Efecto de los filtros morfológicos en los procesos de detección de objetos en movimiento

Autores/as

  • Sergio Alexander Castro-Casadiego Universidad Francisco de Paula Santander
  • Karla Yohana Sánchez-Mojica Fundación de Estudios Superiores Comfanorte- Fesc
  • Karla Cecilia Puerto-López Universidad Francisco de Paula Santander
  • Carlos Vicente Niño-Rondón Universidad Francisco de Paula Santander
  • Byron Medina-Delgado Universidad Francisco de Paula Santander
  • Dinael Guevara-Ibarra Universidad Francisco de Paula Santander

Palabras clave:

ustracción de fondo, filtros morfológicos, detección de objetos, procesamiento de imagen.

Resumen

En los procesos de sustracción de fondo aplicado a la detección de objetos en movimiento, una de las etapas de mayor relevancia es la del filtrado por morfología, en donde se simplifica la imagen y se conservan la mayor parte de las características de forma de los objetos. Por ello, se realiza una comparativa entre las operaciones de dilatación, erosión, apertura, cierre y gradiente en imágenes de video con fondo estático, donde circulan personas en ambientes no controlados, con el objetivo de determinar su comportamiento en la detección y conteo de personas. El procesamiento de imagen se realiza en lenguaje Python y se utiliza el paquete especializado para visión por computadora OpenCV. Además, mediante Tkinter se desarrolló una interfaz gráfica de usuario con la que se ingresan los valores del tamaño y la forma del elemento estructural para el procesamiento. Al aplicar el filtrado morfológico por dilatación se obtuvo un acierto en las detecciones de 82.28 %, con la erosión el acierto fue de 81.86 %, mientras que, con las operaciones de apertura, cierre y gradiente el acierto fue de 83.69 %, 93.07 % y 87.69 % respectivamente.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

B. N. Krishna Sai and T. Sasikala, “Object Detection and Count of Objects in Image using Tensor Flow Object Detection API,” in Proceedings of the 2nd International Conference on Smart Systems and Inventive Technology, ICSSIT 2019, 2019, no. Icssit, pp. 542–546, doi: 10.1109/ICSSIT46314.2019.8987942

K. Mistry and A. Saluja, “An Introduction to OpenCV using Python with Ubuntu,” Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol., vol. 1, no. 2, pp. 65–68, 2016

C. Vicente Nino Rondon, S.A. Castro Casadiego, B.M. Delgado, D.G. Ibarra, and M.E. Posada Haddad, “Real-Time Detection and Clasification System of Biosecurity Elements Using Haar Cascade Classifier with Open Source,” in 2020 IX International Congress of Mechatronics Engineering and Automation (CIIMA), Nov. 2020, pp. 1–6, doi: 10.1109/CIIMA50553.2020.9290295

E.N. Kajabad and S.V. Ivanov, “People Detection and Finding Attractive Areas by the use of Movement Detection Analysis and Deep Learning Approach,” Procedia Comput. Sci., vol. 156, pp. 327–337, 2019, doi: 10.1016/j.procs.2019.08.209

C.V. Niño Rondón, S.A. Castro Casadiego, B. Medina Delgado, D. Guevara Ibarra, and L.L. Camargo Ariza, “Comparativa entre la técnica de umbralización binaria y el método de Otsu para la detección de personas,” Rev. UIS Ing., vol. 20, no. 2, pp. 65–73, 2021, doi: 10.18273/revuin.v20n2-2021006

J. Andrés, G. Pinzon, and L.E. Mendoza, “Adquisición Y Procesamiento De Señales Emg Para Controlar Movimiento De Un Brazo Hidraulico,” Mundo FESC, vol. 1, no. 7, pp. 49–60, 2014

D. Vera Mujica, N. Contreras Reyes, and J. Araujo Vargas, “Implementación de un brazo robótico con tratamiento digital de imágenes,” Mundo FESC, vol. 2, no. 12, pp. 20–25, 2016

F. Pineda Torres, “Técnicas de slam con filtros probabilísticos ; caracterización y resultados en robots móviles,” Mundo FESC, vol. 9, no. 18, pp. 7–15, 2019, [Online]. Available: https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/408

R.F. Pinto, C.D.B. Borges, A.M.A. Almeida, and I.C. Paula, “Static Hand Gesture Recognition Based on Convolutional Neural Networks,” J. Electr. Comput. Eng., vol. 2019, pp. 1–12, 2019, doi: 10.1155/2019/4167890

X. Zhang and F. Chen, “Lane Line Edge Detection Based on Improved Adaptive Canny Algorithm,” J. Phys. Conf. Ser., vol. 1549, no. 2, 2020, doi: 10.1088/1742-6596/1549/2/022131

P. Huamaní Navarrete, “Umbralización múltiple utilizando el método de Otsu para reconocer la luz roja en semáforos,” Scientia, vol. 17, no. 17, pp. 247–262, 2016, doi: 10.31381/scientia.v17i17.393

E.S. Gedraite and M. Hadad, “Investigation on the effect of a Gaussian Blur in image filtering and segmentation,” Proc. Elmar - Int. Symp. Electron. Mar., no. August, pp. 393–396, 2011

E. Ropero-silva, K. Sanchez-mojica, and S. Castro-casadiego, “Vulnerabilidad en la seguridad del internet de las cosas Vulnerability in the security of the internet of things,” vol. 10, no. 19, pp. 162–179, 2020

G. Sánchez-Torres and J.A. Taborda-Giraldo, “Estimación automática de la medida de ocupación de playas mediante procesamiento de imágenes digitales,” TecnoLógicas, vol. 17, no. 33, p. 21, 2014, doi: 10.22430/22565337.543

N. Sharmin and R. Brad, “Optimal filter estimation for Lucas-Kanade optical flow,” Sensors (Switzerland), vol. 12, no. 9, pp. 12694–12709, 2012, doi: 10.3390/s120912694

A. Sarmiento, I. Fondón, M. Velasco, A. Qaisar, and P. Aguilera, “Modelo de Mezcla de Gaussianas Generalizadas para Segmentación de Melanomas,” Congr. Anu. la Soc. Española Ing. Biomédica, no. November, 2014

P. Suárez and M. Villavicencio, “Detección de Contornos utilizando el Algoritmo Canny en Imágenes Cross-Espectrales Fusionadas,” Enfoque UTE, vol. 8, no. 1, p. 16, 2017, doi: 10.29019/enfoqueute.v8n1.127

S.Y. Ma, A. Khalil, H. Hajjdiab, and H. Eleuch, “Quantum dilation and erosion,” Appl. Sci., vol. 10, no. 11, pp. 1–13, 2020, doi: 10.3390/app10114040

A. Mehdizadeh, M.M. Disfani, R. Evans, A. Arulrajah, and D.E.L. Ong, “Application of image processing in internal erosion investigation,” ICSMGE 2017 - 19th Int. Conf. Soil Mech. Geotech. Eng., vol. 2017-Septe, no. September, pp. 2925–2928, 2017

C. Shan, B. Huang, and M. Li, “Binary Morphological Filtering of Dominant Scattering Area Residues for SAR Target Recognition,” Comput. Intell. Neurosci., vol. 2018, 2018, doi: 10.1155/2018/9680465

X. Wang, Q. Zhao, and J. Tan, “Improved Morphological Band-Pass Filtering Algorithm and Its Application in Circle Detection,” Math. Probl. Eng., vol. 2018, 2018, doi: 10.1155/2018/3765164

J.A.M. Saif, M.H. Hammad, and I.A.A. Alqubati, “Gradient Based Image Edge Detection,” Int. J. Eng. Technol., vol. 8, no. 3, pp. 153–156, 2016, doi: 10.7763/ijet.2016.v6.876

L. Dang, G. Tewolde, X. Zhang, and J. Kwon, “Reduced resolution lane detection algorithm,” 2017 IEEE AFRICON Sci. Technol. Innov. Africa, AFRICON 2017, pp. 1459–1464, 2017, doi: 10.1109/AFRCON.2017.8095697

L. Neumann and A. Vedaldi, “Tiny People Pose,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 11363 LNCS, pp. 558–574, 2019, doi: 10.1007/978-3-030-20893-6_35

J.D. Arias Hernández, A.F. Jiménez López, and H.O. Porras Castro, “Desarrollo de aplicaciones en python para el aprendizaje de física computacional,” Ing. Investig. y Desarro., vol. 16, no. 1, p. 72, 2016, doi: 10.19053/1900771x.5122

Descargas

Publicado

2021-01-01

Cómo citar

Castro-Casadiego, S. A., Sánchez-Mojica, K. Y., Puerto-López, K. C., Niño-Rondón, C. V., Medina-Delgado, B., & Guevara-Ibarra, D. (2021). Efecto de los filtros morfológicos en los procesos de detección de objetos en movimiento. Mundo FESC, 11(21), 87–95. Recuperado a partir de https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/676

Número

Sección

Artículo Originales

Artículos más leídos del mismo autor/a