Comparación multiplaforma de técnicas basadas en visión artificial para detección de personas en espacios abiertos

• Published in: Investigación e innovación en ingenierías Vol. 9; no. 1; pp. 22 - 33
• Main Authors: Niño Rondón, Carlos Vicente, Castro Casadiego, Sergio Alexander, Medina Delgado, Byron, Guevara Ibarra, Dinael, Ramirez Mateus, Jhon Jairo, Puerto López, Karla Cecilia
• Format: Journal Article
• Language: English
• Published: 14.12.2020
• ISSN: 2344-8652; 2344-8652
• DOI: 10.17081/invinno.9.1.3965

Objetivo: Realizar una comparación multiplataforma entre los algoritmos de las técnicas de sustracción de fondo y de detectores en cascada por medio de una computadora personal y una placa Raspberry Pi 3B+ con Windows 10 y Debian GNU/LINUX respectivamente, en lenguaje de programación Python 3.7. Metodología: Se proponen tres etapas correspondientes a las mejoras en la imagen de video, la implementación de las técnicas de detección de personas y la evaluación del rendimiento de los algoritmos de dichas técnicas respecto al tiempo de respuesta, espacio de memoria requerido y aciertos en las detecciones. Resultados y discusión: La técnica de sustracción de fondo presenta una exactitud de 89.7% mientras que dicho valor para la técnica de detectores en cascada corresponde al 93.65%. Así mismo, la técnica de sustracción de fondo presenta mejor comportamiento respecto al tiempo de respuesta obteniendo 0.5934 segundos para Windows y 2.6338 segundos para Linux. La técnica de detectores en cascada mejora el requerimiento de espacio disponible en las dos plataformas con 1.1389 GB y 0.3776 GB para el computador personal y la placa Raspberry Pi 3B+ respectivamente. Conclusiones: Tanto la técnica de sustracción de fondo como la técnica de detectores en cascada responden 5 veces más rápido en la computadora personal que en la placa Raspberry Pi 3B+, por su parte, el espacio de memoria requerido por la técnica de sustracción de fondo es 26.28% y 55% superior al espacio requerido por la técnica de detectores en cascada en el computador personal y en la placa Raspberry Pi 3B+ respectivamente.