Introducción
Esto consiste en el reconocimiento de patrones de señales. Los patrones se obtienen a partir de los procesos de segmentación, extracción de características y descripción donde cada objeto queda representado por una colección de descriptores.
Para realizar esta aplicación seleccionamos el lenguaje C++, utilizando las librerías: opencv2/objdetect, opencv2/highgui y opencv2/imgproc.
Para que esta aplicación funciones se tiene que guardar los datos de la persona u objeto, así al momento de ejecutar la aplicación pueda ser reconocido.
Objetivo
Aprender el funcionamiento y aplicaciones de las Redes Neuronales Artificiales. Realizar la actividad seleccionada, en este caso reconocimiento de un rostro humano (por lo menos detectar uno de estos).
Justificación
Seleccionamos el tema Redes Neuronales Artificiales en el que implementaremos el mencionado reconocimiento de rostro en la cámara de nuestra laptop utilizando un reconocimiento de patrones.
Esta aplicación podría ser utilizada en varios dispositivos como: celulares, tabletas, o bien para reconocer los empleados de una empresa y así ayudar en la seguridad de la misma, entre otros.
Ejemplo
A continuación se presenta un ejemplo muy básico sobre cómo funciona un perceptrón simples. Se realizó con ayuda de una hoja de cálculo (openoffice calc).
Necesitaremos de las fórmulas siguientes
La primera servirá para actualizar los valores de una tabla, que se conocerán como pesos. La segunda sirve como un rango de error entre un valor obtenido y su contraparte resultante.
La tabla con respectivos valores iniciales. La última columna representa el valor esperado correspondiente a la combinación
Factores de aprendizaje. Son tres valores en el sesgo debido a que tres elementos forman la combinación (x's).
También se considera que cualquier número negativo obtenido de un cálculo será representado como un 0; 1 será en caso contrario.
En el primer cálculo determinaremos el resultado de sumar el producto de cada "x" con el respectivo sesgo, colocando el valor en una nueva columna llamada "g(x)".
La columna "f(x)" representa el resultado de la condición previamente establecida.
Al aplicar el proceso anterior en cada combinación (renglón) obtenemos lo siguiente
Nótese que en todas las combinaciones existen número negativos, debido a la condición los resultados deseados "d" y los resultados obtenidos "f(x)" difieren en el último renglón (d = 1 y f(x) = 0). Es preciso realizar un ajuste en esta parte.
Ejecutamos el ajuste de pesos para calcular nuevamente el resultado
Con esta muestra pequeña indicamos como se realiza a actualización del peso. En la hoja de cálculo sería algo como esto
La tabla finalmente luce así
Ahora sí el resultado no es un número negativo por lo tanto al evaluación la condición la establecemos como 1.
Nota: DEBEN ACTUALIZARSE LOS VALORES Y CALCULARLOS DE NUEVO TANTAS VECES HASTA QUE SE OBTENGA EL RESULTADO DESEADO
Código
Como mencionamos necesitaremos de librerías para captar las imágenes y convertirlas a un formato legible por la PC. Afortunadamente todo este "rollo" lo realiza ya la librería.
Primeramente debemos detectar el rostro y dibujar un rectángulo sobre el perímetro del mismo. Para ello al momento de digitalizar la imagen se obtienen los puntos o en este caso pixeles "x,y" donde iniciará nuestra figura; los pasamos como parámetros a la función de "enmarcado".
Como puede apreciarse se introducen elementos para hacer algo más gráfico el programa. Las instrucciones provenientes de la librería para detección y dibujado se apoyan de un escaneo de la imagen completa (justo donde inicia el ciclo "for" cuya iteración máxima dependerá de la longitud del rostro captado); útil, ya que se utiliza una ejecución continua por lo cual así podemos repintar el marco cada que detecta un obtjetivo.
Ya en el método main (método para la ejecución) agregamos un "capturador de excepciones", incluido por default. Encargado de captar cualquier problema relacionado al cargar el archivo utilizado para la detección de rostros (una red ya entrenada). "capture" es un puntero a la imagen escaneada en tiempo de ejecución.
Después indicamos que realizar al momento de una no detección, en este caso simplemente no enmarca el objetivo y muestra un mensaje simple; para ello recurrimos al objeto gráfico "frame" que se enlaza con la imagen por "capture".
Finalmente un "escucha" proveniente de teclado para salir del programa.
Una vez logrado nuestra meta: detectar por lo menos un rostro (básico). Fuimos algo más ambiciosos al tratar de captar la nariz y comparar con un estándar para determinar las cualidades de la nariz en cuestión, sin embargo no pudimos lograr el escaneo de ésta, y tuvimos inconvenientes al incorporarlo en la ejecución en tiempo continuo. También admitimos que nuestros esfuerzos para la comparación de narices, realmente nos superaban.
A continuación un video de muestra sobre esta práctica:
Primeramente debemos detectar el rostro y dibujar un rectángulo sobre el perímetro del mismo. Para ello al momento de digitalizar la imagen se obtienen los puntos o en este caso pixeles "x,y" donde iniciará nuestra figura; los pasamos como parámetros a la función de "enmarcado".
Como puede apreciarse se introducen elementos para hacer algo más gráfico el programa. Las instrucciones provenientes de la librería para detección y dibujado se apoyan de un escaneo de la imagen completa (justo donde inicia el ciclo "for" cuya iteración máxima dependerá de la longitud del rostro captado); útil, ya que se utiliza una ejecución continua por lo cual así podemos repintar el marco cada que detecta un obtjetivo.
Ya en el método main (método para la ejecución) agregamos un "capturador de excepciones", incluido por default. Encargado de captar cualquier problema relacionado al cargar el archivo utilizado para la detección de rostros (una red ya entrenada). "capture" es un puntero a la imagen escaneada en tiempo de ejecución.
Después indicamos que realizar al momento de una no detección, en este caso simplemente no enmarca el objetivo y muestra un mensaje simple; para ello recurrimos al objeto gráfico "frame" que se enlaza con la imagen por "capture".
Finalmente un "escucha" proveniente de teclado para salir del programa.
Resultado
Conclusiones
Al principio pensamos mucho en sobre como realizar la digitalización y escaneo de la imagen, sin embargo supimos de esta grandiosa librería openCV2 que se encarga de ello, sin enfocarnos demasiado en la estructura de aprendizaje para el rostro humano, ya que viene incluída, admitimos que el conjunto de entrenamiento que usa es extenso como para modificarlo (se encuentra en un archivo XML).Una vez logrado nuestra meta: detectar por lo menos un rostro (básico). Fuimos algo más ambiciosos al tratar de captar la nariz y comparar con un estándar para determinar las cualidades de la nariz en cuestión, sin embargo no pudimos lograr el escaneo de ésta, y tuvimos inconvenientes al incorporarlo en la ejecución en tiempo continuo. También admitimos que nuestros esfuerzos para la comparación de narices, realmente nos superaban.
A continuación un video de muestra sobre esta práctica:











No hay comentarios:
Publicar un comentario