Documentos de Académico
Documentos de Profesional
Documentos de Cultura
patrones
Reconocimiento de objetos en una plataforma robótica móvil
Resumen
Introducción
En las últimas décadas las tecnologías de de reconocimiento de objetos consiste en
información se han convertido en determinar la posición de un objeto en
herramientas clave para la realización de imágenes de forma continua y fiable en
tareas automatizadas en la vida cotidiana escenas dinámicas y/o que presentan ruido
del humano, así como en los procesos constante (Kang, & Lee, 2002).
industriales. Entre las diferentes disciplinas
que contribuyen a dicho proceso, la visión El reconocimiento de objetos, puede
por computadora y el reconocimiento de variar en las características específicas de
patrones han sido ampliamente utilizados acuerdo al elemento que es descrito como
para aplicaciones industriales y perceptor, esto es, existen propiedades que
especialmente para la visión en robots. ayudan a definir a un objeto como tal
utilizando diferentes criterios de
El seguimiento de objetos en el clasificación según la percepción de visor.
campo visual es un tema importante en las Un niño pequeño es capaz de reconocer un
tareas multiobjetivo, particularmente en gran variedad de objetos, por ejemplo,
aplicaciones tales como las puede generalizar la idea de un perro
teleconferencias, la vigilancia y la interfaz presentándole ejemplos de este animal, al
hombre-máquina (Tzafestas, 2013). La tarea mostrarle una raza específica no vista por el
Resultados
Como base de datos se toman una Las imágenes se presentan en blanco
serie de lomos de libros para ser y negro debido a que es en escala de grises
reconocidos por los algoritmos. El las como se almacenan para ser comparadas y
imágenes a continuación se aprecian los eventualmente recuperadas dentro de una
diferentes tamaños y patrones de acuerdo al imagen posterior presentada por el sensor
libro en cuestión. del robot.
El propósito principal del trabajo fue Uno de los puntos claves que
cumplido ya que ambos algoritmos son pueden afectar el tiempo en que se logren
capaces de ejecutar las tareas de correr loa algoritmos de manera totalmente
recuperación, cada uno con limitaciones. Se independiente en la plataforma
pretende continuar con el trabajo durante recientemente adquirida, es la limitante de
verano y llegar a obtener dos puntos clave: no poder trabajar con varias CF Cards y por
tanto, diferentes versiones de OS al mismo
Autonomía total de la plataforma tiempo.
robótica.
Dichas plataformas tienen una
Ajuste de algoritmos para mejorar capacidad superior de procesamiento, pero
resultados. no permiten llegar a la raíz de manera tan
directa como las versiones anteriores.
Para el primer punto, se debe
integrar por completo el procesamiento Se sabe que la versión actual de
dentro del robot. Para esto se está OpenCV se puede ejecutar sin ningún
trabajando ya con las nuevas plataformas problema, pero las pruebas se han ejecutado
que ha adquirido la Universidad. Hasta hasta ahora siguiendo pasos considerando
ahora se han logrado hacer pruebas una versión "lite" de dichas librerías.
utilizando las librerías de OpenCV con
Actualmente la universidad cuenta
resultados favorables.
con 4 Robotinos, los cuales no son
Se espera adquirir la nueva API de integrados en ningún curso impartido a
dichas plataformas, ya que debido al nivel licenciatura. Se busca incorporar los
firmware la versión de las plataformas con trabajos realizados en tesis hasta el día de
las que se realizó el presente son hoy, como prácticas regulares para alguna
Referencias
Chen, C. C., & Hsieh, S. L. (2015). Using Liu, Y., Liu, S., & Wang, Z. (2015). Multi-
binarization and hashing for efficient SIFT matching. focus image fusion with dense SIFT. Information
Journal of Visual Communication and Image Fusion, 23, 139-155.
Representation, 30, 86-93.
Miao, Q., Wang, G., Shi, C., Lin, X., &
Du, G., Su, F., & Cai, A. (2009, October). Ruan, Z. (2011). A new framework for on-line object
Face recognition using SURF features. In Sixth tracking based on SURF. Pattern Recognition
International Symposium on Multispectral Image Letters, 32(13), 1564-1571.
Processing and Pattern Recognition (pp. 749628-
749628). International Society for Optics and Sykora, P., Kamencay, P., & Hudec, R.
Photonics. (2014). Comparison of SIFT and SURF Methods for
Use on Hand Gesture Recognition based on Depth
Harada, K., Tsuji, T., Nagata, K., Map. AASRI Procedia, 9, 19-24.
Yamanobe, N., & Onda, H. (2014). Validating an
object placement planner for robotic pick-and-place Tsai, C. Y., & Song, K. T. (2009). Dynamic
tasks. Robotics and Autonomous Systems, 62(10), visual tracking control of a mobile robot with image
1463-1477. noise and occlusion robustness. Image and Vision
Computing, 27(8), 1007-1022.
Huang, L., Chen, C., Shen, H., & He, B.
(2015). Adaptive registration algorithm of color Tzafestas, S. G. (2013). Introduction to
images based on SURF. Measurement, 66, 118-124. mobile robot control. Elsevier.
Kang, S., & Lee, S. W. (2002). Real-time Valgren, C., & Lilienthal, A. J. (2010).
tracking of multiple objects in space-variant vision SIFT, SURF & seasons: Appearance-based long-
based on magnocellular visual pathway. Pattern term localization in outdoor environments. Robotics
recognition, 35(10), 2031-2040. and Autonomous Systems, 58(2), 149-156.