Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Elaborado por
2011
Este proyecto de graduación fue APROBADO, con mención de honor Cum Laude por
Tutor
Asesor
Asesor
Graduando
Graduando
II
III
IV
DEDICATORIA
Primero que todo a Dios y la Virgencita de los Ángeles, por darme vida, salud, fortaleza,
dad de estudiar, a mis hermanos por el sacrificio que significa crecer lejos de mi, los llevo
A mi amada por entender la importancia de culminar con éxito esta etapa de mi vida,
por aquellos momentos que se tenía que sacrificar tiempo en familia para dedicarme a
Al profesor Dr. Carlos Travieso, por el apoyo esfuerzo y dedicación incondicional que
ha tenido a lo largo de la investigación, sin sus aportes y sugerencias este trabajo no hubiera
sido posible. A mi tutor y por bendición de Dios puedo llamarlo mi amigo Dr. Oscar Salas,
por el apoyo y sugerencias, además de las horas que dedico durante todo el proceso.
Al profesor MSc. Victor Medina, es un honor haberlo tenido como lector de mi proyec-
Por último y no por ello menos importantes a mi querida Escuela de Matemática espero
poder servir con mis aportes durante mucho tiempo. Al profesor MSc Eddie Vargas gracias
por darme las condiciones necesarias al inicio de esta carrera, sin su ayuda es muy probable
A la persona que más admiro en el mundo, la que me mostró con amable ejemplo que
el trabajo duro y humilde son legados invaluables. Que no importa si la adversidad repliega
tus fuerzas, en el amor y el compromiso se encuentran vivas las que parecían agotadas. Juan
Bautista Prendas Madrigal, gracias padre por la lección de vida. También a mi familia: mis
hermanos y adorada madre Bellanira Rojas Alvarado. Y a los amores que recién puso Dios
Índice general
Índice de cuadros IX
Índice de figuras X
1. INTRODUCCIÓN 1
1.1. Tema de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Colaboración entre Escuela de Matemática y el Centro de Investi-
gaciones Apícolas Tropicales (CINAT) . . . . . . . . . . . . . . . 2
1.1.2. Problema de investigación . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. Estado del Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2. MARCO TEÓRICO 16
2.1. El Ácaro Varroa Destructor . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1. Características biológicas del ácaro. . . . . . . . . . . . . . . . . . 16
2.1.2. Varroosis e impacto en las poblaciones de abejas . . . . . . . . . . 18
2.1.3. Comportamientos particulares del ácaro . . . . . . . . . . . . . . . 21
2.2. Procesamiento Digital de Video . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1. Métodos de detección y seguimientos de objetos mediante técnicas
de procesamiento de video . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2. Sistemas de detección de primer plano . . . . . . . . . . . . . . . . 29
2.2.3. Seguimientos de objetos . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.4. El software MatLab . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.5. Tipos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2.6. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . 53
2.2.7. Operaciones Morfológicas . . . . . . . . . . . . . . . . . . . . . . 55
2.2.8. Otras funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
VIII
3. MARCO METODOLÓGICO 61
3.1. Tipo de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2. Captura de Video . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3. Procesado de Imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.1. Determinación de técnicas para la detección y seguimiento de objetos 63
3.3.2. Implementación del procesado de video en una muestra . . . . . . . 64
3.3.3. Evaluación del algoritmo . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.4. Implementación de sistema inteligente . . . . . . . . . . . . . . . . 65
4. DISCUSIÓN Y ANÁLISIS 66
4.1. Obtención y Lectura de Video . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2. Zona Activa de Movimiento . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.1. Descripción del escenario inicial . . . . . . . . . . . . . . . . . . . 68
4.2.2. Detección de la Z.A.M . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3. Identificación del Ácaro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.4. Seguimiento del Ácaro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.5. Proceso de Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.6. Comentarios de Cierre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5. CONCLUSIONES Y SUGERENCIAS 94
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2. Sugerencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
IX
Índice de cuadros
Índice de figuras
Capítulo 1
INTRODUCCIÓN
A inicios del año 2009, la Universidad Nacional (UNA) estrechó lazos con la Univer-
sidad de Las Palmas de Gran Canaria (ULPGC). Lo anterior se logró con la formulación
dos por la Escuela de Matemática de la UNA con los avances en tratamiento de imáge-
detectó uno particularmente interesante. Esto dio origen al proyecto interinstitucional deno-
minado Detección, seguimiento y análisis del comportamiento del ácaro Varroa Destructor
El CINAT entre sus principales ocupaciones se encarga del estudio de parásitos de las
son capaces de fulminar toda una colmena de abejas y en casos menos severos, disminuir
para los productores. Científicos del CINAT estudian aspectos biológicos y del comporta-
miento del ácaro con el fin de colaborar con el tratamiento y contención de las infestaciones
Para estos fines, los científicos del CINAT, introducen un ácaro en una celda artificial
transparente con una larva y filman durante varios días toda la actividad que se lleva a cabo
2
CAPÍTULO 1. INTRODUCCIÓN 1.1. TEMA DE INVESTIGACIÓN
manual a partir de las secuencias de videos. El investigador debe observar y reportar los
El sistema inteligente que se propone implementar en este proyecto, será capaz de re-
portar los comportamientos particulares del ácaro de forma automatizada. Con esto, los
científicos de CINAT sólo necesitarán hacer correr un algoritmo que lea el video y reporte
en la sección anterior. En colaboración con los investigadores del CINAT se propone crear
un sistema automático que permita la detección y seguimiento del ácaro V. Destructor pre-
3
1.2. JUSTIFICACIÓN CAPÍTULO 1. INTRODUCCIÓN
sente en la celda de una larva de abeja melífera, en un ambiente controlado a través del
tos y descripción de particularidades. Más bien se constituye como el punto de partida para
1.2. Justificación
del saber.
La visión artificial es, quizás, una de las áreas donde la matemática aplicada ha teni-
automatizada información digitalizada del mundo físico. Esto trae consigo destacadas y
Sin embargo, hay muchos sectores que emplean esta tecnología para otros fines. Por
4
CAPÍTULO 1. INTRODUCCIÓN 1.2. JUSTIFICACIÓN
ejemplo, algunas empresas y comercios cuentan con sistemas que capturan y analizan imá-
genes que les permiten tener un registro de la hora de entrada y salida de sus trabajadores.
Otros sistemas utilizan imágenes capturadas en videos para realizar controles de calidad
& Remagnino, 2009), entre otros, se evidencia que con el paso del tiempo las aplicaciones
han evolucionado desde sistemas de detección simple hasta complejos sistemas de identi-
ficación, seguimiento y registro. Esto muestra que la visión artificial involucra disciplinas
como la medicina, interacciones con video juegos y el control del tránsito. Por tanto, son
debido a que se encuentra distribuido mundialmente. Sus efectos, afectan tanto a las abejas
adultas como a sus crías, y en algunas ocasiones causan la muerte. Schmidt, Carrillo &
Neira, (2005).
Las abejas melíferas africanizadas (Apis mellifera) son las abejas productoras de miel
del trópico americano, particularmente en Costa Rica, son las pioneras en el desarrollo de
la apicutura. Estas abejas son muy importantes para la producción de miel, propóleos y
5
1.2. JUSTIFICACIÓN CAPÍTULO 1. INTRODUCCIÓN
Tanto las abejas utilizadas para el desarrollo de la apiculturas, como la gran población
de abejas africanizadas silvestres propias de ecosistemas tropicales, son vitales para la po-
Sin duda, este es el principal valor e impacto asociado a estos insectos (Calderón, 2009).
Calderón (2009) enfatiza en que en la actualidad, a nivel mundial, hay una gran preocu-
pación por la pérdida masiva de las abejas que obedece a varias hipótesis que aún se están
tratando de demostrar y que tienen que ver con aspectos sanitarios (plagas y enfermeda-
otras.
de la pérdida masiva de abejas son muy preocupantes. Sin embargo, para la región tropical
nocivo del ácaro V. Destructor en sus poblaciones, por esta razón el CINAT cuenta con
laboratorios especializados donde se investigan alternativas para dar solución a esta proble-
mática.
celda de abejas obreras, donde se graban mediante una cámara de vídeo la interacción que
ácaro dedica una gran cantidad de horas al análisis de los videos, de los cuales se obtiene
6
CAPÍTULO 1. INTRODUCCIÓN 1.2. JUSTIFICACIÓN
temáticas (UNA), un proyecto con el objetivo crear un algoritmo, que permita describir y
Para lograr la creación del sistema inteligente se debe cumplir una serie de fases, una
En relación con lo anterior, este proyecto de graduación es considerado una fase pre-
Matemáticas (UNA).
sería una herramienta fundamental para optimizar el tiempo y los recursos empleados para
obtener los registros del comportamiento del ácaro en mención. De esta manera, sería más
ágil formular criterios adecuados para interpretar dicha información y desarrollar nuevas
Teniendo en cuenta lo expuesto anteriormente, se considera que el uso del sistema ayu-
7
1.3. OBJETIVOS CAPÍTULO 1. INTRODUCCIÓN
Por otra parte, este tipo de estudios ilustran la utilización de herramientas matemáticas e
profesional.
1.3. Objetivos
Generar un algoritmo que permita detectar y dar seguimiento al movimiento del ácaro
Varroa Destructor en celdas de abejas melíferas a partir del método de sustracción dinámica
1. Generar un algoritmo que permita identificar el ácaro Varroa Destructor en una se-
2. Generar un algoritmo que permita el seguimiento del movimiento del ácaro Varroa
8
CAPÍTULO 1. INTRODUCCIÓN 1.4. ESTADO DEL ARTE
Destructor.
área de investigación muy activa en distintas aristas científicas, ver (Bayona,2009 ; Faytong
Sus campos de acción, desarrollo y proyección abarcan desde situaciones simples y co-
tidianas hasta sistemas de alta complejidad. En los primeros pueden ubicarse el conteo de
nales, y en los sistemas complejos aquellos que realizan reconocimiento facial o dactilar y
sin embargo esta tarea sería lenta e infructuosa sin un robusto sistema. Carmona, Martinez
- Cantos & Mira,(2006), argumentan, además, que los sistemas inteligentes proporcionan
9
1.4. ESTADO DEL ARTE CAPÍTULO 1. INTRODUCCIÓN
extracción automática de información del mundo físico a partir de imágenes y videos (ver
Bayona, 2009).
gital de información a partir de sistemas automáticos. Es decir, por un lado las tecnologías
digitales evolucionan para capturar de manera más fiel información en formatos de imáge-
nes y, de la mano, han surgido investigaciones novedosas sobre algoritmos que agilizan la
señales (fotografías, video, sonido). Existen referencias sobre sistemas que permiten detec-
sonidos emitidos por la garganta, conteo de objetos (por ejemplo, vehículos que utilizan
una determinada red vial), sistemas de clasificación mediante fotografías, entre otras muy
en este documento.
10
CAPÍTULO 1. INTRODUCCIÓN 1.4. ESTADO DEL ARTE
Los resultados obtenidos en ambas investigaciones son alentadores comparados con los
ra que las condiciones podrían ser más favorables si se hubiese dispuesto de mayor y mejor
equipo para complementar el sistema de vigilancia del aeropuerto. A pesar de las limita-
muy buenos, sobre todo cuando la grabación fue de buena resolución, esto depende entre
En esa misma línea González (2009) propone un sistema de vigilancia para la detección
imágenes. Es importante señalar que el autor es enfático en dictar que los sistemas inte-
ligentes de seguridad han tenido mucho auge en los últimos años pero que suelen estar
supervisados por las empresas de seguridad que los ofrecen y esto provoca un encareci-
González (2009) menciona que los algoritmos desarrollados hasta el momento aún pre-
sentan algunos aspectos que se deben mejorar. Destaca problemas típicos como el ruido
en las imágenes, las variantes espontáneas en el entorno, como sombras o cambios de ilu-
minación y los movimientos naturales por la acción del viento, entre otros. El principal
11
1.4. ESTADO DEL ARTE CAPÍTULO 1. INTRODUCCIÓN
para aquello que se desea proteger en el que se minimiza el número de errores presentado
y primer plano que permiten detecciones con gran fiabilidad, disminución considerable del
de los objetos en dos instantes sucesivos. Como conclusión puede mencionarse que el pro-
yecto no sólo obtuvo los objetivos propuestos, sino que también impulsó otros resultados
de la seguridad, sino en todas aquellas áreas en las que se requieran y en donde se pueda
aplicar los conocimientos actuales del campo de la visión artificial. Por ejemplo, Vázquez
et al. (2009) con fines didácticos realizaron un estudio sobre la fusión de dos algoritmos
ción y la umbralización es menos afectada por el ruido, cuando estos actúan fusionados.
En otra investigación, Rodríguez (2003) hace uso de los filtros de Kalman para la de-
cipales resultados conseguidos han sido la aplicación del filtro a secuencias de imágenes
12
CAPÍTULO 1. INTRODUCCIÓN 1.4. ESTADO DEL ARTE
con más de un objeto y el control del seguimiento bajo situaciones de obstrucción. También
Algunos autores han hecho clasificaciones de estos métodos según la naturaleza del al-
goritmo que los fundamenta. Uno de los métodos más populares es denominado método
de background (método de fondos), sin embargo, una vez más, la eliminación del ruido
pero que, al tener que decidir a priori los parámetros morfológicos, no siempre está garan-
Carmona et al. (2006) proponen una nueva aproximación basada en el método de subs-
Desde un punto de vista más teórico, Mateu (2009) crea un proyecto cuyo propósito
es presentar algunas de las técnicas que se utilizan para detectar objetos de primer plano
en una secuencia video. En este estudio se realizó un análisis comparativo entre las diver-
sas técnicas de uso popular, tomando como consideración las ventajas y desventajas que
Los métodos de detección de objetos en primer plano, referidos por Mateu (2009), se
13
1.4. ESTADO DEL ARTE CAPÍTULO 1. INTRODUCCIÓN
dividen en dos grupos: modelado de fondo a nivel de píxel y modelado global de fondos.
En el primero se encuentran los métodos de detección de primer plano clásicos tales como
Running Gaussian Avarage, Stauffer y Grimson (también conocido como Múltiples Gaus-
sianas), Histogramas y Kernel Desity Estimation (KDE) y al segundo grupo pertenecen los
métodos de detección de primer plano con regularidad espacial como Inclusión de Infor-
mación Espacial en el modelo KDE y Estimación Bayesiana mediante dos o más modelos.
rrección de sombras, entre los estudiados por Mateu (2009) están: Método de luminancia
Mateu (2009) señala que dentro de los métodos clásicos se comprobó que el uso del
estimador de primer plano basado en KDE permite obtener resultados semejantes a los que
se obtienen con Stauffer y Grimson, por lo concluye que es un buen detector de objetos
dos detectores de primer plano basados en KDE, estos permitieron corregir algunas falsas
detecciones que se obtienen cuando se trabajan con KDE o bien con Stauffer & Grimson.
Con respecto a los métodos de corrección de sombras, Mateu (2009) determinó que el
método que generó mejores resultados es el método híbrido, el cual es capaz de corregir
una gran cantidad de falsas detecciones asociadas a las sombreas (de forma parcial) sin
14
CAPÍTULO 1. INTRODUCCIÓN 1.4. ESTADO DEL ARTE
Es importante acotar que los avances más significativos y novedosos han surgido en
15
16
Capítulo 2
MARCO TEÓRICO
Para la adecuada comprensión de las variantes teóricas que sustentan esta investiga-
ción se presenta una ubicación descriptiva de las características biológicas del ácaro V.
Destructor y las consecuencias que acarrea la infestación con éste. Se introducen las no-
gunas modificaciones. Según Llorente (1990), se clasifica dentro del tipo Artropoda, clase
CAPÍTULO 2. MARCO TEÓRICO 2.1. EL ÁCARO VARROA DESTRUCTOR
Este tipo de ácaro tiene diferencias morfológicas importantes según el sexo del indi-
viduo. Las hembras adultas tienen un color rojizo oscuro, poseen un caparazón plano en
forma ovalada con dimensiones cercanas a 1mm × 2mm, por lo que pueden observarse a
simple vista. El macho es de mucho menor tamaño y se ha estudiado poco sobre él pues se
cree que muere en el momento que la abeja joven abandona su celda y se ha determinado
cuatro pares de patas. En las hembras adultas del ácaro, según Llorente (1990), puede
17
2.1. EL ÁCARO VARROA DESTRUCTOR CAPÍTULO 2. MARCO TEÓRICO
aparato reproductor en la cara ventral de su caparazón. Para una descripción más detallada
Calderón & Zamora (2004) definen la varroosis como una parasitosis externa causada
por el ácaro V. Destructor y coinciden con otros autores (Colin et al., 1999, Oraganiza-
ción Mundial de Sanidad Animal (OIE), 2004 y Llorente, 1990) sobre la gravedad de esta
El ácaro V. Destructor se inserta en las placas abdominales (en ocasiones también in-
fecta el tórax y la cabeza) de la abeja adulta para succionar su hemolinfa, sin embargo se
Los expertos ubican el ácaro como parásito de la cría, pues la hembra adulta el áca-
la celda donde se encuentra una cría (prefieren las crías de los zánganos pero en ocasio-
nes invaden también las celdas de las obreras) y es allí donde se produce los efectos más
nocivos.
En los artículos de Calderón & Zamora (2004) y de la OIE (2004), se describe con
detalle el proceso de infestación que ocurre desde la invasión de la hembra adulta de ácaro
fecundada en la celda de una cría de unos 5 días de edad, hasta el surgimiento de una abeja
18
CAPÍTULO 2. MARCO TEÓRICO 2.1. EL ÁCARO VARROA DESTRUCTOR
La hembra del ácaro deposita alrededor de 7 huevos en la celda, de los cuales, después
continuar el ciclo cuando la celda sea abierta por la abeja joven. Un dato interesante es
que solamente una o dos hembras alcanzan la madurez necesaria para aparearse e iniciar la
invasión a otra celda, sin embargo las lesiones que causan a la cría son un factor importante
Calderón & Zamora (2004), OIE (2004) y Colin et al. (1999) concuerdan en que el daño
Dado que los ácaros en la celda sellada de la cría se alimentan de su hemolinfa, se pro-
nicos.(p. 12)
Las heridas causadas por el ácaro propician la transmisión de agentes infecciosos. Es-
te daño de tipo infeccioso es considerado como uno de los problemas más importantes
cipalmente virus (DWV, KBV, cría sacciforme, celdas reales negras y APV, por ejemplo.)
19
2.1. EL ÁCARO VARROA DESTRUCTOR CAPÍTULO 2. MARCO TEÓRICO
retraso en la eclosión y una reducción de su vida productiva. En una colmena con infes-
tación débil las abejas tienen problemas con maniobras de vuelo y se reduce su promedio
muerte prematura.
Figura 2.2: Comparación de la morfología de una abeja adulta sana y otra afectada por
varroosis.
El impacto del ácaro es tal que las condiciones antes expuestas se traducen en disminu-
Es preciso tener en cuenta que la presencia de varroosis en una colonia puede tener
consecuencias nefastas, no solamente por esta parasitosis, sino también por su ac-
ción vectorial para ciertos agentes patógenos, que incrementan su virulencia cuando
20
CAPÍTULO 2. MARCO TEÓRICO 2.1. EL ÁCARO VARROA DESTRUCTOR
Hasta este momento se han presentado las principales características de biológicas del
una infestación de este ácaro pues las secuelas pueden llegar a ser devastadoras.
tonces, la necesidad de estudiar los comportamientos del ácaro en sus acciones más vitales:
La reproducción del ácaro ha sido estudiada con detalle en Calderón & Zamora (2007)
donde se presenta un análisis comparativo según la infestación, ya sea que ésta se presen-
te en celdas de zánganos u obreras. Entre los señalamientos más importantes se tiene que
“mite fertility was similar between worker and drone brood. Nevertheless, a significant dif-
ference in the number of foundress mites producing viable female offspring and immature
offspring was found, being drone brood more suitable for mite reproduction” (p. 31).
Por ejemplo, se evidencia que el número de huevos y hembras fértiles es mayor en éstos
que en las celdas de obreras (Calderón & Zamora, 2007) y se presenta la posibilidad de
propiciar una mayor incubación en abejas obreras para reducir el potencial reproductivo
del ácaro.
21
2.1. EL ÁCARO VARROA DESTRUCTOR CAPÍTULO 2. MARCO TEÓRICO
abeja. Ya se ha discutido que la succión de hemolinfa que realiza el ácaro para alimen-
tarse, debilita la abeja, y puede tener consecuencias como la deformación de las alas y el
abdomen de la abeja joven. Erickson (1996) describe como la defecación del ácaro puede
interpretarse como un indicador de la presencia activa de éste y hasta como parámetro para
Erickson(1996) señala que las acumulaciones fecales (FA) de este ácaro aparecen como
masas amorfas de color blanco visibles sin tener que utilizar algún instrumento. A diferen-
simple.
Erickson (1996) señala que “analyses have demonstrated a moderate level of correla-
tion between the number of cells with FA and the number of mite per ether roll sample or
on sticky boards” (p.64). Este resultado es el que permite afirmar que es posible estimar el
FA can be used to diagnose varroa infestations at virtually all levels of mite popu-
lation development, and also to determine the treatment. With experience one can
22
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Even so, the use of FA as a varroa diagnostic is superior to other methods except un-
capping because it is more likely to pinpoint the severity of infestation during these
periods of intensive brood rearing. (...) Moreover, the beekeeper can quickly diag-
nose varroosis at the same time that s/he is inspecting combs for brood condition
portamiento del ácaro, se muestran en detalle algunos métodos utilizados para el procesa-
miento digital de video. Desde una perspectiva más descriptiva que analítica se presentan
El primer paso en la comprensión del procesado digital de video es sin duda lograr in-
terpretar como lee la computadora una imagen. Este hecho es importante pues además de
proporcionar una base conceptual sobre imagen digital, pone de manifiesto una caracterís-
23
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
Una imagen digital es una función f (x, y) que puede ser discretizada en sus coor-
denadas espaciales y brillo. Por tanto, es una matriz cuyos índices identifican un
En otras palabras puede pensarse una imagen como una matriz, cuyas dimensiones
dependen del tamaño de la imagen, en la cual las entradas son ponderaciones que asignan
la intensidad del color en cada punto. Como se ilustra en la figura 2.3 en MatLab una
forma en como se asigna el color a cada punto (o píxel) respectivo de la matriz imagen.
24
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Gil, Torres & Ortiz, F. (2004) señalan el espacio de color RGB (rojo (R), verde (G)
y azul (B))como el más utilizado por las cámaras de video y fotográficas y enfatizan en
El espacio de color RGB asigna el color a cada punto como una mezcla de intensidad
de tres colores primarios . La intensidad del color en cada píxel varía entre 0 y 255, de
modo que el blanco por ejemplo tiene asignado R = 255, G = 255 y B = 255 mientras
que el negro es R = 0, G = 0 y B = 0.
donde los píxeles están ordenados rectangularmente y además cada uno tiene asignada una
tripleta RGB que determina el color asignado a partir de la intensidad de los primarios.
La ponderación utilizada por el espacio de color RGB puede interpretarse como tres
gen. En ellas se determina la intensidad de colores rojo, verde y azul. (véase figura 2.4).
Con base en esta representación de imagen como hipermatriz, debe entenderse proce-
resaltar alguna característica, seleccionar regiones, eliminar ruido, detectar o seguir objetos
Cuando el procesado se refiere a video el asunto se torna más interesante, aunque con
25
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
ble tiempo. Una secuencia de imágenes vendrá representada por la función f (x, y, t)
Con esta definición se podría decir que un video está compuesto de imágenes (también
la posición en un vector. Es decir el primer frame es una hipermatriz con todas las carac-
terísticas antes mencionadas, le sigue otra matriz con iguales dimensiones en las que los
valores de algunos píxeles hayan cambiado (podría suceder que la mayoría o la totalidad
26
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
a muchos campos; tales como los videos de seguridad, en interacciones entre el hombre y
tadora puede ser realizada a partir de un video captado por una cámara estática o bien una
cámara móvil de video. La mayoría de los algoritmos creados para estos fines, están ba-
sados en distribuciones estadísticas de color estimadas para cada píxel y son denominados
Existen, además, otras técnicas que incorporan información espacial del píxel con el
27
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
fin de desarrollar un algoritmo más eficaz. Sin embargo, en cualquier caso, se evidencia
Mateu (2009) establece una serie de parámetros que garantizan la robustez del sistema
1. Modelo de fondo actualizable. El modelo de fondo utilizado para detectar los ob-
jetos debe poder evolucionar junto con la secuencia, con el fin de adaptarse a los
tas. La estimación de la distribución estadística del fondo tiene como objetivo cal-
cular la probabilidad de que una nueva muestra pertenezca a este modelo, por tanto
entre primer plano y fondo. Este objetivo puede lograrse también con la inclusión de
erróneamente sombras de objetos o brillo. Esto sucede porque los métodos se funda-
28
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Según Mateu (2009), los sistemas de detección de objetos de primer plano, esencial-
mente, siguen la misma estructura. Como inicio se crea el modelo de fondo, en el cual
está ausente el objeto a detectar. El objetivo de este primer estadio es propiciar la correcta
Es importante destacar que, en esta primera etapa, no se pretende detectar objetos, más
bien se tiene el objetivo único de construir el modelo que posteriormente será usado para
realizar dicha acción. Durante este proceso todo valor será considerado siempre fondo. Esta
secuencia de trabajo según la metodología propia del sistema utilizado. Finalmente, todos
los píxeles que hayan sido asignados al fondo se incluirán en el correspondiente modelo de
Existen dos familias de estimadores: los paramétricos y los no paramétricos. Los prime-
ros sólo pueden usarse en el caso de que la función de densidad de probabilidad a estimar
otras de uso extendido), es decir, todo estimador paramétrico sólo es válido para una cierta
forma que tome la función de densidad de probabilidad (también conocida como pdf (en
Mateu (2009) hace un estudio completo de cada uno de estos estimadores con una
29
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
presenta un resumen de cada estimador, así como los métodos de detección y seguimiento.
Stauffer y Grimson(S y G)
Según Mateu (2009) Running Gaussian Average es una de las primeras técnicas surgi-
das con el fin de detectar objetos de primer plano en una secuencia de vídeo. Wren (1997)
citado por Mateu (2009), propone modelar el fondo de cada píxel mediante una función
De este modo, para estimar la función de densidad de probabilidad del modelo a par-
tir de las muestras obtenidas durante el periodo de entrenamiento, basta con calcular los
Para ello, se trabaja con cada uno de los canales de color (R, G, B), que pueden con-
30
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
píxel en cuestión se puede obtener como producto de las pdf marginales. Éstas se ob-
tiene de la estimación por separado de cada uno de los canales mencionados, esto es,
De este modo, a partir de los N valores observados en cada uno de los tres canales de
a todos ellos.
Con la estimación de la pdf del fondo de cada uno de los píxeles se tiene un parámetro
siguiente criterio:
| x − µ |> kσ =⇒ f oreground
Resto =⇒ background
donde k es una constante que puede tomar valores entre 3 y 5 para que puedan ser
µt = ρxt + (1 − ρ)µt−1
31
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
cual determina la velocidad con la que se actualiza el modelo en cada imagen (valor usual
de ρ = 0,01). Se aclara que la actualización sólo debe hacerse si el píxel pertenece al fondo
(Mateu, 2009).
método de Running Gaussian Average, puesto que utiliza hasta K Gaussianas por canal de
color para estimar la pdf del modelo de cada píxel. Surge con la finalidad de mejorar la
como por ejemplo el movimiento de objetos originados por el viento (Mateu, 2009).
Stauffer-Grimson (1999) citados por Mateu (2009), proponen este método para detectar
objetos de primer plano, mediante la suma ponderada de funciones Gaussianas por canal y
pixel, mediante:
k
X
f (z) = ωi G(z, µi , σi )
i=1
modelo, G representa cada una de las Gaussianas utilizadas, ωi son las ponderaciones que
tiene cada una de las curvas, µi y σi son los parámetros estadísticos de cada distribución y
32
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Las Gaussianas representan tanto el fondo como el primer plano y deciden a partir
plano. De esta forma será posible introducir los objetos de primer plano en el modelo de
a fondo.
Cada píxel (i, j) de la imagen se modela como una combinación de distribuciones Gaus-
sianas a partir de los factores de ponderación ωi,t que se modifican iterativamente en fun-
ción de las veces que se da el valor que recoge, formando así el modelo probabilístico del
píxel.
ωi,t
ωi,t = Pk
j=1 ωj,t
K
X
ωi,t = 1
i=1
Para la clasificación de un píxel como primer plano o fondo, se considera que el fondo
queda modelado por las B distribuciones Gaussianas de mayor peso y menor varianza
33
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
b
!
X
B = argminb ωi,t > T
i=i
inecuación.
De este modo, las B primeras distribuciones Gaussianas serán las que modelarán la
función de densidad de probabilidad del fondo, puesto que normalmente es más estático
y aparece con más frecuencia, correspondiéndose con aquellas Gaussianas que han sido
Para comprobar si el valor del píxel de entrada encaja en alguna distribución Gaussiana
tanto:
1. Si la inecuación se cumple para todas las Gaussianas, entonces se decide que el valor
xt pertenece al primer plano, puesto que no encaja con el modelo probabilístico del
píxel aprendido hasta el momento. En este caso, se generará una nueva Gaussiana con
peso.
34
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
2. Si la inecuación no se cumple para una Gaussiana, se supone que el valor encaja con
para más de una Gaussiana, se supondrá que la función que mejor representa al píxel
es la de menor varianza). En este caso, si el valor del píxel encaja con una de las B
con la que ha aparecido es lo suficientemente elevada como para que sea considerado
fondo.
nes:
que ha encajado):
µt = ρxt + (1 − ρ)µt−1
Actualización de los pesos (afecta a todas las distribuciones que conforman el mo-
delo):
fijo 0,005) y Mk,t es 1 para la función Gaussiana que ha encajado y 0 para las que no.
35
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
2.2.2.3. Histograma
variable aleatoria cuyo espacio muestral es discreto, los histogramas se basan en contar el
número de veces o la frecuencia con la que aparece cada uno de los valores de dicho espacio
muestral en las muestras que se tienen en cuenta para realizar la estimación (Mateu, 2009).
Con ello, cada vez que se requiera actualizar el histograma se incrementa en 1 el va-
lor que corresponda con la muestra utilizada, como si tratara de una concatenación de N
contadores independientes.
En el supuesto caso de que sea necesario utilizar un histograma para realizar la estima-
ción de una variable aleatoria continua (el espacio muestral está formado por un conjunto
el número de intervalos en los que dividir el espacio muestral y la longitud de los mismos,
posible valor o rango de valores, dando una idea de la probabilidad que tendrá asociada
cada uno. Los valores que más se hayan repetido entre las muestras tendrán asociada una
El histograma es válido para una pdf continua, sin embargo, se requieren muchas mues-
36
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Mateu (2009) establece que el (KDE) es un método no paramétrico que permite estimar
muestras.
minación se refiere a toda función integrable real definida no-negativa que cumple:
Z ∞
1. Área unitaria K(u)du = 1.
−∞
promediada de todas las funciones kernel centradas, es decir las K(x)(para cada una de
N −1
1 X N(x − xi )
f (x) =
N i=1 h
37
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
Según Mateu (2009), los sistemas basados en substracción de fondo tienen el riesgo de
detectar las sombras como parte del objeto, debido a la no correspondencia con el modelo
prácticas en las que se utiliza los modelos de procesados, puesto que distorsionan las ca-
Debido a que las sombras tienen las características del modelo de fondo, aunque con
ciertos tonos más oscuros, hay distintas técnicas que utilizan sistemas de pos-procesado,
con el fin de eliminar parcial o totalmente las falsas detecciones producidas por este fe-
nómeno. Algunos son algoritmos aplicados a la salida del sistema detector para corregir
la máscara obtenida, otros se basan en realizar una transformación a la entrada del mismo
Mateu (2009), señala tres principales algoritmos para la corrección de estas falsas de-
tecciones, los cuales son: Método de luminancia normalizada, Método híbrido y el Método
reflectancia. Sin embargo, para efectos de nuestra investigación, el ácaro ni ningún otro
elemento involucrado en la zona de estudio (celda) genera sombra, por lo que se ha consi-
38
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
espacial, con carácter didáctico, pues para el desarrollo del algoritmo de detección y segui-
miento del ácaro V. Destructor no se consideró ningún modelo de estos como tal.
Según Mateu (2009), todos los sistemas de detección de primer plano clásicos tienen en
común que están basados únicamente en la información de un píxel. Es decir, se trata cada
uno de los píxeles de la imagen como una variable aleatoria independiente, modelando para
cada uno de ellos su propio fondo en función de los valores acumulados. De modo que, una
vez obtenido el modelo, se procede a decidir si el respectivo valor del píxel en la nueva
modelo más complejo. Para ello, pretenden aprovechar la persistencia temporal de los ob-
jetos reales en la secuencia, es decir, que los objetos a detectar tienden a permanecer en la
Mittal & Paragios (sin año); Sheikh& Shah (sin año) citados por Mateu (2009), propo-
Teniendo claro que no existe ninguna relación entre la posición x e y que ocupa un píxel
en la secuencia con los canales de color observados, se podrá asumir también en este caso
39
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
la independencia de cada una de las componentes usadas. Por tanto, la función de densidad
de probabilidad del fondo que se pretende estimar será el resultado de multiplicar cada una
de sus marginales
pudiendo estimar cada una de ellas a partir de las muestras acumuladas. Finalmente, se
clasificará cada uno de los píxeles teniendo en cuenta la pdf de fondo obtenida.
Se detallarán dos de los métodos comunes en la detección de primer plano con regula-
ridad espacial.
Dada la necesidad de implementar una técnica de detección de primer plano que hicie-
ra una clasificación en función del entorno del píxel, surgió la idea de adaptar el algoritmo
KDE para que también incluyera información espacial (adelante, KDE 5D), pudiendo esti-
mar así una función de densidad de probabilidad del fondo de toda la imagen.
Para la estimación de la función de densidad, Mittal & Paragios (sin año); Sheikh,
& Shah (sin año ) citados por Mateu (2009); proponen que basta trabajar con muestras
El funcionamiento del sistema KDE 5D, como en todo sistema de detección de primer
40
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
consigue ahorrar espacio en memoria, puesto que el valor de las componentes x e y quedará
implícito según la posición donde se guarden los valores de color (Mateu, 2009).
Una vez acumulados los N fotogramas, se procederá a obtener el modelo de fondo me-
diante el estimador KDE, tratándose cada una de las componentes de forma independiente
a través de la expresión:
P −1 d
1 XY K(zj − ui,j )
f (z) =
N i=0 j=1 hj
donde P representa el número de muestras con las que se modela el fondo (las cuales
de primer plano. Para ello, es necesario calcular la probabilidad que el píxel pertenezca a
fondo teniéndose en cuenta también los valores anteriores de todo el entorno, por lo que:
lizándose un umbral de decisión como criterio clasificador entre fondo y primer plano (el
41
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
gen seleccionada entre las N acumuladas, en el sumando con índice i se puede sacar factor
Dado que, para cada píxel los valores ui , x(m, l) y ui , y(m, l) corresponden, respectiva-
mente, a m y l (la posición que ocupa el píxel en la imagen), cada una de las Gaussianas de
dominio se puede sustituir por las expresiones ωx (m, l) y ωy (m, l), puesto que no dependen
de la variable temporal i.
que distintos píxeles pertenezcan a fondo, donde cada una de ellas se calcula como en KDE
3D (para todos los píxeles) y donde las Gaussianas de dominio hacen el papel de factores
propio píxel que al resto, disminuyendo el peso proporcionalmente a la distancia que los
A pesar de que se tenga en cuenta el entorno del píxel, el peso asociado al mismo sea
mayor que el de cualquier otro píxel, teniendo a su vez mayor importancia los píxeles más
42
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
resto de los vecinos han sido asignados a primer plano correctamente, este sistema es capaz
de corregir la no detección del píxel en cuestión, sin necesidad de aplicar ninguna técnica
de algún agente externo sobre el fondo de la secuencia, como puede ser la acción del viento
o incluso la propia cámara. Por tanto, un modelado de fondo genérico (no centrado en el
píxel) puede aportar gran cantidad de mejoras en secuencias donde el fondo es dinámico.
Teniendo presente que cada una de las Gaussianas son función Kernel, el uso de estas
componentes de dominio no modifica el área de la pdf del modelo. Esto se debe a que la
suma de todos los valores del Kernel resulta uno, por lo que el resultado total será una
Por tanto, se suma de forma ponderada las distintas probabilidades obtenidas mediante
KDE 3D con el fin de asegurar una cierta regularidad espacial en el entorno del píxel. Como
consecuencia, el umbral de decisión en este caso coincide con el utilizado en KDE 3D.
Otra metodología es la que proponen Sheikh & Shah (sin año) citados por Mateu
(2009), la cual consiste en generar dos modelos para toda la imagen, uno para modelar
el fondo y otro para el primer plano y clasificar a partir de estos cada uno de los píxeles al
modelo adecuado.
En este algoritmo las muestras son de la forma z = (r, g, b, x, y), en dicha implemen-
43
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
tación se modela el fondo de la secuencia mediante una variante KDE con información
N
1 X
f (z|ψb ) = Kb (z − mi )
N i=1
A diferencia con el método anterior, se usa una variante para el modelo de los objetos
de primer plano, puesto que consiste en la suma de dos distribuciones estadísticas (Mateu,
2009).
1
Por un lado, una distribución uniforme representada mediante γ = ,
R·G·B·L·M
donde L es el número de columnas del fotograma, M el número de filas y (R,G,B) repre-
sentan los posibles valores de cada uno de los canales de color. Por otro lado, se tiene la
N
1−αX
f (z|ψf ) = αγ + Kp (z − mi )
N i=1
Esta combinación tiene por objetivo detectar y aprender de los objetos de primer plano.
Mientras la distribución uniforme pretende tener en cuenta todo valor de (R,G,B) para todo
píxel, con el fin de poder representar a todo objeto nuevo (detectar objetos nuevos), la
distribución KDE tiene como objetivo aprender de él y adaptar la pdf estimada para poder
44
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
y a que el modelo de primer plano tiene en cuenta todos los posibles valores de color por
De este modo, una vez asignado al modelo, éste se actualizará acumulando el valor
observado en el píxel (i, j) de dicho modelo, por lo que la probabilidad del mismo para
Una vez explicados los modelos, el criterio de decisión entre ambos consistirá en com-
f (z|ψb )
τ = − ln
f (z|ψf )
P P
P X
X f (z|ψb ) X
ln li + λ(li lj + (1 − li )(1 − lj ))
i=1
f (z|ψf ) i=1 j=1
positiva.
objetos de primer plano mediante la optimización de una función que depende de más de
45
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
un píxel, rompiéndose con la idea de que los píxeles son independientes. Esta optimización
Una variante de este algoritmo es cuando se utiliza varios modelos para los objetos de
primer plano, uno para cada uno de los objetos de primer plano y otro uniforme que permita
Estimación Bayesiana mediante varios modelos (Seguimiento), para mayor detalle puede
de especial interés en muy diversas áreas. Hanxuan, Feng, Liang & Zhan (2011), seña-
lan que “the use of visual tracking is pertinent in the tasks of motion-based recognition,
tion, etc.” (p. 3823). Además, se ha evidenciado un avance enorme en las propuestas de
como estabilidad en la forma del objeto y movimientos suaves a métodos capaces de resol-
aleatorios.
Hanxuan et al. (2011), señalan tres características que debe tener un sistema de segui-
46
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
2. la adaptabilidad del método de detección a los cambios que pueda sufrir el objeto
3. una condición deseable es que el procesamiento sea en tiempo real y esto signifi-
ca que se debe contar con algoritmos de alto rendimiento así como de equipo que
según Hanxuan et al. (2011), una descripción detallada del objeto (forma, textura, posición,
Una adecuada descripción del objeto de interés permite establecer los parámetros más ade-
Además, es frecuente que el objeto se distinga de cierta forma del contexto en el que se
objeto.
Como se ha mencionado, la descripción inicial del objeto es una etapa crucial y está
información del contexto y establecer los criterios para la actualización del método. Para
47
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
Hanxuan et al. (2011) realizan una comparación exhaustiva entre las principales des-
criptores de características para el seguimiento visual de objetos y los alcances de los mé-
todos de seguimiento. Mencionan como los descriptores de uso más difundido las caracte-
enfoque) y esto solo puede ser manejado por algoritmos que se actualicen a estas modifi-
caciones.
Dada esta dualidad en los cambios en la apariencia de un objeto, Hanxuan et al. (2011),
describen dos tendencias que se han adoptado en los sistemas de seguimiento: los métodos
las nuevas formas del objeto. Los métodos discriminativos (llamados también tracking by
detection) se utilizan para distinguir el objeto del fondo del video por la actualización de
Esta última tendencia es de especial interés por adecuarse a los objetivos de esta pro-
puesta y por seguir un proceso similar al que se implementó en este trabajo. Al respecto,
48
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
a target object identified by the user in the first frame is described by a set of fea-
tures. A separate set of features describes the background, and a binary classifies
ges, the classifies is updated incrementally over time. Motion constraints restrict the
autores argumentan que una combinación en un marco coherente de los méritos de los
con un lenguaje de programación propio (lenguaje M) y que está disponible para las plata-
MatLab fue creado por The MathWorks en 1984, surgiendo la primera versión con la
idea de emplear paquetes de subrutinas escritas en Fortran en los cursos de álgebra lineal
en ambientes académicos y científicos. Al respecto, Gómez (2009) señala que “en el año
49
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
2004 , se estimaba que MatLab era empleado por más de un millón de personas en ámbitos
Rodríguez (2003) y Gómez (2009) señalan que entre las principales prestaciones de
MatLab destacan:
a La manipulación de matrices.
re.
proyecto.
Con las palabras de Rodríguez (2003) MatLab es sin duda “una magnífica herramien-
ta de alto nivel para desarrollar aplicaciones técnicas, fácil de utilizar y que aumenta la
estos.
50
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
A = imread{’nombre_del_archivo’}
Una vez cargada una imagen a escala de grises en una variable A, se podría utilizar la
función size para determinar las dimensiones de misma. La sintaxis en este caso sería
Para indexar las coordenadas de la imagen se utilizan números enteros. Sin embargo, los
valores de los píxeles no se encuentran restringidos esta condición, pueden tener cualquier
valor en el intervalo [0, 255] e incluso números complejos (en el caso de Transformadas de
Fourier).
Todos los cálculos numéricos desempeñados por MatLab se realizan considerando que
los números son del tipo double (esto es números en formato coma flotante en el inter-
51
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
valo [0, 1] ), por lo que muchas de las operaciones consideradas en el algoritmo tiene este
formato.
El tipo de dato uint8 (entero en el intervalo [0, 255]) se presenta cuando se carga una
imagen al ambiente de MatLab por del comando imread. Otro tipo de dato que puede
Una imagen a escala de grises es una matriz cuyos valores han sido escalados para re-
presentar un determinado número de intervalos. MatLab permite hacer conversiones del ti-
De esta forma, el tipo de dato atribuido a la matriz de A será convertido al tipo de dato de-
partir de este, las operaciones necesarias para convertirla al intervalo de valores definidos
en uint8.
A de dimensión 2 × 2.
A = [−0,265 0,845 1 0]
MatLab genera:
A =
-0.26 0.84
1.00 0
52
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
B =
0 215
255 0
Note que al menor valor de A se le asigna un 0 y al mayor un 255 estos valores corres-
Con frecuencia es necesario realizar operaciones que engloben la totalidad de los ele-
mentos de la imagen, por ejemplo encontrar el píxel de valor máximo o mínimo represen-
ans =
47 18 33
global de la matriz B.
ans =
47
53
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
Las estructuras de control se basan en una serie de condiciones lógicas que permiten
cambiar el flujo de las operaciones en un programa, tales estructuras no son únicas de pro-
grama MatLab, más bien son consideran con la raíz de cualquier lenguaje de programación.
Estructura Descripción
continue Pasa del control al siguiente ciclo for saltando las instrucciones
switch ... case Ejecuta diferentes grupos de instrucciones dependiendo del valor de
54
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Estas operaciones toman como entrada una imagen binaria regresando como resultado una
imagen también binaria. El valor de cada píxel de la imagen binaria obtenida por una ope-
Pérez. 2010).
55
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
La expresión anterior muestra que para cada punto (x′ , y ′) de la imagen, el resultado
de la aplicación de esta operación morfológica está compuesto por los puntos (x′ , y ′) para
los cuales todos los posibles valores (x′ + i, y ′ + j) que se encuentran en I. (Cuevas et al.,
2010).
En MatLab las funciones utilizadas para realizar estas dos operaciones morfológicas
Cuevas et al. (2010) señalan que las operaciones de dilatación y erosión no pueden
56
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
mismo aplica en sentido inverso. Sin embargo, presenta una estrecha relación dual, ya que
una dilatación de los píxeles con valor de 1 de una imagen puede llevarse a cabo realizando
una erosión del fondo o de los píxeles en cero. Para efectos del algoritmo que se desarrollar
find Esta función devuelve los índices donde las entradas de una matriz A son distintas
de cero.
57
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
imfill Esta función rellena huecos en una imagen. La figura 2.8 muestra la aplicación
de esta función
binaria, lo que puede considerarse una forma de averiguar cuántos elementos (considerando
de esta función.
es
58
CAPÍTULO 2. MARCO TEÓRICO 2.2. PROCESAMIENTO DIGITAL DE VIDEO
Su sintaxis es
[Y,i]=sort(X)
mean es una función que devuelve el valor medio de los elementos de un vector X.
al aplicar dicho umbral se genera una imagen Y en blanco y negro según los valores de la
59
2.2. PROCESAMIENTO DIGITAL DE VIDEO CAPÍTULO 2. MARCO TEÓRICO
60
61
Capítulo 3
MARCO METODOLÓGICO
que permita la detección y seguimiento del ácaro V. Destructor, en poco tiempo y con
alta eficiencia, esta investigación tuvo como pilar principal los ensayos, evaluaciones y
independiente o variable estímulo, la cual puede hacer variar en la forma que sea
algoritmo (esto involucra desde la elección de las técnicas más adecuadas según lo obje-
del algoritmo (desde varias aristas: eficiencia, uso de memoria, precisión, valoración de un
biólogo especialista) y una etapa final que consistió en la automatización del proceso para
Para esta etapa inicial se contó con la colaboración del CINAT pues biológicamente es
Los videos corresponden a varios días de filmación y por costumbre de los expertos del
Es importante señalar que esta forma de grabación (3 frames por segundo) dificultó el
trabajo de procesado pues los videos no son de la mejor calidad y resolución, sin embrago es
una ventaja enorme para hacerlos registro del comportamiento del ácaro de forma manual
Para que el video pudiese ser trabajado en MatLab es necesario que este tenga un for-
mato específico. Por tanto, la etapa siguiente fue la conversión del video original a formato
62
CAPÍTULO 3. MARCO METODOLÓGICO 3.3. PROCESADO DE IMÁGENES
.avi y la toma de una muestra de pocos segundos en las que se hicieron las pruebas de los
algoritmos que se crearon. Para lograr superar esta etapa se utilizó software libre disponible
en Internet.
Es la etapa de mayor trabajo pues incluye desde la selección de los métodos más ade-
cuados para la resolución del problema que nos ocupa, la implementación, análisis, correc-
ción, hasta la evaluación de los resultados obtenidos por el algoritmo. Como sub etapas se
enumeran:
objetos
63
3.3. PROCESADO DE IMÁGENES CAPÍTULO 3. MARCO METODOLÓGICO
creación del algoritmo para el problema particular de detectar y seguir el ácaro. Con la
versión previa se hicieron implementaciones en una porción del video de algunos segundos,
con esto se tuvo una primera aproximación sobre la efectividad del algoritmo.
de alguno utilizado en un problema afín, lo que se hizo fue utilizar algunas ideas, cuyos
forma un algoritmo con matices innovadores y con completa afinidad al problema que nos
ocupa.
Aunque la evaluación del algoritmo está presente en todo el proceso, se establece como
una etapa, pues marca el avance hacia un estadio superior del proceso o establece el pun-
to donde se hace necesario echar la mirada atrás y revalorar el camino recorrido. Con la
implementación del algoritmo se determinó, en primera instancia, si éste cumplía con los
el algoritmo.
64
CAPÍTULO 3. MARCO METODOLÓGICO 3.3. PROCESADO DE IMÁGENES
Cuando el algoritmo fue considerado eficiente, robusto y acorde a las demandas traza-
para lograr la implementación en situaciones similares. Es decir, el sistema es tal que fun-
cione para cualquier video que el CINAT necesite detectar y seguir los movimientos del
65
66
Capítulo 4
DISCUSIÓN Y ANÁLISIS
ción natural del algoritmo y el análisis surgido por la superación de cada etapa. Se presenta
el proceso de obtención y lectura del video sobre el que se realizó el trabajo, las etapas de
ración del algoritmo para la detección y seguimiento del ácaro V. Destructor inició con la
tarea de obtener el video y poderlo implementar en MatLab. Esta fue una etapa lenta, en la
cual se debió echar mano de algunos software libres disponibles en la red e investigar sobre
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS4.1. OBTENCIÓN Y LECTURA DE VIDEO
El CINAT ponía a nuestra disposición dos videos en formato VHS en los que se regis-
traba la presencia del ácaro. Se decidió trabajar con estos videos principalmente por dos
de trabajo real. Ya se ha mencionado que los investigadores del CINAT dedican muchas
Los investigadores del CINAT se encargaron de la conversión del video a formato DVD
para poder ser leídos en las computadoras, sin embargo el software para tratamiento de
imágenes que se utilizaría no soporta este formato. Se debía entonces, convertir los videos
a formato .AVI y además hacer cortes para las pruebas preliminares del algoritmo y para la
etapa de validación.
La conversión a formato .AVI se realizó con el software libre Hamster Video Converter
disponible en Internet. Este programa, entre otras aplicaciones, permite hacer cortes de
MatLab pues estos debían estar en un formato .AVI descompresionado. Esto resultó ser un
problema importante pues lo común es que los convertidores generen videos comprimidos
que el video debía tener formato especial denominado RAW (código abierto denominado
Formato de Imagen sin Modificaciones que contiene la totalidad de los datos de la imagen,
67
4.2. ZONA ACTIVA DE MOVIMIENTO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
tal y como ha sido captada por el sensor digital de la cámara) y se logró la conversión de
Para esto fue necesaria la utilización de otro software libre llamado FFMPEG y la
En la anterior línea de comando corte.avi corresponde al nombre del archivo con formato
.AVI, obtenido de la conversión con Hamster Video Converter, por otra parte, Control.avi
es un archivo nuevo creado a partir de corte.avi pero con formato RAW. Con esto los videos
La información del video, como tamaños, velocidad de reproducción y otros datos im-
Con el video cargado y la información del mismo a mano, se procede con la primera
entre ellas. Hay componentes estáticas como el tapón, la celda y el código de video, así
68
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.2. ZONA ACTIVA DE MOVIMIENTO
La imagen en la figura 4.1 es cargada en MatLab como una hipermatriz I = (704, 480, 3).
Cada secuencia de video, por tanto, estará conformada por cientos de matrices de igual di-
mensiones.
Es importante señalar que uno de los principales problemas que enfrentó la elabora-
ción del algoritmo fue la calidad del vídeo. La resolución de la cámara utilizada no fue la
más adecuada, de hecho hay momentos que ni el investigador experto del CINAT puede
El tapón que se utiliza para sellar la celda y el ácaro son de color muy similar, esto
69
4.2. ZONA ACTIVA DE MOVIMIENTO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
Para la detección y seguimiento del ácaro hay zonas del video que no son útiles, por lo
tanto, se considerado como zona de trabajo aquella donde se presente movimiento, a esta
La obtención de la Z.A.M se puede considerar como la primera etapa del algoritmo y una
de las más interesantes desde el punto de vista del manejo de herramientas computacionales
y matemáticas.
niencia de la hipermatriz I. Con las dimensiones conocidas de I se hacen recortes por filas
y columnas (a lo largo y ancho) generando al final una nueva hipermatriz Z.A.M de menor
dimensión que I. En la Z.A.M se han excluido los numerales y la fecha, con esto se redu-
El tapón que se utiliza para sellar la celda y el ácaro son de color muy similar, esto
70
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.2. ZONA ACTIVA DE MOVIMIENTO
Dada esta situación se tomó la decisión de crear un algoritmo que realizara la detección
Para detectar movimiento se considera una sucesión definida por recurrencia a partir de
La figura 4.3 se presenta una secuencia con los frames originales y éstos con la aplica-
Note que de la posición k a la k+1 hubo un pequeño movimiento del ácaro, por tanto, la
zona descrita en blanco (zona de movimiento) se denota diferente en ambos casos, mientras
que de la posición k + 1 a la k + 2 el movimiento fue muy leve por lo que se registra menos
vídeo, esto hace que en ese sector haya mayor estabilidad de blanco.
71
4.2. ZONA ACTIVA DE MOVIMIENTO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
figura 4.4 se presenta el código y la zona del corte 1 donde hubo mayor movimiento.
Una vez determinada la Z.A.M lo que queda es pulir todas sus partes con el propósito
de encontrar el contorno de dicha zona, para ello se siguen una serie de procedimientos que
describimos en seguida.
Con el comando imfill se rellena la Z.A.M de tal forma que se generar zona compacta,
es decir, que no aparezcan puntos negros sobre la zona de blanco. Se decide señalar algunas
zonas sobre un mismo frame antes y después de aplicar el comando para ilustrar el efecto
que se genera, note como los puntos dispersos en la zona original desaparecen en la nueva
Una vez rellenada la Z.A.M se procede a suavizar el contorno, para ello se aplican opera-
72
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.2. ZONA ACTIVA DE MOVIMIENTO
es elemento estructural
Izam0 (es) aplicar elemento estructutar (es) sobre la matriz I de Z.A.M
Izamn = Izamn−1 (es) si 1 ≤ n ≤ 9
En este proceso es notorio el trabajo que genera la aplicación morfológica del elemento
73
4.2. ZONA ACTIVA DE MOVIMIENTO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
estructural (ver figura 4.6). Es de esperar que si se sigue aplicando esta operación de forma
que se desea, por lo que una iteración de nueve composiciones es suficiente para generar
rellenas huecos por si acaso se generan puntos no deseados dentro de la región de interés.
En la figura 4.7 se ha marcado con plechas las regiones que no tiene interés para la de-
tección del ácaro y con una estrella la región donde está el ácaro. Esta última es considerada
La idea es crear un mecanismo que descarte las regiones con flecha y considere sólo
la región con estrella, para esto hemos utilizado un etiquetador de regiones, el comando
74
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.2. ZONA ACTIVA DE MOVIMIENTO
Una vez aplicado el etiquetador se tienen todas las regiones de la Z.A.M identificadas,
con esto podemos eliminar las regiones que no interesan y quedarse únicamente con la zona
de movimiento del ácaro. La estrategia consistió en contar el número de etiquetas para cada
zona y elegir donde éste es mayor (esto equivale a la zona de mayor área.)
75
4.2. ZONA ACTIVA DE MOVIMIENTO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
das.
Con el propósito de ilustrar la Z.A.M sobre un frame del video original se decidió de-
terminar su contorno o frontera. Para esto se necesita conocer las coordenadas x, y de los
76
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.2. ZONA ACTIVA DE MOVIMIENTO
puntos que lo definen. El comando tt find generaría una serie de coordenadas rectangulares
Se sugiere detectar los puntos del contorno mediante coordenadas polares ubicando el polo
en el centro de masa de la región en blanco mostrada en la figura 4.8, de esta forma nos
garantizamos que cada punto del contorno esté ordenado mediante su componente angular.
Figura 4.9: Idea intuitiva de la transformación de puntos del contorno a coordenadas polares
dos, y con esto se genera el trazo del contorno de la Zona Activa de Movimiento.
En la figura 4.10 se presenta el código de los procesos descritos en la parte anterior, así
filtrado de ruido que podría interferir negativamente en el proceso de detección y por tanto
77
4.3. IDENTIFICACIÓN DEL ÁCARO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
Tomando como base el trabajo realizado anteriormente, se puede ahora realizar un aná-
1. Es necesario introducir una pequeña cantidad de frames donde se cuente con la pre-
le presenta al usuario una serie de frames con su respectivo número. El usuario los
78
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.3. IDENTIFICACIÓN DEL ÁCARO
2. Matlab le solicita al usuario que introduzca los frames seleccionados. Ver figura 4.12.
3. El procesado que se utiliza para definir el ácaro es similar al utilizado para identificar
79
4.3. IDENTIFICACIÓN DEL ÁCARO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
Con la implementación de los descriptores del ácaro se enrique la robustez del algoritmo
de interés para utilizarlo como elemento discriminador del ácaro respecto a otros objetos o
80
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.4. SEGUIMIENTO DEL ÁCARO
La primera tarea propuesta para esta etapa fue el resaltar el ácaro de todas las demás
formas que aparecen en la escena. El reto consistía en implementar una rutina que recono-
ciera qué partes de cada imagen corresponde al fondo de la escena, cuáles son cambios de
luz, la pupa, el tapón de la celda y las descartara, de ese modo lo que quedaría en la imagen
sería una buena alternativa, sin embargo la simple diferencia de un frame con el siguiente
rápidamente llevaría a matrices nulas que entorpecerían la detección del objeto de interés.
Para lograr el realce que se necesita y evitar en buena medida la generación de imá-
genes vacías se implementó la construcción de una hipermatriz fija determinada por una
asignación de pesos en los tres primeros frames, luego se definió un sucesión recurrente
que actualiza lo que sería el fondo de cada imagen y así por diferencia se ubicaría el ácaro.
que λ1 + λ2 + λ3 = 1, luego se definen las hipermatrices Fn−1 = [|fijk − 255|]n donde los
video. Es importante notar que las hipermatrices F −1 son opuestas a las hipermatrices F
81
4.4. SEGUIMIENTO DEL ÁCARO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
en el sentido que los colores cercanos a negro en F (entradas cercanas a 0) son cercanos a
Con esto se define la sucesión que determina la actualización del fondo del video
H1 = H
{Bn } =
Hn = µ1 Hn−1 + µ2 Fn−1 , n > 1
con µ1 , µ2 son pesos fijos asignados. Con la sucesión {An = |Fn−1 − Bn |} se destaca la
forma que corresponde al ácaro. En este momento sólo falta transformar las hipermatrices
An a hipermetrices en blanco y negro que llamaremos BNn (para esto se utiliza el comando
im2bw). La figura 4.15 muestra el efecto que tiene este proceso en algunos frames de uno
Un aspecto que no puede obviarse es el uso de umbrales en comandos como im2bw, esta
condición tiene pro y contras. Como contras podría citarse el hecho que requiere manipu-
lación y alguna experiencia para poder implementarlos de forma adecuada. Sin embargo,
los pro son más valiosos. Con la determinación del umbral adecuado para los objetivos
trazados en una imagen determinada los resultados son excelentes, además el umbral que
funcione para la totalidad de las imágenes que deben ser procesadas será uno cercano al
comando graythresh con un parámetro fijado por los investigadores. Los resultados se
82
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.4. SEGUIMIENTO DEL ÁCARO
se ideó implementar un proceso que combina la supresión de fondo por umbral con la
83
4.4. SEGUIMIENTO DEL ÁCARO CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
Es importante recalcar que la identificación por umbral se planteó como segunda posi-
bilidad de detección pues es común que se identifiquen sombras con colores similares al
alto. Por supuesto si la detección de Z.A.M logra aislar los objetos con luminosidad similar
Más en detalle, la idea consistió en identificar en negro las zonas que satisfacen las
También, se definió la hipermatriz Nn−1 = [|nijk − 1|]n con lo que se tiene la misma
identificación pero en blanco. La figura 4.16 muestra el efecto de este proceso en los mis-
redactó una rutina que crea dos conjuntos de datos: ND: las coordenadas de los puntos
BN ∩ B, calcula los baricentros de estos conjuntos y los pinta (si corresponde) de color
rojo.
no ser necesario, se debe evitar que B introduzca elementos que no son ácaro que se hayan
84
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.4. SEGUIMIENTO DEL ÁCARO
hay dos posibilidades: el ácaro no se esta moviendo o bien salió de escena (esto sería
ND = ∅ ).
La figura 4.17 ilustra los resultados BN y N de algunos de los frames trabajados en los
85
4.5. PROCESO DE VALIDACIÓN CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
figuras 4. 15 y 4. 16 y los correspondientes frames del video original con el punto rojo que
determina la detección (F D). Nótese que los frames donde la primera estrategia se perdía
de vìdeo independientes del corte utilizado para las pruebas preliminares del algoritmo.
La evaluación del algoritmo por juicio de expertos fue abordada desde dos perspectivas.
Por un lado, el trabajo de programación fue apoyado y avalado por el Dr. Carlos Travieso
86
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.5. PROCESO DE VALIDACIÓN
Figura 4.17: Detección de ácaro por medio de la combinación de eliminación de fondo por
matriz histórica y por umbral.
de Gran Canaria, España. Además, las etapas previas y el producto final se sometieron a la
aprobación del Dr. Rafael Ángel Calderón Fallas coordinador del Programa de Patología
87
4.5. PROCESO DE VALIDACIÓN CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
también se cumplieron las expectativas sobre lo que se considera relevante para estudios de
índole biológico.
para determinar frame a frame si la detección se considera adecuada o bien evidenciar erro-
notar que aunque en primera instancia siete videos parece ser una cantidad muy pequeña
Además, los cortes se realizaron con tiempos pequeños porque las computadoras que se
Corte1.avi 8 442
Corte2.avi 9 514
Corte3.avi 9 518
Corte4.avi 8 476
Corte5.avi 12 704
Corte6.avi 8 248
Corte7.avi 8 452
Total 58 3354
88
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.5. PROCESO DE VALIDACIÓN
La muestra se tomó de los videos originales proporcionados por el CINAT y sin seguir
Para el análisis estadístico se definieron las variables: AA: Área de ácaro, V A: Varia-
Las variables AA y V A son las salidas del algoritmo tratadas en la sección sobre los
Debe entenderse como parte de DI cualquier detección que haga el algoritmo de ob-
jetos que no son el ácaro e incluso las detecciones que se hagan en el contorno del objeto
una detección de contorno como correcta, los éxitos serían necesariamente mayores.
vista humana) pero el sistema no es capaz de detectarlo. La figura 4.19 muestra casos donde
89
4.5. PROCESO DE VALIDACIÓN CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
el ácaro apenas es perceptible por el ojo humano y el algoritmo no fue capaz de detectarlo.
resolución del video, esta hace que el color del ácaro no pueda apreciarse con claridad si
éste está en posición lateral o en ocasiones sin ningún motivo el color cambia en el video.
90
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.6. COMENTARIOS DE CIERRE
Nombre CF PD
Con los datos que se han presentado se tiene que el PEGA es de 93, 75 y haciendo
una estimación por intervalo se tiene que con una confianza del 95 % el porcentaje real de
Z.A.M, caracterizar el ácaro en las secuencias de imágenes, detectarlo y seguirlo han cum-
91
4.6. COMENTARIOS DE CIERRE CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS
plido las expectativas de muy buena forma. Según los datos mostrados la eficacia de la
detección y el seguimiento no es del 100 % y esto merece algunas líneas para aclarar cual-
Cuando un programador es contratado por una empresa para desarrollar algún software,
es la misma empresa la que especifica las demandas que debe satisfacer el producto final.
Claro, si el programa debe calcular inversiones de capital, llevar registros de ventas o invo-
lucra aplicaciones comunes la demanda es del 100 % de eficiencia, aún así estos programas
Nuestro caso particular es mucho más complejo. Para empezar no tiene nada de común,
Un usuario podría argumentar que sería más eficiente la detección por el ojo humano, se
Una secuencia de video como la utilizada corre 24 frames en un segundo, es decir el ojo
humano debería poder registrar y valorar la detección en 24 imágenes cada segundo. Ade-
más, para que el ojo humano detecte las fallas que se están considerando en este proyecto
Por otra parte, dada la revisión exhaustiva de cada frame que se realizó y el análisis de
las estrategias utilizadas se tiene claro cuáles son las causas de las detecciones incorrectas u
comportamientos atípicos del ácaro como mantenerse quieto por mucho tiempo y cercano
a la tapa. Además, se determinó que con calibraciones de los umbrales se pueden corregir
92
CAPÍTULO 4. DISCUSIÓN Y ANÁLISIS 4.6. COMENTARIOS DE CIERRE
esos errores, sin embargo, para los alcances de este proyecto se presentan los datos del
En síntesis, hay errores de detección en algunos frames pero se tienen identificados las
causas de estos y las estrategias de solución para esos frames particulares. En términos
93
94
Capítulo 5
CONCLUSIONES Y SUGERENCIAS
5.1. Conclusiones
por el CINAT no fue el más adecuado. Como consecuencia se tiene que la resolución del
video con el que se trabajó no fue la más conveniente y esto afectó la precisión en la
detección del ácaro. Además, capturar el video en formato VHS significó que la tarea de
conversión a un formato que soportara MatLab fue lenta, abonado al hecho que, en dicha
proceso son totalmente consecuentes con las propuestas recientes hechas por expertos en el
de la cámara, todos estos son ejemplos de estrategias novedosas que están presentes en el
invertido.
detección y seguimiento se establece como un norte prometedor para una amplia variedad
centro de masa para identificar y dar seguimiento al ácaro V. Destructor se tienen el registro
El logro con relación más directa con el área de formación de los investigadores es
95
5.1. CONCLUSIONES CAPÍTULO 5. CONCLUSIONES Y SUGERENCIAS
destacar que se hace referencia a conceptos matemáticos de alto nivel, es decir, las he-
rramientas utilizadas se ubican en áreas como álgebra lineal, cálculo, métodos numéricos,
Los estudios que involucran procesamiento de señales están en la palestra de las in-
vestigaciones científicas actuales, por lo que se insiste en presupuestar recursos, tanto eco-
nómicos como académicos, para la inclusión de estas líneas de investigación con carácter
para la cual se han evidenciado una amplia gama de problemáticas que pueden abordarse
Por último, sobre la eficiencia del algoritmo se concluye que la detección y seguimiento
del ácaro es realizada de manera muy satisfactoria. Las pruebas realizadas en 3354 frames
mostraron una efectividad de 93,75 %. Se recalca el hecho que se estableció una exigencia
alta al desempeño del algoritmo, por lo que si las demandas se relajan un poco la efectividad
96
CAPÍTULO 5. CONCLUSIONES Y SUGERENCIAS 5.2. SUGERENCIAS
sería mayor.
plaza a partir de la implementación de una matriz histórica que actualiza frame por frame
el fondo (background) del video. Además, se logró caracterizar el objeto ácaro con dos
validación del algoritmo. Con este apoyo se logró satisfacer los requerimientos desde el
5.2. Sugerencias
investigadores del CINAT, los encargados del proyecto institucional Detección, seguimiento
y análisis del comportamiento del ácaro varroa destructor mediante técnicas de procesado
tadas. Además, de ser posible pintar el ácaro o tapar la celda con algún material de color
97
5.2. SUGERENCIAS CAPÍTULO 5. CONCLUSIONES Y SUGERENCIAS
creación del sistema inteligente que describe y reporta los comportamientos particulares
del ácaro. Con este proyecto como referencia, se sugiere analizar las dificultades que hacen
Además, se considera que una estrategia con buenos alcances es la inclusión de los
campo de la matemática aplicada, con expertos tanto nacionales como internacionales, con
98
CAPÍTULO 5. CONCLUSIONES Y SUGERENCIAS 5.2. SUGERENCIAS
futuros tesiarios. Con esto, además del enriquecimiento académico de los tesiarios y la
proyección de la Escuela como ente constructor de conocimiento, se colabora con las ini-
ciativas para ofrecer posibilidades de graduación a muchos egresados que aún no satisfacen
Por otro lado, se insiste en la necesidad de incentivar la cooperación con otras unidades
interdisciplinarias.
señales. Es decir, si se está en un curso de Álgebra Lineal o Cálculo, incluir en las leccio-
nes o al menos comentar, la actual utilidad de ciertas herramientas para detectar, seguir y
personal docente. Con esta actividad se tendría un referente para la creación o trasferencias
99
5.2. SUGERENCIAS CAPÍTULO 5. CONCLUSIONES Y SUGERENCIAS
estrecharían los lazos de cooperación entre disciplinas diversas para ganancia en la com-
100
BIBLIOGRAFÍA
Bibliografía
Arredondo, M. (2005). Propuesta de un sistema de vigilancia utilizando la detección de
de http://biblioteca.usac.edu.gt/tesis/08/08_7037.pdf
España). Recuperado de
http://arantxa.ii.uam.es/~jms/pfcsteleco/lecturas/20090921AlvaroBayona.pdf
101
BIBLIOGRAFÍA
http://www.icfes.gov.co/cont/s_fom/pub/libros/ser_inv_soc/ modulo3.pdf
http://www.frav.es/pdf/2009/duquedeahumada2009.pdf
Calderón, R., Zamora, L, Van Veen, J. & Quesada, M. (2007). A comparison of the
drone brood of Africanizad bees (Apis mellifera) Exp Appl Acarol, 43, 25-32.
102
BIBLIOGRAFÍA
de humanos.
Mediterraneennes. 121-142.
Cuevas , E., Zaldivar, D. & Pérez, M. (2010). Procesamiento Digital de Imágenes con
Donzé, G., Fluir, P. & Imdorf, A. (2007). A look under the cap: The reproductive
behavior of Varroa in the capped brood of the honey bee. American Bee
field diagnostic for infestations of honey bee parasite. American Bee Journal.
103
BIBLIOGRAFÍA
http://www.cib.espol.edu.ec/Digipath/D_Tesis_PDF/D-38737.pdf
Gil, P., Torres, F. & Ortíz, F. (2004). Detección de objetos por segmentación
ifac.es/actividades/jornadas/XXV/documentos/19-abtsufilva.pdf
http://www.escet.urjc.es/~jjpantrigo/PFCs/pfc_efren.pdf
http://www.iit.upcomillas.es/pfc/resumenes/4a47be9c47d75.pdf
Hanxuan, Y., Ling, S., Feng, Z., Liang, W., & Zhan S. (2011). Recent advances and
http://www.mundoapicola.com/PDF/patologia/varroosis.pdf
104
BIBLIOGRAFÍA
Recuperado de
http://upcommons.upc.edu/pfc/bitstream/2099.1/7308/1/Projecte_finalv3.2.pdf
http://www.oie.int/ESP/normes/mmanual/pdf_es/2.9.05_Varroosis.pdf
Pardàs, M., Casas, J., Gasull, A., Marqués, F., Oliveras, A., Salembier, P., Sayrol, E.,
Chang, C., Co-mas, D., Ferran, C., Giró, X., Landabaso, J., León, M., Morros,
de http://www.landabaso.org/publications/avr-04-image-processing-group-
upc.pdf
Realpe, M., Vintimilla, B., Romero, D. & Remagnino, P. (2009). Análisis del
105
BIBLIOGRAFÍA
http://www.iiis.org/CDs2008/CD2009CSC/CISCI2009/PapersPdf/C629DZ.pd
España) Recuperado de
http://www.etsii.urjc.es/~asanz/documentos/MemoriaKalmanJun03.pdf
Vázquez, J., Mazo, M., Lázaro, J., Luna, C., Cabello, J., Ureña, J. & García, J. (2009).
uah.org/system/files/private/FUSION_DE_ALGORITMOS_PARA_DETECT
AR_OBJETOS_SAAEI_VAZQUEZ_04.pdf
106