Mejorando los sistemas de visión artificial para que sean más rápidos y precisos


Los sistemas de visión artificial tienen la misión de identificar (con la mayor precisión posible, y el mínimo margen de error) de forma rápida (el tiempo es un factor muy crítico en numerosos escenarios) los objetos que tienen delante, aspecto crucial para la conducción autónoma u otros servicios de seguridad implantados en los vehículos.

Por este motivo, mejoras en estos sistemas, como la desarrollada por un equipo de ingenieros eléctricos de la Universidad de California, que han creado un sistema de detección de peatones que lleva a cabo casi en tiempo real (2-4 fotogramas por segundo) y con una exactitud mucho mayor que los sistemas actuales, va a suponer contar con sistemas de seguridad más seguros y precisos en nuestros vehículos.

La tecnología empleada, se basa en sistemas de aprendizaje iterativos, combinando una arquitectura tradicional de clasificación de la visión por ordenador (detección en cascada), con modelos de aprendizaje iterativos.

En los sistemas de detección de peatones clásicos, se descompone una imagen en pequeñas ventanas que son procesadas para indicar la presencia o ausencia de un peatón. Este enfoque presenta inconvenientes, porque los peatones aparecen en diferentes tamaños, dependiendo de la distancia a la cámara y ubicaciones dentro de una imagen. Generalmente, millones de ventanas deben ser inspeccionadas a través de fotogramas de vídeo a velocidades que van desde 5 a 30 fotogramas por segundo.

En la detección en cascada, el detector funciona a través de una serie de etapas. En las primeras etapas, el algoritmo identifica rápidamente y descarta ventanas que se puede reconocer fácilmente que no contiene una persona, como el cielo.

Las siguientes etapas del proceso incluye las ventanas que son más difíciles para el algoritmo de clasificar, como los árboles (que el algoritmo podría reconocer como características similares a una persona). Finalmente, en las etapas finales, el algoritmo debe distinguir entre un peatón y los objetos muy similares.

Sin embargo, debido a que en las etapas finales sólo se procesan ya algunas ventanas, la complejidad se reduce mucho, centrándose en los elementos importantes.

Para esta etapa final de reconocimiento, el equipo de ingenieros de California, han desarrollado un nuevo algoritmo que incorpora modelos de aprendizaje iterativos, más adecuados para el reconocimiento de patrones complejos.

La combinación de ambos sistemas, pretende ofrecer un reconocimiento mucho más rápido, eficaz y preciso que los tradicionales.