Adaptación de un sistema de detección de personas en cámaras omnidireccionales a descriptores Deep Learning

Abstract

En el campo de la visión por ordenador, las redes neuronales convolucionales (CNN) destacan en tareas de detección y clasificación de objetos debido a su capacidad de procesar información de casi cualquier tipo de datos que puedan representarse en un espacio de dos dimensiones, como las imágenes o incluso la música. Este trabajo trata de mejorar la eficacia de un sistema de detección de personas en tiempo real con cámaras omnidireccionales y su capacidad de generalización, gracias a las ventajas que ofrecen las redes neuronales convolucionales pre-entrenadas frente a los descriptores de imagen clásicos. Debido a que entrenar un red es un proceso lento y costoso, usamos una red preentrenada porque ofrece buenos resultados y no existe la necesidad de ajustarla o re-entrenarla. Por tanto, el objetivo es incorporar en el sistema la posibilidad de extraer descriptores de estas redes. El clasificador del sistema de detección de personas consiste en una malla de máquinas de soporte vectorial (SVM) repartidas por toda la imagen, con un área de actuación llamada fóvea. De esta manera, el clasificador es capaz de distinguir las diferentes distorsiones que se producen en una imagen omnidireccional en función de la localización espacial de un objeto o, en este caso, de una persona. Los resultados finales se han obtenido extrayendo los descriptores desde alguna de las capas de las CNN pre-entrenadas más populares, como AlexNet, Densenet201, MobileNetV2 y VGG19. Estas redes han sido entrenadas con bases de datos de millones de imágenes y miles de clases, como ImageNet, que hacen posible su uso en este tipo de aplicaciones. Por último, se analizarán los resultados de cada una de las redes y capas y se medirá el rendimiento del sistema con estos descriptores.