ReI

Repositorio Institucional del ITESO

Detección visual de vehículos automotrices en ambientes reales

Manakin: DSpace XMLUI Project v2

Mostrar el registro sencillo del ítem

dc.contributor.author Méndez-Pelayo, Francisco J.
dc.date.accessioned 2018-01-29T23:21:28Z
dc.date.available 2019-01-30T09:45:09Z
dc.date.issued 2018-01
dc.identifier.citation Méndez-Pelayo, F. J. (2018). Detección visual de vehículos automotrices en ambientes reales. Trabajo de obtención de grado, Maestría en Sistemas Computacionales. Tlaquepaque, Jalisco: ITESO. es
dc.identifier.uri http://hdl.handle.net/11117/5189
dc.description Entre los algoritmos de detección de objetos, cascade ha demostrado ser uno de los más robustos y flexibles al ser aplicado sobre un gran número de diferentes tipos de objetos. La detección de rostros fue la primera aplicación, así como para muchos sistemas en producción. De igual forma, uno de los grandes objetivos buscados ha sido el de diseñar un vehículo completamente autónomo y donde la conducción se realice de forma automática sin intervención humana. Es por esto que se ha utilizado la combinación de algoritmos cascade y Adaboost para crear un sistema que sea capaz de detectar vehículos de forma eficiente. Como base para este trabajo, se ha utilizado la implementación de OpenCV, que es un software que se distribuye bajo una licencia open source, la cual ha permitido realizar cambios en la implementación de las características tipo HAAR para agregar una serie de características capaces de aumentar el poder de reconocimiento de vehículos. Estas características, en conjunto con las que originalmente se encuentran implementadas por OpenCV, han permitido mejorar los niveles de detección de vehículos en secuencias de imágenes, además, con los entrenamientos realizados se pudo observar cierta reducción en el número de falsos negativos. De acuerdo con la el esquema de este conjunto de algoritmos, adaboost es el encargado de realizar el entrenamiento; entonces, es durante el entrenamiento que se definen los tipos de características tipo HAAR que se utilizarán tanto en el entrenamiento como durante la etapa de detección. Durante el entrenamiento, dicho conjunto de características sirve únicamente como referencias para generar las ventanas de búsqueda en el proceso de detección. es
dc.description.sponsorship Consejo Nacional de Ciencia y Tecnología es
dc.language.iso spa es
dc.publisher ITESO es
dc.rights.uri http://quijote.biblio.iteso.mx/licencias/CC-BY-NC-2.5-MX.pdf es
dc.subject OpenCV es
dc.subject Haar es
dc.subject Cascade es
dc.subject Visión Computacional es
dc.subject Detección de Objetos es
dc.subject Detección de Vehículos es
dc.title Detección visual de vehículos automotrices en ambientes reales es
dc.type info:eu-repo/semantics/masterThesis es
dc.contributor.director Alcaraz-Mejía, Mildreth
dc.contributor.director González-Jiménez, Luis E.
rei.peerreviewed Yes es
rei.embargo.terms 2050 es


Archivos en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Buscar en todo


Listar

Mi cuenta