digital de Imágenes

En [26] se tiene que las etapas que se deben seguir para realizar el procesamiento de
imágenes son las siguientes:
- La etapa de adquisición de imágenes, en donde se requiere de un sensor de imágenes,
cuyas señales producidas deben ser digitalizadas. La naturaleza del sensor dependerá del
tipo de aplicación que se quiera estudiar.
- La siguiente etapa es el preprocesamiento, que se realiza con el fin de detectar y eliminar
las fallas que puedan existir en la imagen para mejorarla. Las técnicas más utilizadas en
esta etapa son: a) mejora del contraste, b) eliminar el ruido, y c) restauración.

20
- En la siguiente etapa que es la segmentación, la imagen se divide en sus partes
constituyentes u objetos con el fin de separar las partes necesarias de procesamiento del
resto de la imagen que no interesan de acuerdo con la aplicación que se quiera dar. Las
técnicas básicas en esta etapa son aquellas orientadas a: a) el píxel, b) a los bordes, y c) a
las regiones.
- La siguiente etapa es la descripción o extracción de características, consiste en extraer
características con alguna información cuantitativa de interés o que sean fundamentales
para diferenciar una clase de objetos de otra.
- Luego la etapa de reconocimiento es el proceso que asigna una etiqueta a un objeto
basándose en la información proporcionada por sus descriptores. La interpretación implica
asignar significado a un conjunto de objetos reconocidos. La etapa Base de Conocimiento,
que va a almacenar el dominio del problema para guiar la operación de cada módulo de
procesamiento, también controla la interacción entre dichos módulos. (Ver Error!
Reference source not found.)

Figura 3. Etapas del Procesamiento Digital de Imagen

Resultado

Fuente: autores, adaptado de [26]

En [28] se explica que todo sistema de visión que use segmentación tiene que contar con
los siguientes pasos: tener una imagen digital, realizar un filtrado a la imagen, segmentar la
imagen, extraer y analizar las características capturadas.
Tanto en [26] como en [28] se tienen en cuenta los mismos pasos para realizar el
procesamiento y análisis de imágenes digitales, por eso es necesario tener claro algunos
temas que son importantes durante el proceso como son: procesamiento digital de imagen
a color, segmentación y extracción de características de una imagen digital.
Procesamiento Digital de imagen a color:
En [26] se tiene que el procesamiento del color se divide en 2 áreas: procesamiento del
color y procesamiento del seudocolor. En el primer caso las imágenes se adquieren con un
sensor de color como una cámara de televisión o un scanner. En el segundo caso se trata
de asignar un color a una intensidad o un rango de intensidades monocromas.

21
Dentro del procesamiento digital de imagen a color se tiene la Segmentación Basada en el
Color [26], donde se divide la imagen en varias regiones. Se puede encontrar la
segmentación en el espacio vectorial RGB y la segmentación en el espacio de color HSI.
Segmentación:
En [28] se explica que la segmentación es dividir una imagen digital en regiones o entidades
significativas, esto es, tomar las partes o segmentos que se pueden considerar como
unidades homogéneas relevantes, con respecto a una o más características. El objetivo es
etiquetar las diferentes regiones que identifican a los objetos de interés. Este es una parte
fundamental del procesamiento de imágenes debido a que en este paso se obtiene el área
de interés que posteriormente se desea analizar.

Espacio de color RGB:

El espacio de color RGB es el espacio de color más comúnmente utilizado en las imágenes
digitales. Codifica los colores como una combinación aditiva de tres colores primarios: rojo
(red - R), verde (Green - G) y azul (blue - B). El espacio de color RGB a menudo se visualiza
como un cubo 3D donde R, G y B son los tres ejes perpendiculares, teniendo como ventaja
principal su simplicidad. [29] (ver Error! Reference source not found.)

Espacio de color HSI:

El espacio de color HSI es uno de los espacios de color perceptivos, como HSV y HSL,
donde el color se separa en tres componentes: matiz (hue – H), saturación (saturation – S)
e intensidad (intensity – I). [29] Es una herramienta ideal para el desarrollo de algoritmos
de procesamiento de imagen basados en la descripción del color, que es natural e intuitiva
al ser humano, quien, después de todo es el desarrollador y usuario de este algoritmo. [30]
(ver Error! Reference source not found.)

Figura 4. Espacio de Color RGB Fuente: autores, adaptado de [30]

22
Figura 5. Espacio de Color HSV Fuente: autores, adaptado de [30]

Background subtraction:
Background subtraction (o sustracción de fondo) es una operación básica en visión por
computadora, donde cada pixel de la imagen actual es clasificado como elemento de fondo
o de primer plano, enfocando el procesamiento en los elementos del primer plano. [4]

Frame differencing:
Frame differencing (o diferenciación de fotogramas) es el método más simple para la
sustracción de fondo. En este método, la diferencia de intensidad de todos los fotogramas
consecutivos es calculada y umbralada para obtener los pixeles de los elementos de primer
plano. [9]

Extracción de características de una imagen digital:

Este paso es importante para describir los objetos anteriormente segmentados. En [28] se
explica cuáles son las características que pueden ser extraídas dentro de las que se
encuentran: las propiedades topológicas, métricas, de irregularidad, por el esqueleto de la
región y por características de textura de la región.

0.6.3. Marco Legal

Reglas y regulaciones oficiales del deporte de acuerdo con la Federación Internacional de

Racquetball (International Racquetball Federation-IRF) [22].

0.6.4. Marco Geográfico

2
Ciudad de Barranquilla, Atlántico, Colombia.

2
 1. TÉCNICAS DE PROCESAMIENTO DE IMAGEN

Para la selección de la técnica de procesamiento de imagen digital, se tuvo en cuenta las

condiciones de la cancha, reglamentación del deporte y otros factores a los que se expondrá
el sistema durante un encuentro de Racquetball. Las técnicas de procesamiento que se
sometieron a prueba son: segmentación de color por método de valor umbral en el espacio
RGB (ver Figura 6) y HSV (ver Figura 7), así como segmentación por Background
Subtraction (ver Figura 8). Para segmentar por medio de un umbral se designan valores de
umbral (mínimo y máximo) a cada componente del color R-G-B o H-S-V, esto permitirá
abarcar una gama de color en la cual debe estar la pelota.
Siendo Y la imagen segmentada, e (i, j) la ubicación del pixel en la imagen a segmentar.
(H (i, j) > Hmin y H (i, j) < Hmax)
(S (i, j) > Smin y S (i, j) < Smax) Y (i, j)=1 sino Y (i, j)=0
(V (i, j) > Vmin y V (i, j) < Vmax)

Figura 6. Segmentación RGB Figura 7. Segmentación HSV

Fuente: autores.

Fuente: autores.

3
Para la segmentación por background se hace una resta de frames para la eliminación de
objetos inmóviles y luego se aplica un umbral en escala de grises que permita segmentar
la pelota
Figura 8. Segmentación por Background Subtraction

Fuente: autores.

25
 2. CREACIÓN DE INTERFAZ DE APOYO

Para la elaboración de las pruebas se desarrolló un algoritmo en Matlab para cada uno de
los tipos de segmentación a evaluar, basándose en la segmentación de la pelota. Se realizó
un GUI (también conocido como interfaz de usuario) para segmentación en el espacio de
color RGB y HSV que permitiera, con slidebar (barra desplazable), cambiar los
componentes en cada caso (Red, Green, Blue o Hue, Saturation, Value), con tal de variar
fácilmente los valores durante la segmentación de frames y notar cual permite mejor
segmentación. Para Background Subtraction se elaboró un GUI donde se utilizó valor de
umbral (threshold) y diferenciación de cuadro (frame differencing).

 Segmentación en el espacio de color RGB

Esta GUI cuenta con un panel que permite escoger los valores de RED-GREEN-BLUE, los
cuales definirán la segmentación de la pelota del resto de imagen. Además, cuenta con 2
axes, el primero (imagen) permitirá observar los frames del video original, y el segundo
(procesada) permitirá observar la imagen después de ser procesada. Por último, contara
con un Push Button que al dar los valores de RGB puede ser accionado para comenzar con
la segmentación.

Figura 9. Interfaz de apoyo.

Fuente: autores.

26
  Segmentación en el espacio de color HSV
Esta GUI cuenta con un panel que permite seleccionar los valores de HUE-SATURATION-
VALUE, los cuales definirán la segmentación de la pelota del resto de imagen. Además,
cuenta con 2 axes, el primero (imagen) permite observar los frames del video original, y el
segundo (procesada) permite observar la imagen después de ser procesada. Por último,
cuenta con un Push Button (START) que al dar los valores de HSV puede ser accionado
para iniciar con la segmentación.

Figura 10. Interfaz de apoyo HSV

Fuente: autores.

27
  Background Subtraction
Esta GUI cuenta con un panel que permite escoger el valor del umbral (Threshold) y a su
vez accionar un Push Button (START), con el cual se le da inicio a la segmentación.

Figura 11. Interfaz de apoyo Background Subtraction

Fuente: autores.

28
 3. TÉCNICA DE PROCESAMIENTO DE IMÁGEN

3.1. PRUEBAS CON INTERFAZ DE APOYO

Se utilizaron diferentes dispositivos de captura de imagen para las pruebas de los

algoritmos: teléfono móvil Samsung Galaxy S7 Edge, Webcam Logitech C525, Nikon D500
y Sony Action Cam HDR – AS200V.
A continuación, se presentan los resultados de cada una de las pruebas realizadas a partir
de los diferentes dispositivos de captura de imagen empleados, lo que nos permite, además
de la selección de la técnica de procesamiento de imagen, seleccionar la cámara.

3.1.1. Samsung Galaxy S7 Edge

Cuarto cerrado, en bajas condiciones de luz, bajo ruido en la imagen (no hubo otros objetos
en movimiento, solo hubo cambio en las sombras).

 Segmentación en el espacio de color RGB

A medida que la pelota disminuye su altura aumenta la velocidad, por lo tanto, la
segmentación de la pelota en la imagen se dificulta; además, hay zonas oscuras en la pelota
que no se segmentan (ver Figura 12 y Figura 13).

Figura 12. Prueba de técnica RGB - Figura 13. Prueba de técnica RGB -
Samsung Galaxy S7 Edge (a) Samsung Galaxy S7 Edge (b)

Fuente: autores. Fuente: autores.

29
  Segmentación en el espacio de color HSV

Figura 14. Prueba de técnica HSV - Figura 15. Prueba de técnica HSV -
Samsung Galaxy S7 Edge (a) Samsung Galaxy S7 Edge (b)

Fuente: autores. Fuente: autores.

 Background Subtraction

Figura 16. Prueba de técnica BS - Figura 17. Prueba de técnica BS -

Samsung Galaxy S7 Edge (a) Samsung Galaxy S7 Edge (b)

Fuente: autores. Fuente: autores.

2
3.1.2. Webcam Logitech C525

Cuarto cerrado, en bajas condiciones de luz, bajo ruido en las imagenes (no hubo otros
objetos en movimiento, solo cambio en las sombras).
 Segmentación en el espacio de color RGB
Presenta buena segmentacion de la pelota, pero se segmentan otras areas debido a que el
color de la pelota no se diferencia de otras zonas. Este tipo de segmentacion no es bueno
cuando existen objetos con colores muy similares.

Figura 18. Prueba de técnica RGB - Figura 19. Prueba de técnica RGB -
Webcam Logitech C525 (a) Webcam Logitech C525 (b)

Fuente: autores. Fuente: autores.

2
  Segmentación en el espacio de color HSV
Buena segmentación de la pelota (aunque se presentan otras áreas segmentadas) y se
reduce la perdida repentina de la segmentación de la pelota. Este tipo de segmentacion no
es bueno cuando hay poca iluminación.

Figura 20. Prueba de técnica HSV - Figura 21. Prueba de técnica HSV -
Webcam Logitech C525 (a) Webcam Logitech C525 (b)

Fuente: autores. Fuente: autores.

 Background Subtraction
En algunos frames no se obtiene la segmentación de la pelota y en algunos casos se
segmentan sombras que tambien se encuentran en movimiento. Este tipo de segmentacion
no es buena cuando se tiene mas de un objeto en movimiento.

Figura 22. Prueba de técnica BS - Figura 23. Prueba de técnica BS -

Webcam Logitech C525 (a) Webcam Logitech C525 (b)

Fuente: autores. Fuente: autores.

2
3.1.3. Nikon D500

Cuarto cerrado, en bajas condiciones de luz, bajo ruido en las imagenes (no hubo otros
objetos en movimiento, solo cambio en las sombras).

 Segmentación en el espacio de color RGB

Además de la segementación de la pelota, se presentan areas adicionales segmentadas,

compuestas normalmente por sombras.

Figura 24. Prueba de técnica RGB - Nikon Figura 25. Prueba de técnica RGB - Nikon
D500 (a) D500 (b)

Fuente: autores. Fuente: autores.

2
  Segmentación en el espacio de color HSV
Buena segmentación de la pelota y con pocos elementos adicionales segmentados.

Figura 26. Prueba de técnica HSV - Figura 27. Prueba de técnica HSV -
Nikon D500 (a) Nikon D500 (b)

Fuente: autores. Fuente: autores.

 Background Subtraction
Buena segmentación de la pelota, pero adicionalmente sombras segmentadas.

Figura 28. Prueba de técnica BS - Nikon Figura 29. Prueba de técnica BS - Nikon
D500 (a) D500 (b)

Fuente: autores. Fuente: autores.

2
3.1.4. Sony Action Cam HDR – AS200V

Se hicieron unas capturas con una cámara de acción, específicamente Sony Action Cam
HDR-AS200V, pero se observó que el ángulo de visión es demasiado grande, por lo que
tiene un objetivo “ojo de pez”, lo cual no es de conveniencia para este estudio. Es importante
que la cámara no tenga un ángulo de visión amplio, para evitar más ruido en la imagen
debido a que la falta se evaluará solo cuando la pelota rebote en las cercanías de la línea
corta.

3.2. SELECCIÓN DE TÉCNICA DE PROCESAMIENTO

Cada una de las técnicas se valoró con una puntuación del 1 al 5 (siendo 1 el puntaje más
bajo y 5 el de mayor valor) a partir de los resultados obtenidos en las pruebas realizadas.
Ver Tabla 2

Tabla 2. Resultado de técnicas de procesamiento de imagen

TECNICA DE
CRITERIO DE SEGMENTACIÓN
SELECCIÓN Background
RGB HSV
Subtraction
Segmentación con
diferentes objetos 3 4 1
en movimiento
Segmentación en
baja condición de 1 2 4
luz
Segmentación
constante de la
pelota (sin 3 4 2
intermitencia)
Aprovecha color
característico de la 3 4 1
pelota
TOTAL 10 14 8

Fuente: autores.

2
Al obtener mejores resultados con la segmentacion por color HSV, lo siguiente fue realizar
unas mejoras a este agoritmo, dandole valores minimos y maximos a cada componente del
espacio de color, lo cual se conoce como umbralizacion, donde se segmentan todos los
objetos que cumplen con estos intervalos.
Conociendo que ademas del color particular que tiene la pelota, esta se encuentra en
movimiento, lo siguiente fue realizar una diferencia entre frame segmentado anterior y el
frame segmentado actual, lo cual elimina gran cantidad de ruido de la imagen, ya que todos
los objetos que no se mueven o que su movimeinto es minimo, son eliminados. Ver 3.2.1

3.2.1. Ejemplo de diferencia de frames

Para realizar este ejemplo se utilizará resta de matrices, debido a que las imágenes son
matrices con diferentes componentes, en este caso utilizaremos 0 y 1, ya que por
encontrarse segementada corresponde a una imagen binaria, aclarando que los valores de
1 son los pixeles blancos, que en este ejemplo será la pelota.

Figura 30. Resta de matrices (Frame actual - Frame anterior)

Fuente: autores.

Del frame anterior al frame actual, la pelota se desplazó a la izquierda, para no obtener
valores negativos se utiliza valor absoluto de la resta. Ver Figura 31

3
 Figura 31. Frame resultante de la resta de matrices con valor absoluto

Fuente: autores.

Figura 32. Segmentación usando resta de matrices con valor absoluto

Fuente: autores.

Esto quiere decir que van a quedar dos areas de pelota, y lo unico que se eliminará seran
las areas de la pelota en comun entre el frame anterior y el frame actual, lo cual es un grave
problema; para las areas que no se movieron nos resulta de gran utilidad, debido a que las
elimina casi en su totalidad. Es por esto que se plantea realizar la resta sin valor absoluto,
lo cual nos elimina las areas en comun pero nos deja valores de -1 en las areas no comunes
del frame anterior(las cuales no son de utilidad). Ver Figura 33

Figura 33. Frame resultante de la resta de matrices sin valor absoluto

Fuente: autores.

4
Lo siguiente es condicionar el algoritmo para que todos los valores negativos de esta matriz
sean iguales a 0, con los cual nos queda un solo area de pelota, debido a que se restan los
objetos inmoviles y se eliminan los objetos segmentados del frame anterior. Ver Figura 34

Figura 34. Resultado final de la resta de matrices

Fuente: autores.

Figura 35. Segmentación resultante.

Fuente: autores.

La siguiente mejora fue obtener las propiedades de los objetos segmentados a partir del
comando regionprops de matlab, y tomando como referencia el area de la pelota, eliminar
areas menores a esta para evitar mas ruido en la imagen.

5
3.3. PRUEBA DE TÉCNICA DE PROCESAMIENTO

Luego de seleccionar la técnica de procesamiento de imagen, se realizan pruebas y se

obtienen los siguientes resultados.

Figura 36. Prueba de técnica de Figura 37. Prueba de técnica de

procesamiento de imagen seleccionada procesamiento de imagen seleccionada
(a) (b)

Fuente: autores. Fuente: autores

A manera de acercamiento con las condiciones reales a las que se enfrentará el sistema,
se prueba el algoritmo con un video tomado de internet. En este video se aprecia un saque
en una cancha de racquetball.
Tomado de: www.youtube.com/watch?v=_1QXYrp5rzM&t=9s

6
Figura 38. Prueba de técnica de procesamiento de imagen seleccionada bajo condición
real.

A) B)

C)

Fuente: autores.

Como se observa, se obtienen buenos resultados de segmentación durante las condiciones

reales de uso del algoritmo.

2
 4. CÁMARA Y PORCIÓN DE CANCHA

Seleccionada la técnica de procesamiento de imagen, se determina la cámara adecuada a

partir de criterios establecidos por los autores. Ver Tabla 3

Tabla 3. Tabla comparativa de cámaras

CÁMARA
Criterio de Samsung Webcam Nikon D500 Sony Action Cam
selección S7 Edge Logitech HDR – AS200V
C525
Megapíxel 12 8 20,9 8,8
Abertura
1,7 X 1,4 2,8
focal
 2160p/3  Hasta  3840 x 2160 (4K  MP4 PS: 1.920 x
0fps 1280x UHD) /30fps, 1.080/60p/50fps;
 1440p/3 720p/30fps 25fps, 24fps;  MP4 HQ: 1920 x
0fps  1920x1080/60fp 1080/30fps,25fps
 1080p/6 s, 50fpp, 30fps,  MP4 HS120
0fps 25fps, 24fps (HS100): 1280 x
 1080p/3  1280 x 720/120fps,100fp
0fps 720/60fps, 50fps s
 720p/30f  MP4 HS240
ps (HS200): 800 x
480/240fps,200fp
Resolución
s
de video y
 MP4 STD: 1280 x
ratio de
720/30fps,25p
fotogramas
 XAVC S 24p:
1920 x
1080/24fps
 XAVC S 30p:
1920
x1080/30fps,25fp
s
 XAVC S 60p:
1920
x1080/60fps,50fp
s
Unidades
2 0 0 0
propias
Precio
$1’558.000 $115.000 $7’599.900 $830.346
unitario

Fuente: autores, adaptado de [31] [32] [33] [34].

3
Luego de evaluar los criterios, se optó por someter a prueba 2 cámaras que cumplieran
básicamente con accesibilidad y economía (debido a que se establecieron dos cámaras a
la hora de evaluar un servicio). Por lo tanto, se realizan pruebas bajo condiciones reales
con el Samsung Galaxy S7 Edge (se cuenta con 2 unidades propias) y la Webcam Logitech
C525 (bajo costo).
Para poder evaluar las cámaras bajo condiciones reales, se construyó una porción de
cancha de Racquetball bajo los estándares que establece la IRF [22], donde se recrean las
cercanías de la línea corta de la zona de servicio. Fue elaborada en madera triplex de 1,3
cm de espesor, recubierta con un papel adhesivo sobre una de sus caras y articulada por
medio de bisagras con el fin de facilitar su transporte. Ver Figura 39

Figura 39. Plano de porción de cancha de Racquetball

Fuente: autores.

4
4.1. PRUEBAS DE CÁMARAS

Luego de identificadas las dos cámaras candidatas a ser usadas en el sistema de detección
de faltas y construida la porción de cancha, se realizan las diferentes pruebas para
seleccionar el tipo de cámara que se empleará.

4.1.1. Samsung Galaxy S7 Edge

Prueba 1: pelota de color azul

Figura 40. Prueba 1 de cámara - Samsung Galaxy S7 Edge

A) B)

C)

Fuente: autores.

5
Prueba 2: pelota de color purpura.

Figura 41. Prueba 2 de cámara - Samsung Galaxy S7 Edge

A) B)

C)

Fuente: autores.

6
4.1.2. Webcam Logitech C525

Prueba 1: pelota de color azul.

Figura 42. Prueba 1 de cámara - Webcam Logitech C525

A) B)

C)

Fuente: autores.

7
Prueba 2: pelota de color purpura.

Figura 43. Prueba 2 de cámara - Webcam Logitech C525

A) B)

C)

Fuente: autores.

8
4.2. SELECCIÓN DE CÁMARA

Como se observa, las 2 cámaras presentan muy buenos resultados, por lo tanto, se enfoca
la decisión hacia la que brinde mejer relación beneficio-costo. A continuación, se presentan
algunas conclusiones de aspectos que nos dirigen hasta la cámara indicada:
1. Samsung Galaxy S7 Edge tiene una apertura focal de 1.7 mm y la Webcam Logitech
C525 tiene una apertura focal de 2.0 mm, por lo tanto, la cámara Samsung permite
una mayor captura de luz.

2. Samsung Galaxy S7 Edge tiene 12 MP, lo que le permite una resolución de hasta
UHD (3840x2160), mientras que la webcam Logitech tiene 8 MP, con lo cual graba
hasta HD (1280x720). Es importante saber que entre más pixeles tenga la cámara,
mejor va a ser la segmentación, pero a la vez se necesitara un computador con
mayor capacidad de procesamiento y memoria.

3. Como se aclaró anteriormente, las pruebas se hicieron a bajas velocidades, por lo

tanto, en el S7 Edge se grabó en FHD a 30fps y en las cámaras Logitech en HD a
30fps. Es de aclarar que el S7 Edge puede grabar hasta 60fps en FHD, lo que
genera mayor exigencia de capacidad de cómputo, y en este caso donde las
pruebas se harán a bajas velocidades no es necesario.

4. Se cuenta con dos dispositivos Samsung Galaxy S7 Edge, mientras que las
Webcam requieren de una inversión para su adquisición.

A partir de lo establecido anteriormente, se concluye que el Samsung Galaxy S7 Edge

tiene una cámara que permite un trabajo de mayor alcance en condiciones de baja
luminosidad y valores más altos velocidades, mientras que la Webcam Logitech C525
no capta tanta luz y sus pixeles y fps son limitados. Aunque el costo de la Webcam es
mucho menor, ya se cuenta con dos dispositivos S7 Edge, por lo tanto, se seleccionó
a este como cámara para el sistema de detección de faltas.

9
 5. ALGORITMO DE EVALUACIÓN DE SERVICIOS

El software GUI PARA DETECCIÓN DE FALTAS POR SERVICIOS CORTOS EN

RACQUETBALL, está desarrollado en base al procesamiento digital de imágenes, con lo
cual se busca automatizar la toma de decisión en aquellas jugadas críticas para el ojo
humano. Para poder lograr esa condición se determinó una estructura de funcionamiento
para el software (ver Figura 44), en busca de una agradable interacción con el usuario y
que de esa manera se convierta en una herramienta que permita obtener los resultados
deseados de manera sencilla.
El software está conformado por 4 GUI entrelazados a través de push button (los botones
correspondientes a cada GUI se encuentran descritos en el documento
“ManualdeUsuarioyAyuda.pdf”). Al iniciar el programa se abrirá la pantalla principal (GUI 1),
en la cual se encuentran las diferentes opciones que ofrece el sistema. Presionando el push
button Ball Segmentation Range se ingresa al GUI 2, donde es posible cargar el video de
la vista lateral y, por medio de prueba-error, identificar el rango valores para cada uno de
los componentes HSV. Luego se debe retornar al menú principal, y dirigir al GUI 3 a través
del push button Segmentation Short Line; en este GUI se carga el video de la vista superior
y el programa toma la primera captura realizada en este video y la guarda en la carpeta del
programa en formato jpg. Sobre esta captura, el usuario debe hacer click en las cuatro
esquinas correspondientes a la línea corta y de esta manera se genera su segmentación.
De vuelta a la pantalla principal, y habiendo segmentado la línea corta, se encuentra activo
el push button Short Service Foul. A través de este, se puede ingresar al GUI 4, donde se
deben cargar los videos de la toma lateral y superior, además de ingresar el rango de
valores obtenidos en el GUI 2 y el número del frame desde el cual se iniciará la
segmentación. Luego de suministrar todos los datos requeridos por el programa, se debe
dar click en el push button Start e iniciará el procesamiento de imagen (ver figura 2), a partir
del cual se dispondrá el resultado para dicho caso.
Para el procesamiento de imagen, el software inicia con analizar cada frame del video de
la vista lateral usando la función Config Video (ver figura 3); con esta función se convierte
la imagen al modelo de color HSV y de esa manera poder utilizar los datos configurados
anteriormente. Al obtener el modelo HSV se sigue con la segmentación del video usando
sus colores, donde las zonas de la imagen que estén dentro de los rangos HSV establecidos
pasarán a ser de color blanco (en este caso la pelota) y las que no, serán de color negro.
Con tal de mejorar la segmentación se aplica una dilatación dentro de un radio de 30 pixeles
y se eliminan puntos no segmentados dentro del área segmentada por medio de un filtro
por tamaño. Luego se aplica Background Subtraction, restando el frame analizado con el
frame anterior y posteriormente se eliminan aquellas áreas menores al área de la pelota.
Al tener la pelota segmentada se localiza el centroide y, a través del cambio de dirección
respecto a su eje “Y”, se identifica el punto de impacto. Con esto, el enfoque del
procesamiento pasa al video de la vista superior tomando como referencia el frame en que
impacta la pelota en el suelo. Nuevamente se realiza segmentación de la pelota a partir del
frame anterior al impacto con la función Config Video (ver figura 3), pero en este caso ya se

10
Figura 44. Algoritmo de la GUI para detección de faltas por servicios cortos en Racquetball

Fuente: autores, de Bizagi Modeler.

tiene suficiente información para conocer el punto de impacto de la pelota. Con el área de
la pelota segmentada, se localiza el centroide y se compara con la segmentación de la línea
corta; cuando la pelota coincide con la línea corta, el software indica que es falta por servicio
corto. Pero cuando la pelota no coincide con la línea corta, se compara la posición del
centroide de la pelota en el eje “X” respecto al centroide de la línea corta. Si la pelota se

11
encuentra ubicada a la izquierda, el programa la considera como pelota buena; en cambio,
cuando la pelota se encuentra a la derecha, el programa la toma como falta por servicio
corto.

Figura 45. Algoritmo de Procesamiento de Imagen Interno (Internal Image Processing)

12
Fuente: autores, de Bizagi Modeler.

13
Figura 46. Algoritmo de Función Config Video (Config Video Function)

Fuente: autores, de Bizagi Modeler.

14
 6. PRUEBAS DE ALGORITMO DE EVALUACIÒN DE SERVICIOS

6.1. MONTAJE Y EQUIPOS

Para la realización de las pruebas y captura de imágenes, se realizó un montaje con una
porción de la cancha marcada con la línea corta, dos teléfonos Samsung Galaxy S7 Edge
como cámara superior y lateral (ver Figura 47) y una pelota de Racquetball color azul.
Además, con el fin de variar las condiciones de operación del algoritmo se incluyó un
bombillo led de intensidad variable marca Eco Classic Lumek de 7 W (ver Figura 48), un
interruptor tipo slider marca Leviton (Ver Figura 49) y un luxómetro de referencia HS1010
(ver Figura 50) para medir la cantidad de luz en que son realizadas las pruebas.

Figura 47. Montaje para pruebas y captura de imágenes

Top
Camera

Short
Line

Lateral
Camera

Fuente: autores.

Las cámaras se encuentran enlazadas con un cable que cuenta con un botón disparador
que actúa en ambas cámaras al ser pulsado, e inicia o detiene la captura de imágenes por
parte de estas. Así, es posible que se graben videos con un desfase reducido entre sus
frames, lo que ayuda en la sincronización de las capturas. Este valor va a depender sobre
todo de los equipos con los cuales se realicen las pruebas, incluyendo cámaras y cable con
botón disparador, ya que, al emplear elementos con propiedades distintas, puede cambiar
la sincronización, y de esa misma manera los resultados obtenidos. En la Figura 51 se
puede observar el montaje real para pruebas.

15
Figura 48. Bombillo Led Figura 49. Interruptor Figura 50. Luxómetro
Dimerizable Ilumec Leviton 6633 - PLW HS1010

Fuente: tomado de [35]

Fuente: tomado de [36] Fuente: autores

Figura 51. Montaje real para pruebas de algoritmo de evaluación de servicios.

Fuente: autores.

54
6.2. PRUEBAS Y RESULTADOS

Luego de haber conformado las condiciones adecuadas para someter a prueba este
algoritmo, se ejecutaron manualmente lanzamientos de la pelota sobre la porción de
cancha, ubicando su rebote en las cercanías de la línea corta, mientras estos eran
capturados por medio de las cámaras (Superior y Lateral). Para cada una de las pruebas,
se modificó la condición de luz (medida en unidades lux), con lo cual se buscó observar el
comportamiento del programa bajo condiciones semejantes a las que podría estar expuesto
durante un juego de Racquetball. A continuación, se mostrarán en la tabla 4 los resultados
obtenidos en diferentes pruebas, además de las capturas obtenidas de cada una de ellas.

Nota: la dirección de la pelota es de derecha a izquierda según configuración del programa.

Tabla 4. Resultados de pruebas realizadas al algoritmo

RESULTADOS
DECISIÒN DECISIÓN
PRUEBA ILUMINANCIA [lx]
HUMANA SOFTWARE
1.1 115 NO FOUL NO FOUL
1
1.2 115 NO FOUL NO FOUL
2.1 255 YES FOUL YES FOUL
2
2.2 255 YES FOUL YES FOUL
3.1 347 YES FOUL YES FOUL
3
3.2 347 NO FOUL NO FOUL
4.1 473 YES FOUL YES FOUL
4
4.2 473 YES FOUL YES FOUL
5.1 552 YES FOUL YES FOUL
5
5.2 552 YES FOUL YES FOUL
6.1 642 NO FOUL NO FOUL
6
6.2 642 YES FOUL YES FOUL

Fuente: autores.

2
Prueba 1: iluminación de 115 lx
Figura 52. Prueba 1.1 de algoritmo de evaluación de servicios

Fuente: autores.

Figura 53. Prueba 1.2 de algoritmo de evaluación de servicios

Fuente: autores.

3
Prueba 2: iluminación de 255 lx.

Figura 54. Prueba 2.1 de algoritmo de evaluación de servicios

Fuente: autores.

Figura 55. Prueba 2.2 de algoritmo de evaluación de servicios

Fuente: autores.

4
Prueba 3: iluminación de 347 lx

Figura 56. Prueba 3.1 de algoritmo de evaluación de servicios

Fuente: autores.

Figura 57. Prueba 3.2 de algoritmo de evaluación de servicios

Fuente: autores.

5
Prueba 4: iluminación de 473 lx.

Figura 58. Prueba 4.1 de algoritmo de evaluación de servicios

Fuente: autores.

Figura 59. Prueba 4.2 de algoritmo de evaluación de servicios

Fuente: autores.

6
Prueba 5: iluminación de 552 lx.

Figura 60. Prueba 5.1 de algoritmo de evaluación de servicios

Fuente: autores.

Figura 61. Prueba 5.2 de algoritmo de evaluación de servicios

Fuente: autores.

7
Prueba 6: iluminación de 642 lx.

Figura 62. Prueba 6.1 de algoritmo de evaluación de servicios

Fuente: autores.

Figura 63. Prueba 6.2 de algoritmo de evaluación de servicios

Fuente: autores.

8
Luego de haber realizado múltiples pruebas y comparar los resultados obtenidos bajo
diferentes condiciones de iluminación, es importante resaltar que las respuestas
suministradas por el software estuvieron acordes a las obtenidas por el ojo humano, no
llegando a presentar discordia entre los resultados. En algunas de las pruebas se notó de
forma clara la decisión para el ojo humano, pero en aquellas donde la pelota impactó en
gran medida cerca de la línea corta, fue de considerable utilidad el software para dar un
veredicto confiable de la jugada.
El nivel de iluminación juega un papel de suma importancia en las pruebas realizadas, ya
que la segmentación por color empleada (método del umbral) se puede ver afectada en
algunos casos por la cantidad de luz presente en el escenario. Una cantidad muy baja o
muy alta de iluminancia, puede provocar que no se segmenten algunas zonas o que el
objeto de interés no se pueda distinguir completamente de sus alrededores, debido al rango
de valores que se desean segmentar, por lo que los equipos usados deben ser acordes a
las condiciones que se evaluaran.

9
 7. CONCLUSIÓN Y RECOMENDACIONES

Aprovechando las herramientas que ofrece el software Matlab (específicamente en el

campo de Visión Artificial) y teniendo en cuenta las deficiencias presentes en el Racquetball
a la hora de juzgar los servicios con rebote cercano a la línea corta, se ha desarrollado una
herramienta computacional que facilita la detección de falta por servicio corto durante el
saque en la práctica del Racquetball. Inicialmente, se evaluaron una serie de técnicas de
procesamiento digital de imagen que permitieran diferenciar la pelota de Racquetball de sus
alrededores; para realizar las diferentes pruebas se desarrolló en Matlab una interfaz para
cada tipo de técnica, donde se obtuvo el mejor resultado con el método del valor umbral en
el espacio de color HSV.
Seleccionada la técnica de procesamiento, se le realizan mejoras a la segmentación
apoyándola con Background Subtraction, con lo cual se obtienen mejoras en los resultados.
Luego, se desarrolló en Matlab un algoritmo de evaluación de servicio con rebote en las
cercanías de la línea corta de la zona de servicio, y con el fin de someterlo a prueba se
elaboró una porción de cancha bajo los estándares establecidos por la IRF, donde se
demarca la línea corta.
Además de la porción de cancha, se seleccionaron los diferentes equipos necesarios para
la evaluación del algoritmo (cámara, luxómetro y sistema de iluminación) bajo las posibles
condiciones a las que podría estar expuesto durante un enfrentamiento de Racquetball.
Para la selección de las cámaras se tuvieron en cuenta 4 opciones, filtrando dos de ellas
(Samsung Galaxy S7 Edge y Webcam Logitech C525) y sometiéndolas a prueba. A partir
de los resultados y teniendo en cuenta la mejor relación beneficio-costo, se optó por
seleccionar la cámara del Samsung Galaxy S7 Edge.
Luego, se hace el montaje de la porción de cancha y equipos, creando zona para captura
de imagen usando dos vistas (superior y lateral) empleando dos cámaras que recopilan la
información al tiempo, para ser usadas en las diferentes pruebas del algoritmo. El software
es capaz de recibir datos mediante cuadros de texto y barras deslizables, con lo cual se
hace posible la segmentación deseada. Los valores umbrales de segmentación son en
función del color de la pelota, pero influyen las condiciones de iluminación y los equipos
empleados para la captura de imagen.
Los resultados obtenidos en las pruebas realizadas al software, muestran que los objetivos
propuestos son alcanzados bajo las condiciones (iluminación, velocidad de la pelota, etc…)
y equipos empleados. Como recomendación general, se debe tener en cuenta que estos
equipos se seleccionaron específicamente para las condiciones en que se evaluó el
algoritmo, en caso de emplearse bajo ambientes diferentes, existe la posibilidad que se
obtengan resultados distintos y que la respuesta del sistema no sea tan efectiva.
Por otro lado, se recomienda revisar los documentos anexos, donde se incluye un “Manual
de Usuario y Ayuda” y un “Instructivo de Instalación y Algoritmo”. En estos documentos se
detalla el uso del software y la función de cada uno de sus componentes, y además se hace
una descripción del algoritmo y de las diferentes maneras de instalar el software.

10
 REFERENCIAS

[1] M. Kristan, J. Pers, M. Perse, S. Kovacic, and M. Bon, “Multiple interacting targets
tracking with application to team sports,” in Proceedings of the 4th International
Symposium on Image and Signal Processing and Analysis, 2005, pp. 322-327.
[2] J. Marin, “Estética del deporte desde la realización televisiva”, en Estudios Sobre Arte
y Comunicación Social, Ed. Tenerife: Sociedad Latina de Comunicación Social, pp.
15-22, 2011.
[3] V. Roger, “Nuevas tecnologías aplicadas a la realización de la información audiovisual
y retransmisiones deportivas”, tesis doctoral, Universidad Politécnica de Valencia,
Valencia, España, 2010.
[4] E. Monier, P. Wilhelm, and U. Ruckert, “Template matching based tracking of players
in indoor team sports,” in Distributed Smart Cameras, 2009. ICDSC 2009. Third
ACM/IEEE International Conference on, 2009, pp. 1-6.
[5] M. Tamir and G. Oz, “Real-Time Objects Tracking and Motion Capture in Sports
Events,” U.S. Patent 11,909,080, March 29, 2006.
[6] G. Pingali, Y. Jean, and I. Carlbom, “Real time tracking for enhanced tennis
broadcasts,” in Computer Vision and Pattern Recognition, 1998. Proceedings. 1998
IEEE Computer Society Conference on, 1998, pp. 260-265.
[7] P. Kam and C. Wong, “Developing an intelligent table tennis umpiring system:
identifying the ball from the scene”, in 2008 Second Asia International Conference on
Modelling & Simulation (AMS), 2008, pp. 445-450.
[8] K. Teachabarikiti, T. Chalidabhongse, and A. Thammano, “Players tracking and ball
detection for an automatic tennis video annotation,” in Control Automation Robotics &
(ICARCV), 2010 11th International Conference on, 2010, pp. 2461-2494.
[9] S. Meher and B. Chakraborty, “Real-Time Position Estimation and Tracking of a
Basketball,” in Signal Processing, Computing and Control (ISPCC), 2012 IEEE
International Conference on, 2012, pp.1-6.
[10] S. Tamaki and H. Saito, “Reconstruction of 3D trajectories for performance analysis in
table tennis,” in 2013 IEEE Conference on Computer Vision and Pattern Recognition
Workshops, 2013, pp. 1019-1026.
[11] A. Yilmaz, O. Javed and M. Shah, “Object tracking: A survey,” ACM Computing
Surveys, vol. 38, no. 13, pp. 1-45, 2006.
[12] S. K. Sundararama, “Cost Effective Method for Sports Visualization and Statistics
Generation using Microsoft kinect,” M.S. thesis, University of Bournemouth,
Bournemouth, 2013.
[13] H. Chou and W. Yi, “A dual PTZ camera system for visual tracking of a moving target
in an open area,” in Advanced Communication Technology, 2009. ICACT 2009. 11th
International Conference on, 2009, pp. 440-443.

11
[14] Y. Gao and X. Zhang, “Zoom control of wide area tracking system,” in 2010 5th IEEE
International Conference Intelligent Systems, 2010, pp. 402-407.
[15] P. Kelly, C. Ó Conaire, C. Kim, and N. O’Connor, “Automatic camera selection for
activity monitoring in a multi-camera system for tennis,” in Distributed Smart Cameras,
2009. ICDSC 2009. Third ACM/IEEE International Conference on, 2009, pp. 1-8.
[16] “Tennis Ireland,” [Online]. Available: http://www.tennisireland.ie
[17] J. Ren, J. Orwell, G. A. Jones, and M. Xu, “Tracking the soccer ball using multiple fixed
cameras,” Elsevier Computer Vision and Image Understanding, vol. 113, pp. 633–642,
march, 2008.
[18] Y. Zhang, L. Peng, F. Ming, and D. Chen, “Intelligent referee system in Robot-Soccer
Games based on conditional event algebra,” in Second Asia-Pacific Conference on
Computational Intelligence and Industrial Applications, 2009 IEEE International
Conference on, 2009, pp 34-37.
[19] H. Myint, P. Wong, L. Dooley, and A. Hopgood, “Tracking a table tennis ball for
umpiring purposes,” in Fourteenth IAPR International Conference on Machine Vision
Applications (MVA), 2015 IEEE Conference on, 2015, pp 170-173.
[20] D. Fisher. Racquetball: Steps to Success. United States: Human Kinetics, 2007.
[21] USA Racquetball Rules, “2014 USAR official rules of racquetball” 2014. [Online].
Available: http://www.teamusa.org/usa-racquetball/how-to-play/rules
[22] International Racquetball Federation, About, Rules, “Official rules and regulations of
racquetball,” 2014. [Online]. Available:
http://www.internationalracquetball.com/rules.html
[23] R. Sampieri. Metodología de la Investigación. México D.F.: McGraw-Hill, 2010.
[24] J. Cegarra. Metodología de la Investigación Científica y Tecnológica, 1ra. ed. Madrid,
España: Ediciones Díaz de Santos, 2006.
[25] Penn, Racquetballs, “Penn racquetballs,” 2012. [Online]. Avalible:
http://www.pennracquet.com/ racquetballs.html
[26] N. Palomino y U. Concha, "Técnicas de Segmentación en Procesamiento Digital de
Imágenes," Revista de Ingeniería de Sistemas e Informática, vol. 6, no. 2, pp. 9-16,
diciembre, 2009.
[27] Diccionario de la Lengua Española, Real Academia Española, “Imagen,” noviembre
2017. [Online]. Available: http://dle.rae.es/?id=KzwDY4y
[28] J. Romero, “Nueva técnica para comprobar la calidad del arroz fundamentada en el
tratamiento de imágenes,” Revistas Científicas y Humanísticas de la Universidad del
Zulia, vol. 33, no. 82, pp. 462-487, febrero, 2017.
[29] H. K. Saini and O. Chand, “Skin Segmentation Using RGB Color Model and
Implementation of Switching Conditions,” International Journal of Engineering
Research and Applications (IJERA), vol. 3, pp.1781-1787, february 2013.

12
[30] R. C. González and R. E. Woods. Digital Image Processing. New Jersey: Prentice
Hall, 2002.
[31] “Galaxy S7 Edge,” [Online]. Available:
http://www.samsung.com/co/smartphones/galaxy-s7-edge-g935f/
[32] “Webcam Logitech C525,” [Online]. Available: https://www.logitech.com/es-
roam/product/hd-webcam-c525
[33] “Nikon D500,” [Online]. Available: https://www.nikon.es/es_ES/product/digital-
cameras/slr/professional/d500
[34] “Sony Action Cam HDR – AS200V,” [Online]. Available:
https://www.sony.es/electronics/actioncam/hdr-as200v-body-kit/specifications
[35] “Led Eco Classic 6.5w A55 3000k 100-240v Lumek,” [Online]. Available:
http://www.ilumec.com/view.php
[36] “6633-PLW,” [Online]. Available: http://www.leviton.com/en/products/6633-PLW

13