Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I. Introducción.
Los robots han sido de inmensa ayuda para la humanidad. Los robots se
personalizan para adaptarse a las necesidades del hombre y dan apoyo a los seres
humanos en diversas industrias y dominios. Los robots han demostrado una
importancia extraordinaria en las áreas doméstica, médica e industrial. Los robots
avanzados como Sofía se han vuelto el centro de atención mostrando cómo la IA
puede transformar la interacción humano-robot. Los humanoides se han involucrado
en diferentes actividades, que van desde ayudar a las enfermeras en los hospitales,
hasta servir comida en restaurantes. Recientemente, se ha podido observar robots
desplegados en lugares públicos y hoteles, para la vigilancia de multitudes y
asistencia humana. Este artículo presenta un robot de bajo costo que asemeja
apariencia humana y se puede implementar en lugares públicos para el seguimiento
de multitudes.
Los robots que operan en lugares públicos tienen que ser ligeros y resistentes.
Actualmente, la mayoría de los robots son pesados debido al uso de metales como
el aluminio, lo que dificulta su transporte. Para superar este reto, se utiliza la
tecnología de prototipado rápido, como lo es la impresión en 3D. La impresión 3D,
es una forma eficaz de imprimir diseños en plástico que son económicamente más
baratos, molecularmente más fuertes y que consumen menos tiempo en dar el
resultado deseado. VISU se imprime en 3D con acrilonitrilo butadieno estireno
(ABS), un polímero termoplástico que es más fuerte y ligero, y cumple con los
requisitos.La figura 1 muestra el prototipo de VISU, un robot humanoide impreso en
3D. Para las operaciones a distancia, VISU se apaga en las tecnologías de código
abierto y modular
Tabla 1
Conteo de Sí No No No
multitudes
Segmentación Sí No No No
de instancias
Capacidad de Sí No No No
aprendizaje
automático en
el borde
II. INVESTIGACIÓN PREVIA Y NOVEDAD DE VISU
Página 3:
Cámara Integrada VISU subir por Wi-Fi Captura y transmisión de escenas a tiempo
directo análisis del sistema La nube análisis de
imágenes reconocimiento facial información del criminal o sospechoso
segmentación de instancias rastreo de persona autoridades
inmediatas
Figura 3. Explicación detallada de VISU
Control y equipamiento
Se coloca una cámara en la cabeza del VISU que permite la función visual como la
vigilancia de un grupo de personas. La disponibilidad del On-board en los
comandos VISU da las órdenes, por consecuencia, incrementa el potencial de los
motores designados. El On-board se conecta a la nube para transferir información a
las bases de datos para crear modelos con aprendizaje más profundo en la
vigilancia de multitudes.
Una cámara captura información y los envía a la nube a través de una conexión a
internet (ver figura 3). Las fotos obtenidas en la nube son usadas para la vigilancia.
La Nube está integrada con un sistema de reconocimiento facial que se usa para
encontrar rostros que coincidan con el criminal o sospechoso dentro de una
multitud. Esto permite que las autoridades vigilen si existe una coincidencia con
algún criminal o sospechoso. Después de esto, las autoridades pueden rastrear a
cada persona de manera individual con la ayuda de la segmentación de instancias
junto al número de personas que componen la multitud. La segmentación de
instancias funciona al crear niveles con Mask -RCNN para el seguimiento de las
masas. Mask -RCNN toma una imagen de entrada y genera predicciones de lugares
donde es posible encontrar objetos o materiales conocidos, después estas áreas se
clasifican en diferentes categorías que dependen en la probabilidad de la presencia
de dicho objeto, permitiendo así rastrear e identificar la posición de una persona u
objeto dentro del marco dado por el monitoreo y vigilancia de las personas.
Monitoreo de personas.
Página 4
Cómo las regiones obtenidas no tienen la misma forma, se convierten utilizando
una capa de agrupación. Esta regiones se pasan al etiquetado y la predicción de la
caja de limitadora. La intersección sobre la unión con regiones originales se
denominan cajas de verdad. La intersección de unión (IU) Se calcula dividiendo el
área intersección por el área de union. Si el resultado es mayor hoy iguala a 0.5, Se
genera una máscara de segmentación de instancia de tamaño 28×28 Para esta
regiones. Las máscaras generadas para cada región se escalan por la interferencia.
Las más caras distinguen a los humanos de otros conjuntos de objetos. Estoy yuda
a reducir el tiempo de computación y el modelo qué se entrena en el conjunto de
datos common objects in context (CoCo) [13] Se utiliza para comparar y generar
cuadros delimitadores para predecir la clase de las máscaras. Al detectarlos clases,
se inicia un contador simple qué comienza en cero. Cuando se detecta una persona
en la imagen, El contador se incrementa en uno. El contador muestra el número de
personas en la multitud en tiempo real. Mask-RCNN Se provocan una imagen de
baja resolución que contenía 47 personas. El modelo arrojó un resultado de conteo
precisó de 44 personas con un nivel de confianza medio de 0, 91. La Fig. 4 Muestra
la imagen de salida con las más caras generadas y el recuento de las mismas. La
precisión del recuento de personas de esta imagen en particular fue del 93%. El
modelo también se probó en zonas menos concurridas con un número de personas
inferior a 10. Mask-RCNN Funcionó muy bien en espacios menos concurridos. El
modelo predijo el recuento con una precisión del 100% y un nivel de confianza
medio de 0,96. Mask-RCNN Proporciona resultados óptimos tanto en espacios
abarrotados como no abarrotados, Por lo que es una aplicación capaz de
monitorizar multitudes. La Fig. 5 muestra los resultados del análisis de rendimiento
de Mask-RCNN.
Reconocimiento de rostros
Página 5
Página 6
El vector de rostros promedio es obtenido al (...) y el resultado adquirido es restado
de los rostros de entrenamiento originales y el resultante es conservado como
variable (...). La matriz de la covarianza (C) es obtenida al usar: C= (...) C también
puede ser representado como C=AA(N2*N2 matriz en donde A es ……). Los
Eigenvectors M obtenidos de L= AA son usados para encontrar los Eigenvectors M
Mi de C los cuales forman la base del Eigenface.
En esta fórmula, Mi es el eigenface y el Eigenvector , Oi es la variable del vector de
rostros promedio sustraído de los rostros de entrenamiento y Vi es el eigenvector de
M de L=AA
Para mayores resultados, el Eigenvector con mayores Eigenvalues son usados y los
que poseen bajos Eigenvalues son descartados. El proceso anteriormente explicado
está realizado en cada imagen en cada carpeta y es clasificado con el nombre de la
persona (rostro).
La figura 6 muestra la imagen final con las diferentes etiquetas en los individuos.
Para reconocer si el rostro capturado está o no en la base de datos, la cara es
transformada a las mismas dimensiones del rostro de entrenamiento y sustraída del
rostro pre-procesado promedio. El vector adquirido es proyectado en el Eigenspace
para obtener una combinación lineal del set de Eigenfaces. Un vector o matriz de
coeficiente es generado de la combinación. La distancia Euclidiana es calculada
entre el proceso de entrenamiento y la validación de vectores muestra una
combinación correspondiente del algoritmo era de 93%. El promedio de precisión y
memoria del algoritmo de Eigenface, fue en este caso de 95% y 93%.
Por motivos de prueba, el conjunto de datos de prueba fue añadido con el rostro de
un sujeto del set de datos de imágenes abiertas. El conjunto de datos fue entrenado
con el algoritmo Eigenface. El algoritmo reconoció exitosamente todos los rostros de
los sujetos y mostró un cuadro delimitador alrededor del rostro junto con la
identificación de la cara.
VI. Conclusión
En este artículo se analizaron las ventajas del uso de VISU para la vigilancia y
monitoreo de multitudes en espacios públicos. El enfoque propuesto sobre el
reconocimiento facial y el conteo de multitudes arrojaron un promedio de precisión
del 93% y 94%. Por ende, se sugiere que VISU puede ser usado con el propósito de
vigilar multitudes tanto como en lugares concurridos como los que no, con un costo
de producción mínimo.