| dc.contributor | Alcaraz-Mejía, Mildreth | |
| dc.contributor | González-Jiménez, Luis E. | |
| dc.creator | Méndez-Pelayo, Francisco J. | |
| dc.date | 2018-01-29T23:21:28Z | |
| dc.date | 2019-01-30T09:45:09Z | |
| dc.date | 2018-01 | |
| dc.date.accessioned | 2023-07-21T21:55:16Z | |
| dc.date.available | 2023-07-21T21:55:16Z | |
| dc.identifier | 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. | |
| dc.identifier | http://hdl.handle.net/11117/5189 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7755173 | |
| 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. | |
| dc.description | Consejo Nacional de Ciencia y Tecnología | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | ITESO | |
| dc.rights | http://quijote.biblio.iteso.mx/licencias/CC-BY-NC-2.5-MX.pdf | |
| dc.subject | OpenCV | |
| dc.subject | Haar | |
| dc.subject | Cascade | |
| dc.subject | Visión Computacional | |
| dc.subject | Detección de Objetos | |
| dc.subject | Detección de Vehículos | |
| dc.title | Detección visual de vehículos automotrices en ambientes reales | |
| dc.type | info:eu-repo/semantics/masterThesis | |
