Upload
ejmcsic
View
223
Download
0
Embed Size (px)
Citation preview
8/12/2019 Procesamiento de Imagens
1/248
PROYECTO FIN DE CARRERA
RECONOCIMIENTO DE IMGENES A
TRAVS DE SU CONTENIDO
AUTOR: Antonio Peralta SezMADRID, Junio 2009
UNIVERSIDAD PONTIFICIA COMILLAS
ESCUELA TCNICA SUPERIOR DE INGENIERA (ICAI)
INGENIERO EN INFORMTICA
8/12/2019 Procesamiento de Imagens
2/248
Autorizada la entrega del proyecto del alumno/a:Antonio Peralta Sez
EL DIRECTOR DEL PROYECTORafael Palacios Hielscher
Fdo.: Fecha: / /
V B del Coordinador de ProyectosDavid Contreras Brcena
Fdo.: Fecha: / /
8/12/2019 Procesamiento de Imagens
3/248
I
RESUMEN
Los buscadores de imgenes actuales, como Google images, se basan principalmente en el
nombre del archivo que contiene la imagen, en el nombre del enlace y en el texto que aparece
en la pgina donde se encuentra la imagen. Es decir que la bsqueda se basa en informacin
de tipo texto y no en informacin grfica.
El objetivo de este proyecto es desarrollar algoritmos de tratamiento digital de imgenes
que permitan clasificar fotografas en base al contenido grfico.
La idea para el desarrollo de este proyecto se basa en la creacin de un conjunto deimgenes para posteriormente segmentar la imagen, y extraer de ella objetos y fondos
conocidos, y clasificarlas de acuerdo a los elementos localizados.
En este proyecto se ha desarrollado tres algoritmos de alto nivel para el
reconocimiento de los siguientes elementos:
Imgenes con cielo. Imgenes con csped. Imgenes con caras.
Para la identificacin de los dos primeros casos, se combina la informacin de dos
algoritmos de ms bajo nivel que identifican el color y la textura. Para la identificacin
del color, primero se realiza un estudio de las proyecciones RGB y HSV, en el cual se
analiza cual de los dos mtodos es ms apropiado.
Para la clasificacin de un color se calcula el grado de pertenencia de un punto a
funciones de densidad FDP obtenidas experimentalmente a partir de imgenes reales.
Fig 3-Cielo25
Fig 1- Cesped8
Fig 2- Rostro3
8/12/2019 Procesamiento de Imagens
4/248
II
La deteccin de las texturas se realiza mediante el anlisis del histograma de la imagen
en escala de grises.
Por ltimo, el algoritmo localizador de caras, se basa en la identificacin previa de
los ojos, donde se aplican restricciones de tipo geomtrico. A continuacin se intentaidentificar una boca, en la parte inferior de los ojos centrado entre ambos. En caso de
localizar afirmativamente los ojos y la boca, en la geometra apropiada, la respuesta del
algoritmo ser afirmativa.
A continuacin se muestra algunos resultados obtenidos con los algoritmos cielos y
rostros, tras un anlisis completo de la fotografa.
Todos estos algoritmos se desarrollan en matlab, debido a la gran capacidad de
clculo matricial que ofrece y a la facilidad de trabajo con imgenes gracias a la Image
Precessing Toolbox.
Todos los algoritmos desarrollados han sido evaluados con una librera de imgenes
formada por fotografas de diversos contenidos, iluminacin, ubicacin geometra, etc.
Fig 5-Resultados del algoritmo
de cielo (verde indica
clasificado como cielo)
Fig 4- Resultado obtenido tras analizar la
fotografa con el algoritmo rotro.
8/12/2019 Procesamiento de Imagens
5/248
III
ABSTRACTThe current search engine images, such as Google image, base their search on the
file name that contains the picture, link name, or the text of the website in which the
picture appears. In other words, they base their search on text information, and not on
graphic information.
The objective of this project is to develop digital image processing algorithms to
classify pictures in accordance with the graphic information.
The main idea of this project is to create a set of images, segment them, and extractthe familiar objects and backgrounds from the pictures, in order to classify them.
In this project, three high level algorithms have been developed to recognize the
following elements:
Image with sky Image whith grass Image whith face
The information of two low level algorithms, that indentify the color and the
texture, is combined to identify images with sky, and image with grass. A study of the
RGB and HSV projections is carried out to identify the color; this study analyzes which
method, RGB or HSV, is more appropriated.
The grade of membership of a point to a density function FDP (obtained
experimentally throw real images) is calculated to classify the color.
Fig 3-Cielo25
Fig 2- Cesped8
Fig 1- Rostro3
8/12/2019 Procesamiento de Imagens
6/248
IV
The detection of textures is carried out by means of the analysis of the grey scale
image histogram.
Finally, the algorithm that locates faces applies geometric restrictions to identify the
eyes. After identifying the eyes, the algorithmic tries to identify the mouth under theeyes, and centered between them. In the case of locating the eyes and mouth in the
correct geometry, the algorithms answer will be affirmative.
Next, the results of the sky and face algorithms are shown after a complete analysis
of the pictures.
All of these algorithms were developed in Matlab owing to its high capacity of
matrix calculation, and its facility of working with images due to the Image Processing
Toolbox.
Every one of the algorithms has been evaluated using an image library that consists
of pictures of several contents, illumination, geometric location, etc
Fig 5- Result of sky algorithm
(green means classified as sky)
Fig 4- Result of the face algorithm.
8/12/2019 Procesamiento de Imagens
7/248
V
1 Introduccin y estado del arte.................................................................... - 1 -
1.1 Reconocimiento de caracteres. ............................................................... - 3 -
1.1.1 Introduccin .......................................................................................... - 3 -
1.1.2 Arquitectura de reconocimiento de caracteres manuscritos ................. - 5 -
1.1.3 Extraccin de caractersticas ................................................................ - 7 -
1.1.4 Comparacin......................................................................................... - 8 -
1.1.5 Conclusiones ........................................................................................ - 9 -
1.2 Reconocimiento de firmas.................................................................... - 10 -
1.2.1 Introduccin ........................................................................................ - 10 -
1.2.2 Verificacin de firma off-line ............................................................. - 11 -
1.2.3 Descripcin del sistema ...................................................................... - 12 -
1.2.4 Modelos HMM ................................................................................... - 18 -
1.2.5 Resultados obtenidos .......................................................................... - 19 -
1.2.6 Conclusiones ...................................................................................... - 21 -
1.3 Reconocimiento de rostros y expresiones faciales............................... - 22 -
1.3.1 Introduccin ........................................................................................ - 22 -
1.3.2 Descripcin del sistema ...................................................................... - 22 -
1.3.3 Programa............................................................................................. - 30 -
1.3.4 Resultados .......................................................................................... - 31 -
2 Identificacin de necesidades......................................................................... - 33 -
2.1Introduccin IDN...................................................................................... - 33 -
2.2Documento de concept del sistema............................................................ - 34 -
2.2.1 Objetivos del sistema .......................................................................... - 34 -
2.2.2 Alcance del sistema ............................................................................ - 35 -
2.2.3 Topologa de usuario finales .............................................................. - 36 -
8/12/2019 Procesamiento de Imagens
8/248
VI
2.2.4 Restricciones....................................................................................... - 36 -
3 Plan de gestin............................................................................................ - 38 -
3.1Descripcin general del proyecto............................................................. - 38 -
3.2Diagrama de actividades a realizar.......................................................... - 39 -
3.3Descripcin detallada de las actividades.................................................. - 40 -
3.4Diagrama del equipo de trabajo............................................................... - 46 -
3.5Descripcin de actividades de cada integrante......................................... - 47 -
3.6Estimacin del esfuerzo de cada integrante.............................................. - 51 -
3.7 Presupuesto............................................................................................... - 52 -
3.8 Planificacin de las actividades................................................................ - 53 -
4 Estudio de arquitectura................................................................................. - 55 -
4.1Introduccin E-ARQ.................................................................................. - 55 -
4.2Hardware/software del sistema actual...................................................... - 57 -
4.3Especificaciones de las aternativas. .......................................................... - 59 -
4.4Evaluacin de las alternativas.................................................................. - 65 -
4.4.1 Evaluacin tcnica .............................................................................. - 65 -
4.4.2 Evaluacin econmica ........................................................................ - 66 -
4.5 Seleccin de la alternativa........................................................................ - 67 -
5. Reconocimiento de colores............................................................................ - 69 -
5.1Introduccin.............................................................................................. - 69 -
5.2Modelo RGB.............................................................................................. - 79 -5.3Modelo HSV.............................................................................................. - 81 -
5.4Estudio RGB del Cielo.............................................................................. - 83 -
5.5Estudio RGB del csped............................................................................ - 88 -
5.6Estudio RGB: cielo vs csped.................................................................... - 92 -
5.7 Conclusin RGB........................................................................................ - 96 -
5.8Estudio HSV: Cielo.................................................................................... - 98 -
8/12/2019 Procesamiento de Imagens
9/248
VII
5.9Estudio HS Csped.................................................................................. - 100 -
5.10HS Cielo y Csped................................................................................. - 101 -
5.11Estudio de conflictos............................................................................. - 102 -
5.11.1 Conflictos en RGB: interior ........................................................... - 102 -
5.11.2 Conflictos en RGB: fondo marino .................................................. - 107 -
5.11.3 Conflictos en HSV: interior ............................................................ - 111 -
5.11.4 Conflictos en HSV: fondo marino .................................................. - 112 -
5.12Eleccin RGB o HSV............................................................................. - 113 -
5.12.1 RGB ................................................................................................ - 114 -
5.12.2 HSV ................................................................................................ - 117 -
5.12.3 Conclusin ...................................................................................... - 119 -
5.13Descripcin del algoritmo. .................................................................... - 120 -
5.13.1 Algoritmo azul ................................................................................ - 120 -
1.13.1 Algoritmo verde ............................................................................. - 122 -
6. Reconocimiento de texturas........................................................................ - 124 -
6.1Introduccin............................................................................................ - 124 -
6.2A travs de su histograma....................................................................... - 127 -
6.2.1 Textura lisa ....................................................................................... - 127 -
6.2.2 Textura binaria.................................................................................. - 135 -
6.2.3 Textura rugosa .................................................................................. - 142 -
6.3Descripcin del algoritmo textura........................................................... - 149 -6.4Texturas a travs de la funcin statxture[F1]......................................... - 153 -
6.4.1 Textura lisa ....................................................................................... - 154 -
6.4.2 Textura binaria.................................................................................. - 155 -
6.4.3 Textura rugosa .................................................................................. - 156 -
7. Anlisis combinado de color y texturas..................................................... - 158 -
7.1Descripcin del algoritmo reconocimiento de cielo............................... - 159 -
8/12/2019 Procesamiento de Imagens
10/248
VIII
7.2Descripcin del algoritmo para reconocimiento de csped. ................... - 161 -
8. Detector caras.............................................................................................. - 163 -
8.1Introduccin............................................................................................ - 163 -
8.2 YCbCr...................................................................................................... - 164 -
8.3Descripcin algoritmo implementado..................................................... - 166 -
8.3.1 Funcin rostro. .................................................................................. - 166 -
8.3.2 Funcin ojos ..................................................................................... - 167 -
8.3.3 Funcin labio .................................................................................... - 170 -
8.3.4 funcin Localizador (basado en geometras) .................................... - 173 -
9. Pruebas......................................................................................................... - 179 -
9.1Evaluacin del algoritmo de deteccin de cielo...................................... - 179 -
9.2Evaluacin del algoritmo de csped....................................................... - 182 -
9.3 Pruebas del algoritmo de identificacin textura..................................... - 185 -
9.4Detalles de evaluacin del algoritmo de reconocimiento de cielo.......... - 187 -
9.5 Pruebas algoritmo reconocimiento......................................................... - 193 -
Conclusiones..................................................................................................... - 198 -
Algoritmos cielo y csped.............................................................................. - 198 -
Algoritmo de deteccin de rostros................................................................. - 199 -
Bibliografa....................................................................................................... - 200 -
Definiciones e imagenes................................................................................ - 200 -
Libros de consulta......................................................................................... - 202 -Anexo A. Biblioteca imgenes cielo................................................................ - 203 -
Anexo B. Biblioteca imgenes csped. ........................................................... - 211 -
Anexo C. Biblioteca imgenes interior.......................................................... - 216 -
Anexo D. Biblioteca imgenes submarinas................................................... - 220 -
Anexo E. Biblioteca imgenes rostros. ........................................................... - 222 -
Anexo F. Cdigo del algoritmo cielo.............................................................. - 228 -
8/12/2019 Procesamiento de Imagens
11/248
IX
Anexo G. Codigo del algoritmo reconocimiento de caras. ........................... - 233 -
8/12/2019 Procesamiento de Imagens
12/248
Reconocimiento de imgenes a travs de su contenido
1
1 Introduccinyestadodelarte
Los buscadores de imgenes actuales, como Google images, se basan principalmente en el
nombre del archivo que contiene la imagen, en el nombre del enlace y en el texto que aparece
en la pgina donde se encuentra la imagen. Es decir que la bsqueda se basa en informacin
de texto y no en informacin grfica.
En la actualidad, Google est desarrollando algoritmos basados en el contenido de las
imgenes reconociendo formas y analizando su parecido, para ello centran en un subconjunto
de las imgenes que Google ha catalogado, ya que el anlisis y comparacin de imgenesdigitales requiere de un coste computacional tremendo. Realizar esta labor para todas las
imgenes indexadas por el buscador sera una tarea casi imposible, a da de hoy.
El campo del procesamiento de imgenes est continuamente evolucionando.
Durante los ltimos aos ha habido un incremento significativo en el inters en
campos como morfologa de imgenes, redes neuronales artificiales, procesamiento
de imgenes a color y/o en escalas de grises, compresin de datos de imgenes,
reconocimiento de imgenes y sistemas de anlisis de imgenes basados en
conocimiento.
El reconocimiento es un atributo bsico del ser humano, as como de
otros organismos vivos. Este reconocimiento es generado normalmente por medio de
patrones.[D1]
Entre las principales aplicaciones del reconocimiento de formas cabe destacar
las siguientes:
Reconocimiento de caracteres. [D2]
Anlisis de documentos.
Reconocimiento de firmas.[D3]
Reconocimiento de huellas dactilares.
Reconocimiento de piezas industriales.
Reconocimiento de texturas.
Deteccin de defectos para control de calidad.
8/12/2019 Procesamiento de Imagens
13/248
Reconocimiento de imgenes a travs de su contenido
2
Reconocimiento de rostros y expresiones faciales.[D4]
A continuacin se muestran a modo de introduccin y de forma breve algunos
estudios realizado sobre estos temas. Estos mismos estudios sirven para visualizar comose encuentra el estado del arte sobre estos temas en la actualidad.
8/12/2019 Procesamiento de Imagens
14/248
Reconocimiento de imgenes a travs de su contenido
3
1.1 Reconocimientodecaracteres.1.1.1Introduccin
[D2] En la actualidad el desarrollo de sistemas de reconocimiento de escritura es
realizado casi en su totalidad, por empresas comerciales, quienes proponen el uso de
estilos de escritura predeterminados para que el reconocimiento sea vlido, requiriendo
para ello del aprendizaje del estilo por parte del dibujante. Con lo mencionado
anteriormente se pretende hacer notar que los problemas en el rea del reconocimiento
de escritura son numerosos, basta con que dos dibujantes distintos escriban la mismapalabra para comprobar que hay varias caractersticas que varan y que es preciso
considerar para lograr el reconocimiento. Por esto, el involucrar diversos algoritmos de
segmentacin y extraccin de caractersticas se vuelve necesario, sin embargo esto
mismo ocasiona un incremento considerable en el trabajo y en la experiencia requerida
para darle solucin.
El estudio en sta rea no es algo reciente, ya desde los aos setenta se han
realizado trabajos al respecto, y alrededor del mundo hay muchas personas dedicadas a
investigar un pequeo aspecto sobre el reconocimiento de caracteres, ya sea sobre
segmentacin, reconocimiento de patrones, contexto, semntica, etc., entre muchas otras
reas, que pueden a su vez dirigirse hacia alfabetos de distintos idiomas. En el idioma
espaol se han desarrollado pocos trabajos de este tipo, ya que la gran mayora de las
soluciones comerciales se encuentran en ingls. El tema es extenso, pues comprende
desde la captura de la escritura, el estudio o diseo de los medios electrnicos para
realizarla, el anlisis de los datos y la comunicacin con el dibujante por medio de la
programacin de interfaces, hasta la validacin y comprobacin de los resultados.
Considerando que existe una gran cantidad de mtodos para realizar cada parte del
proceso, segn el enfoque dado, se requiere sin duda del trabajo en equipo no slo de
ingenieros, sino de personas de diversas disciplinas especializadas en reas
relacionadas.
A continuacin se describe un sistema de reconocimiento de caracteres por
regiones, en particular las cinco vocales. La captura se realiza mediante una tableta
8/12/2019 Procesamiento de Imagens
15/248
Reconocimiento de imgenes a travs de su contenido
4
digitalizadora, y los trazos de la escritura se guardan como imgenes en formato bmp. El
algoritmo se basa en una estrategia por regiones en el dominio de la imagen y brinda al
escritor/dibujante una mayor facilidad en la escritura, en cuanto a que se respeta la
personalidad de ella, pues no se requiere del uso de un estilo predeterminado. Los
resultados de la evaluacin preliminar del algoritmo propuesto, sobre una pequea base
de datos, mostraron una alta tasa de reconocimiento para las diferentes vocales. Con la
finalidad de situar el algoritmo propuesto dentro del contexto de la arquitectura general
de un sistema de reconocimiento de caracteres manuscritos. El diseo e implementacin
del algoritmo, as como los resultados de la evaluacin de su desempeo se presentan a
continuacin.
8/12/2019 Procesamiento de Imagens
16/248
Reconocimiento de imgenes a travs de su contenido
5
1.1.2Arquitecturadereconocimientodecaracteresmanuscritos
La arquitectura de un sistema de reconocimiento de escritura manuscrita abarca
desde la captura de la imagen inicial de la escritura, hasta el reconocimiento de la
misma. El sistema se puede dividir de manera general en las secciones de pre-
procesamiento, reconocimiento, y post-procesamiento, tal como se encuentran divididos
la mayora de los sistemas de reconocimiento de la escritura manuscrita. El diagrama de
la arquitectura para el reconocimiento de la escritura se muestra en la Fig. 1.
Fig 6- Diagrama a bloques del sistema
El proceso inicia con la adquisicin de los datos mediante una tableta
digitalizadora. El escritor/dibujante utiliz la pluma incorporada y una interfaz grfica
hecha en Matlab, con lo cual se obtuvieron trazos de hasta seis pixeles de ancho,
guardados como imgenes en formato bmp. El siguiente paso del proceso es el
preprocesamiento de la seal, que consiste de varias etapas. La seal de informacin
puede ser amplificada y filtrada para corregir defectos como la atenuacin o el ruido. La
siguiente etapa de adecuacin, a nivel pxel, puede incluir tratamientos tales como
adelgazamiento (thinning), suavizado (smoothing), esqueletonizacin (squeletonizing),
vectorizacin, etc. La aplicacin de estos procesos se considera parte del pre-
procesamiento de la escritura, el cual incluye tambin a la segmentacin. En este
sistema propuesto, solo se requiri de adelgazamiento y correccin de inclinacin.
8/12/2019 Procesamiento de Imagens
17/248
Reconocimiento de imgenes a travs de su contenido
6
La segmentacin de la escritura se realiza antes de la aplicacin de los algoritmos
de reconocimiento, y se divide en dos tipos: externa e interna. En la segmentacin
externa se realiza la separacin de unidades de escritura, tales como caracteres o
palabras. Dado que varias letras pueden escribirse con un solo trazo en la escritura
cursiva, se requiere de algn reconocimiento previo a la separacin. A este tipo de
segmentacin que requiere reconocimiento se le llama segmentacin interna. El sistema,
utiliza tanto segmentacin externa, como interna. La segmentacin externa, es til para
separar en caracteres las palabras formadas por la unin de entre dos a seis vocales. El
mtodo consiste en el barrido de la imagen de la palabra, para la determinacin de
puntos mximos y mnimos. Adems de secuencias de puntos mnimos, que indican la
presencia de un enlace, el cual es analizado para lo obtencin del un corte central, quesepara a la vocal anterior de la siguiente. Aqu este tipo de segmentacin es requerida,
debido a que la escritura analizada es enlazada y el reconocimiento se realiza carcter
por carcter, con la finalidad de que el diccionario sea reducido (slo los caracteres del
abecedario).
8/12/2019 Procesamiento de Imagens
18/248
Reconocimiento de imgenes a travs de su contenido
7
1.1.3ExtraccindecaractersticasLas caractersticas extradas de la imagen del carcter una vez aislado (despus de
la segmentacin), se basan en el anlisis de la matriz que lo representa. Las primeras
caractersticas extradas son las variaciones que la vocal presenta en las regiones
superior, inferior, izquierda y derecha. Estas variaciones se obtienen de las vocales
prototipo y se guardan como cinco funciones para cada regin. Esas veinte funciones
forman parte de la base de datos, con la que posteriormente las funciones que genere la
vocal prueba (vocal desconocida) sern comparadas. Imgenes de vocales prototipo y
las funciones superiores generadas para cada imagen se muestran en la Fig. 2.
Una vez obtenidas todas las funciones para el carcter prueba (desconocido), se
realiza un proceso de normalizacin, que consiste en un ajuste de estas funciones,
debido a que su tamao vara, adems de que puede posicionarse en cualquier zona del
rea de escritura. Es necesario entonces un proceso de escalamiento y alineacin. La
alineacin obtiene el inicio de la funcin prueba con lo cual se recorre la funcin de tal
forma que comience en la misma posicin que los caracteres prototipo. El siguiente
paso es el escalamiento, que obtiene la longitud de la funcin prueba en x y en y, y
calcula los factores de escalamiento fx=drx/dpx y fy=dry/dpy, en donde drx y dry, dpx y
dpy son las mximas longitudes en x y en y de la funcin prototipo y prueba
respectivamente. Esos factores permitirn el escalamiento de la funcin prueba al
Fig 7-Imgenes prototipo y funciones superiores.
8/12/2019 Procesamiento de Imagens
19/248
Reconocimiento de imgenes a travs de su contenido
8
tamao de la funcin prototipo. Con los procesos anteriores se pretende que la funcin
que se obtenga de la prueba sea lo ms cercano a las caractersticas del prototipo
(tamao y posicin), de tal forma que al comparar sea ms fcil el reconocimiento. Un
resultado de esa normalizacin se muestra en la Fig. 3.
Una vez obtenidas las funciones normalizadas, se sigue con la extraccin de
caractersticas por regiones del carcter, cortes, ancho, puntos mximos, puntos
mnimos, densidad, inclinacin, posicin de inicio, posicin de fin, caractersticas con
las que se forman vectores con parmetros ordenados, que se extraen tanto para los
caracteres prototipo, como para los prueba. Todos estos parmetros son obtenidos por
barridos optimizados sobre la imagen.
1.1.4Comparacin
Finalmente la comparacin se realiza calculando las distancias geomtricas entre el
vector obtenido para el carcter a reconocer y cada uno de los de la base de datos de
prototipos. Al obtener dichas distancias, se observa cual es la mnima y el carcter
prototipo relacionado con esa distancia mnima es asignado como el carcter
reconocido.
Fig 8- Normalizacin
8/12/2019 Procesamiento de Imagens
20/248
Reconocimiento de imgenes a travs de su contenido
9
1.1.5Conclusiones
Para un buen reconocimiento de la escritura manuscrita se requiere del estudio de
una gran cantidad de variables. Aqu se ha descrito de manera general las funciones de
los diferentes elementos que conforman a un sistema de reconocimiento de escritura
manuscrita. De manera particular, se aboca a la problemtica de reconocimiento de
caracteres manuscritos, y se propone un algoritmo sencillo para el reconocimiento de
vocales. El algoritmo est basado en una estrategia por regiones en el dominio de la
imagen. Los resultados de la evaluacin preliminar del algoritmo arrojaron una tasa de
reconocimiento de las vocales superior al 97% lo que hace al algoritmo propuesto un
buen candidato para una aplicacin real. Es importante mencionar que el algoritmo se
probo con una pequea base de datos y que restara entonces validar los resultados con
una base de datos ms grande.
8/12/2019 Procesamiento de Imagens
21/248
Reconocimiento de imgenes a travs de su contenido
10
1.2 Reconocimientodefirmas1.2.1Introduccin
[D3] En la sociedad actual, la seguridad se ha convertido en un tema prioritario. A
fin de garantizar la proteccin de los sistemas frente a una mala utilizacin voluntaria,
es necesario realizar un proceso de identificacin y verificacin de la identidad de cada
persona de modo seguro, pero a la vez sencillo y natural.
LaBiometra facilita la identificacin de cada individuo de forma unvoca mediantela medicin de diferentes caractersticas personales e intransferibles. Estas
caractersticas individuales pueden clasificarse entre caractersticas fsicas, como por
ejemplo la huella dactilar, el iris o la retina; y caractersticas del comportamiento, como
la forma de hablar, escribir, firma o teclear.
Existe an cierto reparo en la sociedad frente a los sistemas de identificacin
biomtrica basados en caractersticas fsicas como las huellas, el iris o la retina, ya que
son asociados con cuestiones penales. En cambio, los sistemas basados en el
comportamiento, aunque proporcionan menor fiabilidad que los anteriores, son mejor
aceptados socialmente.
La Universidad Politcnica de Madrid, la Universidad Politcnica de Catalua, la
Universidad de Valladolid y la Universidad del Pas Vasco participan conjuntamente, a
travs de diferentes grupos de investigacin en el Proyecto de Investigacin titulado
Aplicacin de la Identificacin de Personas mediante Multimodalidad Biomtrica en
Entornos de Seguridad y Acceso Natural a Servicios de Informacin. El primer
resultado de este esfuerzo comn ha sido la creacin de una Base de Datos Biomtricos
Multimodal, que consta de huellas digitales, firmas manuscritas y voz, y que sirve de
base para el resto de tareas de investigacin de los grupos participantes. El presente
artculo es consecuencia de los trabajos de investigacin posteriores sobre firma
manuscrita a partir de dicha base de datos.
8/12/2019 Procesamiento de Imagens
22/248
Reconocimiento de imgenes a travs de su contenido
11
1.2.2Verificacindefirmaoff-line
El uso de la firma manuscrita como modo de identificacin est muy arraigado y
goza d una aceptacin social: firmamos con frecuencia para mostrar conformidad con el
contenido de documentos o para autorizar transacciones comerciales.
La verificacin de las firmas se limita normalmente a una inspeccin visual, como
si se tratara de la comparacin de dos fotos, pero este mtodo no es eficaz frente a
falsificadores y en la mayora de las ocasiones no se lleva a cabo proceso de
verificacin alguno. La autorizacin de la verificacin de firmas manuscritas puede
proporcionar la solucin adecuada para evitar posibles fraudes.
La tecnologa biomtrica de verificacin automtica de firmas manuscritas se
compone de dos reas principales de investigacin dependiendo del mtodo de
adquisicin de los datos. La primera de ellas se refiere a la firma manuscrita on-line o
dinmica, en la que se captura sobre una tableta digitalizadora la ejecucin completa de
la firma. La otra rea hace referencia a la verificacin de firmas off-line o estticas. De
la firma manuscrita slo est disponible su forma grfica en un documento escrito quees escaneado para obtener la representacin digital de la imagen. Los sistemas on-line
cuentan con mayor informacin que los sistemas off-line, ya que, adems de la imagen
2D de la firma, conocen sus parmetros dinmicos con el tiempo de adquisicin,
velocidad, presin, inclinacin del bolgrafo, etc., lo cual los hace a priori ms atractivos
desde el punto de la investigacin.
En este artculo se presenta un sistema de verificacin de firmas off-line basado en
tcnicas dinmicas, con el objetivo de acercar ambas reas de investigacin, probando la
viabilidad de la aplicacin a la firma off-line de mtodos empleados habitualmente en
sistemas dinmicos.
8/12/2019 Procesamiento de Imagens
23/248
Reconocimiento de imgenes a travs de su contenido
12
1.2.3Descripcindelsistema
A continuacin se hace una descripcin de los mdulos esenciales del sistema de
verificacin off-line: adquisicin de firmas, base de datos, preprocesado, entrenamiento
de los modelos, verificacin y seleccin de umbrales.
A. Adquisicin de firmas manuscritas
La captura de las firmas manuscritas se realiza de manera dinmica
mediante una tableta digitalizadora Intuos A6 de WACOM y el lpiz Intuos
Inking Pen. El lpiz permite firmar igual que con un bolgrafo convencional,
con lo cual se dispone de una versin en papel de todas las firmas manuscritas
digitalizadas en la base de datos.
El rea activa de la tableta posee una resolucin de 100 puntos por
milmetro y captura coordenadas x-y, presin, inclinacin y acimut a una
frecuencia de 100 muestra por segundo. Todos los datos capturados de la firma,
tanto puntos con presin o pen down, como puntos sin presin o pen ups, son
almacenados en ficheros de la base de datos de firmas manuscritas dinmicas.Por otro lado, se almacenan las ejecuciones de cada firma en formato papel
para su posterior proceso de escaneado.
Fig 9- Firma propia del usuario9
El proceso de escaneado a 600 puntos por pulgada pticos, no
interpolados, genera el formato grfico esttico u off-line de las firmas. La
figura 4 representa un ejemplo de una firma propia en formato esttico.
8/12/2019 Procesamiento de Imagens
24/248
Reconocimiento de imgenes a travs de su contenido
13
B. Base de datos e firmas
El sistema parte de una base de datos de firmantes, de cada uno de los
cuales se dispone de 25 firmas propias y de 25 falsificaciones de 5 impostores,ya que cada firmante acta tambin de impostores proporcionando 25
falsificaciones, 5 de cada uno de los 5 firmantes inmediatamente anteriores a l
en la base de datos.
Las falsificaciones almacenadas en la base de datos son de tipo entrenadas
o skilled forgery,ya que cada impostor repite varis veces las firmas de la
vctima, hasta considerar su imitacin lo suficientemente buena, antes de que
dicha falsificacin sea adquirida y almacenada definitivamente. Con el nimode mejorar an ms la calidad de las falsificaciones se ha estimulado a los
participantes con un premio. Todo esto hace que la calidad de las
falsificaciones se alta.
La base de datos de firmas manuscritas se crea con un conjunto de
subcorpora independientes, uno por cada equipo de trabajo participante en el
proyecto de investigacin, de 75 firmantes enlazados en una cola circular. El
subcorpus utilizado en este trabajo ha sido adquirido en la Escuela de
Ingenieros de Bilbao.
C. Preprocesado de las firmas
La ejecucin de una firma nunca es idntica a otra previa ya que depende
de muchos factores, como puede ser el tamao, la zona de la tableta donde se
adquiere, etc. Por ello se realiza un preporcesado para obtener la representacin
de la firma independientemente de dichos factores.
La segmentacin de cada firma manuscrita requiere extraer la firma
esttica y off-line del fondo en la imagen electrnica obtenida tras el
escaneado. Pare ello, es posible utilizar diferentes operaciones morfolgicas
[I107], no teniendo en cuenta el factor de la rotacin de las firmas.
Este trabajo se centra en los aspectos posteriores a esta etapa de
segmentacin, ya que a travs de la informacin capturada con la tableta de
digitalizacin, se pueden sintetizar la imagen de la firma independiente del
fondo, eliminando cualquier rasgo dinmico de la misma. A partir de la
8/12/2019 Procesamiento de Imagens
25/248
Reconocimiento de imgenes a travs de su contenido
14
informacin esttica de la firma, es decir, los puntos considerados como pen
downs o con tinta de la misma, se genera artificialmente un fichero con la
informacin grfica o imagen de la firma manuscrita.
Las imgenes extradas del fondo de las firmas se normalizan a unas
dimensiones mximas de 512 pxeles de ancho por 256 de alto y son
justificadas al centro de dichas dimensiones. Las firmas con tendencia
horizontal presentan lneas vacas y las de tendencia vertical columnas vacas.
Fig 10-Firmas propias de los usuarios 9 y 28 normalizadas
Cada una de las imgenes as generadas, guarda su propia escala de
conversin de pxeles a milmetros y la relacin de aspecto es siempre de 2:1,
vase la figura 5.
Estos ficheros grficos contienen nicamente la informacin grfica 2D
esttica de cada firma, ya que se ha eliminado cualquier parmetro temporal, de
inclinacin o de presin obtenidos durante la captura.
Partiendo de la imagen de la firma se realiza el ltimo paso del
preporcesado, el relativo al seguimiento del contorno de la imagen de la firma.
A travs del estudio de la conectividad se analizan las estructuras blob que
conforman la imagen de la firma. Un blob representa una estructura continua
identificable en una imagen por ser de un color distintivo de su fondo.
El conjunto de blobs, resultado de la conectividad, incluye informacin de
los ejes de inercia, el centro de gravedad, los puntos del permetro, etc. de cada
blob. Adems de dichos datos es posible conocer la estructura jerrquica que
relaciona cada blob de la imagen con el resto de blobs mediante su ralacin de
parentesco.
8/12/2019 Procesamiento de Imagens
26/248
Reconocimiento de imgenes a travs de su contenido
15
Fig 11- Blobs de la firma ejemplo presentada en la Fig. 2
En la figura 6 se incluyen en azul los blobs pieza o hijos del fondo de la
imagen y en rojo los blobs hijo dependientes de los anteriores. En el ejemplo se
observan cuatro blobs pieza, uno principal y otro tres de menor tamao
correspondientes a las letras b e i que se representan aisladas en la imagende la firma.
Las cadenas de puntos (x, y) del permetro de blobs, tanto piezas como de
sus hijos, que conforman la imagen constituyen la informacin biomtrica
relevante en este trabajo. Dicha cadena de puntos (x, y) se recorre en sentido
horario partiendo del punto situado ms arriba en la imagen.
D. Entrenamiento del sistema
Un sistema de verificacin de firmas requiere un proceso de entrenamiento
de modelos representativos de las firmas que se desea verificar. Los modelos
utilizados en este trabajo se denominan modelos ocultos de Markov o HMM
(Hidden Markov Models).
Un modelo HMM es por definicin un autmata de estados finitos
estocsticos, a travs del cual se representa a una seal estocstica cuyascaractersticas estadsticas varan a lo largo del tiempo, mediante una secuencia
de estados.
Los modelos HMM se utilizan mayoritariamente para el reconocimiento
de la voz, representada como una secuencia de muestras ordenadas en el
tiempo campo en el que han demostrado una alta eficiencia. Tambin
comienzan a usarse en otros campos como es el reconocimiento de imgenes.
8/12/2019 Procesamiento de Imagens
27/248
Reconocimiento de imgenes a travs de su contenido
16
En este trabajo se utiliza como secuencia de muestras para el
entrenamiento de los modelos, la cadena de puntos del permetro (x, y) de los
blobs que conforman la imagen de las firmas propias listadas anteriormente.
El entrenamiento del modelo HMM de cada firmante se realiza a partir de
las versiones 00, 01, 02, 03, 04, 05, 10, 15, 20 de sus firmas originales, las 5
primeras se utilizan para inicializar el modelo, mientras que el proceso de
reestimacin se realiza con el conjunto de las nueve firmas.
La topologa del modelo HMM que proporciona un mejor comportamiento
es la denominada como izquierda derecha o left right (L-R) de 6 estados, en
el que los estados inicial y final no se comportan como los otros cuatro estados
intermedios del modelo, estados activos del mismo.
E. Verificacin y Seleccin del Umbral
Una vez obtenidos los modelos HMM de cada firmante, el proceso de
verificacin consiste en calcular el dato de similitud entre el modelo y firma a
verificar. A partir de dicho valor de similitud es posible determinar si la firma
verificada fue ejecutada por un usuario impostor o por el propio firmante.
La decisin se fundamenta en la utilizacin de un valor umbral, el cul seobtiene a partir de las curvas DET (Detection Error Tradeoff). Esta curva
permite representar los datos relativos a las tasas de error que permiten calibrar
la calidad o nivel de seguridad del sistema de verificacin, la tasa FAR (False
Acceptance Rate) y la tasa FRR (False Reject Rate).
Para la obtencin del umbral en el que el comportamiento de ambas tasas
es ptimo es posible priorizar una de ellas, lo que implica empeorar la otra,
para ello se utiliza una funcin coste:
DCF = Cmiss x Pmiss x Ptrue + Cfa x Pfa x Pfalse.
Siendo Cmiss la constant de la ponderacin de un falso rechazo, Cfa la
ponderacin de una falsa aceptacin, Ptrue la probabilidad a priori y Pfalse, su
complementacin (1-Ptrue).
8/12/2019 Procesamiento de Imagens
28/248
Reconocimiento de imgenes a travs de su contenido
17
La tasa de error EER (Equal Error Rate) o tasa de equierror
correspondiente al punto en que FAR y FRR coinciden, por lo que permite
conocer el mejor funcionamiento mutuo de ambas tasas de error.
El clculo de las curvas DET se realiza a travs del software de libre
distribucin del NIST [I110] y mediante sus coeficientes estndar. Los valores
estndar de los coeficientes se corresponden con los siguientes valores:
Cmiss = 10, Cfa = 1 y Ptrue = 0.01 lo que provoca que se priorice
fuertemente el valor de la tasa FAR frente al de la tasa FRR.
8/12/2019 Procesamiento de Imagens
29/248
Reconocimiento de imgenes a travs de su contenido
18
1.2.4ModelosHMM
Para la verificacin de las firmas estticas u off-line se parte de la secuencia de
puntos de los permetros de los blobs que conforman la imagen de la firma. Dicha
secuencia de puntos aunque no estn presentadas en funcin del tiempo, permiten
aplicar los modelos HMM, tcnica dinmica de reconocimientos, a la verificacin de
firmas off-line.
Se utilizan dos posibles ordenamientos para las cadenas de puntos del permetro de
los blobs de una firma, el ordenamiento por tamao (TAM) y el ordenamiento segn la
distribucin Izquierda-Derecha (ID) de los blobs de la imagen de la firma. El
ordenamiento ID prioriza a los blobs situados en posicin arriba abajo / izquierda
derecha, adecuada para la escritura latina en la que se han capturado las firmas. Para el
ordenamiento por tamao, se prioriza a los blobs de mayor tamao frente a los menores.
Para ambos ordenamientos la generacin de la secuencia de puntos del permetro, a
utilizar en el entrenamiento de modelos y la verificacin de las firmas, se realiza como
la concatenacin de las cadenas de puntos de los permetros de los blobs ordenados. Se
concatenan los puntos del blob pieza que es su padre, tras los cuales se insertan los
puntos del siguiente blob pieza e hijos segn el orden utilizado.
Para cada ordenamiento, TAM e ID, se genera un modelo HMM representativo de
las firmas propias de cada firmante segn el ordenamiento utilizado.
Fig 12- Ordenamiento segn ID (escala x 2)
Una misma imagen de firma proporciona las mismas estructuras blob, por lo que la
diferencia viene representada por la ordenacin de los puntos del permetro de los
8/12/2019 Procesamiento de Imagens
30/248
Reconocimiento de imgenes a travs de su contenido
19
mismos. En la figura 7 se observa la ordenacin TAM frente a la ordenacin ID que se
presenta en la figura 3. Ambas figuras incluyen una numeracin creciente entre los
blobs hijos de la imagen en funcin del ordenamiento utilizado.
1.2.5Resultadosobtenidos
Se presentan los resultados de la calidad del sistema de verificacin de firmas off-
line a travs de las tasas de error medias obtenidas para todos los firmantes de la base de
datos, mediante los dos modelos HMM generados por usuario, el modelo TAM y el
modelo ID.
Tabla 1- Resultados para Tasa de Equierror para Skilled forgeries
El sistema de verificacin proporciona un resultado de la tasa de equierror EER
levemente mejor para el ordenamiento ID de los puntos del permetro de blob. conocida
la naturaleza entrenada de las falsificaciones verificadas una tasa de equierror cercano al
30 % es ptimo.
El valor de la tasa EER se representa por un punto curva DET representada en la
figura 8, el cual corresponde al mejor comportamiento mutuo de las tasas de error FAR
y FRR obtenidas en el proceso de verificacin.
8/12/2019 Procesamiento de Imagens
31/248
Reconocimiento de imgenes a travs de su contenido
20
Fig 13-Curva DET firmante 33
Mediante la presentacin de la curva DET se puede observar el comportamiento
relativo de las tasas FAR (eje x) y la tas FRR (eje y), en el que cuando una aumenta la
otra disminuye y viceversa. Los valores ptimos de ambas tasas para los ordenamientos
TAM e ID y firmas falsificadas entrenadas se presentan a continuacin:
Tabla 2- Resultados para Skilled Forgeries
En la tabla 2 se presentan los valores medios de las tasas de error obtenidas para los
75 firmantes de la base de datos, mediante la utilizacin de los coeficientes estndar de
NIST. Se obtiene una tasa de falsa aceptacin FAR cercana al 0 %. Lo que provoca un
rechazo de todas las falsificaciones, frente a una tasa FRR elevada, lo que proporciona
un rechazo de las firmas propias de los firmantes. En casos particulares de firmas
estables difciles de falsificar, como en el caso del usuario 13 se observa un valor FAR
igual a 0 y un valor de FRR de 12.5%.
8/12/2019 Procesamiento de Imagens
32/248
Reconocimiento de imgenes a travs de su contenido
21
A partir de otros valores de coeficientes distintos a los estndares de NIST y
conociendo el ERR, que es invariante, FRR ajustndolos a las necesidades de las
aplicacin.
El ordenamiento de los puntos del permetro de los blobs mediante la distribucin
ID, es decir, el ordenamiento basado en la escritura latina, proporciona un mejor
rendimiento del sistema.
1.2.6Conclusiones
Se ha desarrollado un sistema de verificacin de firmas off-line basado en HMM
que ha sido probado sobre una base de datos de skilled forgerys.
Se obtienen mejores resultado con modelos en los cuales los blobs se ordenan de
arriba-abajo e izquierda-derecha que en modelos con blobs ordenado por tamaos, de
mayor a menor.
8/12/2019 Procesamiento de Imagens
33/248
Reconocimiento de imgenes a travs de su contenido
22
1.3 Reconocimientoderostrosyexpresionesfaciales
1.3.1Introduccin
[D4] Desde la percepcin del ser humano, la forma ms sencilla de reconocer
personas es a travs del rostro, ya que este tiene caractersticas nicas como distancia
entre los ojos, anchura de la nariz, forma de la barbilla, pmulos, forma de la boca, etc.
El presente apartado describe un sistema computacional de seguridad basado en el
reconocimiento de rostros, que explota las caractersticas anteriormente mencionadas.
En el presente proyecto se ha desarrollado un procedimiento de deteccin de caras
como parte de algoritmos de clasificacin de imgenes.
1.3.2Descripcin
del
sistema
El sistema estudiado est conformado por un programa desarrollado en MATLAB y
por una parte de hardware. Esta ltima es conformada por una computadora conectada a
una cmara web para poder capturar las imgenes de los rostros de diferentes personas.
La cmara web estar colocada sobre un soporte, el cual a su vez tendr una base donde
la persona colocar el rostro para que la cmara web pueda capturar la imagen
respectiva. El diseo consiste en una caja, donde se encontrar la cmara web en unextremo y en el otro el soporte del rostro. Adems se colocar una lmpara fluorescente
en la parte superior para asegurar una adecuada iluminacin. El esquema de la base
propuesta se muestra en la Fig. 9.
8/12/2019 Procesamiento de Imagens
34/248
Reconocimiento de imgenes a travs de su contenido
23
Fig 14- Base para la captura de imgenes
En la parte de software, se ha implementado un algoritmo que permite segmentar
las imgenes capturadas para obtener nicamente la imagen del rostro de esa forma se
descarta informacin de otro tipo que puede ser no relevante para los objetivos del
programa. Posteriormente, se procede con la descomposicin de las imgenes para
luego aplicarles la tcnica de Anlisis de Componentes Principales, con lo cual
finalmente se procede a realizar el reconocimiento. A continuacin se explicarn los
temas involucrados para la realizacin del algoritmo y posteriormente los pasos que se
siguieron para la implementacin del programa.
1. Segmentacin de imgenes
Una vez que la imagen es capturada con la cmara web, se procede con el algoritmo
de segmentacin, el cual est basado en las proyecciones de las derivadas de las filas y
columnas de los valores de la imagen.
Previamente, se le aplica el filtrado de mediana a la imagen, para quitar el ruido y
suavizar la imagen. Luego se procede a recuantizar la imagen a dos bits, para que los
cambios sean ms bruscos y de esta manera las derivadas se detecten mejor. Luego, se
obtiene el negativo de la imagen recuantizada para que el fondo y todo elemento no
perteneciente al rostro sea oscuro y facilitar la segmentacin (ver Fig. 10).
8/12/2019 Procesamiento de Imagens
35/248
Reconocimiento de imgenes a travs de su contenido
24
Fig 15- (a) Imagen capturada despus de aplicar el filtrado de mediana. (b) Imagen recuantizada
a dos bits. (c)
De la imagen negativa, se obtienen los vectores Pv(n) y Ph(n), que son las
proyecciones de las columnas y las filas, respectivamente (ver Fig. 11). Como cada fila
y columna tiene informacin de los valores de los pxeles, las proyecciones tienen la
informacin de los pxeles de toda la imagen. A estos vectores se les calcula la derivada
para poder ver los cambios de estos valores, es decir, cambios de tonalidades en la
imagen.
A partir de de Ph(n) y Pv(n), se obtienen las derivadas Ph(n) y Pv(n) (ver Fig. 12).
, donde n es el ndice que corresponde a cada elemento que contienen los vectores.
Fig 16- Proyecciones de filas y columnas
8/12/2019 Procesamiento de Imagens
36/248
Reconocimiento de imgenes a travs de su contenido
25
Fig 17- Derivada de las proyecciones de filas y columnas, respectivamente
Para las columnas, se obtiene el valor mximo, que indica la primera variacin de
tonalidad. Este valor se va a usar para segmentar la imagen en el eje vertical. El valor
mximo de Pv(n) puede ser expresado como :
Pvmax = Pv(nmax) (1)
donde:
Pv(nmax) > Pv(n) para todo n nmax (2)
El valor nmax es el ndice del valor mximo del vector. De la misma forma,
nmin es el ndice del valor mnimo del vector.
Luego se procede a calcular el valor :
Lp = N nmax (3)
Donde N es el nmero de columnas de la imagen y Lp el valor equivalente al
nmero de columnas posteriores al valor mximo.
Luego se procede a calcular el vector Pv1(n), el cual contendr los valores de las
proyecciones posteriores al valor mximo. De manera similar, se calcula el vectorPv2(n). Este vector contiene los valores de Pv1(n) desde la mitad hasta el ltimo
8/12/2019 Procesamiento de Imagens
37/248
Reconocimiento de imgenes a travs de su contenido
26
valor, ya que en este tramo se encuentra el valor mnimo, el cual indica la segunda
variacin de tonalidad. Con estos valores, se procede a segmentar la imagen. El
procedimiento matemtico se puede expresar como :
Pv1(n) = Pv(n + nmax) n = 0, 1, ., Lp - 1 (4)
Pv1(n) = Pv(n + nmax) n = 0, 1, ., Lp - 1 (5)
Pv2(n) = Pv1(Lp/2 + n) n = 0, 1, ., Lp/2 - 1 (6)
Pv2min = Pv2(nmin) (7)
donde:
Pv2(nmin) < Pv2(n) para todo n nmin (8)
Luego se forma el vector con los valores de las proyecciones, desde el ndice del
valor mximo hasta el ndice del valor mnimo, con lo cual se obtiene las proyecciones
de la imagen segmentada con sus respectivos ndices. Estos ltimos son utilizados para
indicar las columnas a descartar y finalmente segmentar la imagen en las columnas.
Posteriormente se procede a segmentar la imagen en las filas. A diferencia de lascolumnas, en las filas no se utilizar la derivada de las proyecciones debido a que, como
se puede observar en la figura 11, slo hay un cambio brusco cerca de la fila 50, lo cual
indica que hay cambio de tonalidad. Si se observa la figura 6c, en las primeras filas
tienen valores bajos, lo cual se ve reflejado en las proyecciones, y luego cambia a
valores altos que corresponden al rostro. Pero en las ltimas filas, donde termina el
rostro, no hay cambios significativos como en el caso de las columnas, por lo que no se
podra utilizar el mismo tipo de segmentacin que en las columnas ya que no
segmentara bien, para lo cual se requiere que el lmite inferior del rostro vaya apoyado
en una base y de esta manera descartar la parte del cuello o los hombros. De las filas, se
obtiene Ph(m), donde m = 0, 1, ., M-1 (M es el nmero de filas de la imagen).
Luego se calcula el valor mximo del vector Ph(m) para segmentar la parte superior
de la imagen :
Ph(mmax) > Ph(m) para todo m mmax (9)
Luego se obtiene :
8/12/2019 Procesamiento de Imagens
38/248
8/12/2019 Procesamiento de Imagens
39/248
Reconocimiento de imgenes a travs de su contenido
28
Fig 19- Imagen segmentada
2. Descomposicin Wavelet
La descomposicin wavelet es una tcnica que se utiliza para descomponer la
imagen de entrada en cuatro sub-imgenes. En el programa se utiliza la descomposicin
wavelet para reducir las dimensiones de las imgenes sin perder la informacin facial
necesaria. El resultado de la descomposicin est conformado cuatro sub-imgenes, que
contienen detalles principales, detalles verticales, detalles horizontales y detalles
diagonales. En el presente documento, se descompuso la imagen dos veces, por lo cual
se obtienen cuatro subimgenes cuyas dimensiones son cuatro veces menor que la
imagen original; sin embargo, los detalles principales no se pierden. Para el programa,
se utiliza la sub-imagen con los detalles principales y se le normaliza, a fin de que el
rango de grises, se encuentre entre 0 y 255.
8/12/2019 Procesamiento de Imagens
40/248
Reconocimiento de imgenes a travs de su contenido
29
En la Fig. 15 se observa la descomposicin Wavelet de una imagen facial.
Fig 20-Imagen facial y sus respectivas subimgenes. (wavelets)
3. Anlisis de Componentes Principales (ACP)
El ACP es un mtodo matemtico que da origen al mtodo de eigenfaces. El
mtodo consiste en la recoleccin de imgenes de rostros de varias personas que son
luego combinadas y convertidas en una matriz. Los vectores que conforman esta matrizson los denominado vectores eigenfaces. Estos pueden ser combinados
adecuadamente para reconstruir cualquier imagen facial del conjunto.
Para describir el mtodo, asmase en primer lugar que se tiene un conjunto de M
imgenes, que previamente fueron segmentadas (de P filas y Q columnas), que son
convertidas a vectores i. Con ello se construye una matriz que contiene a cada vector
como columna. La matriz resultante presenta por tanto PxQ filas y M columnas.
8/12/2019 Procesamiento de Imagens
41/248
Reconocimiento de imgenes a travs de su contenido
30
1.3.3Programa
Inicialmente el programa adquiere una imagen de rostro en escala de grises. Luego
se realiza el procedimiento ACP y se obtiene el vector eigenfaces de la imagen
adquirida. En seguida el vector es comparado con todos los vectores de las imgenes
proyectadas almacenadas, calculando la distancia euclidiana normalizada entre ellos. La
distancia mnima obtenida ser la que indique el usuario registrado con el cual el rostro
de entrada tiene mayor semejanza. Sin embargo, esta distancia mnima puede ser muy
grande, lo que indicara que ninguno de los usuarios registrados coincide
adecuadamente con el usuario de entrada. Para evitar este tipo de problemas, se
procedi a establecer un umbral, a fin de colocar un lmite en la distancia mnima, y
rechazar usuarios que no estn verdaderamente registrados. Si la distancia es menor al
umbral, entonces el usuario se considera como identificado, mostrando en pantalla el
nombre respectivo y su foto reconstruida.
El programa ofrece tambin la opcin de modificar la dimensin del espacio y de
esa forma alterar el tiempo de ejecucin del mismo. As mismo se ofrece la opcin depoder registrar un nuevo usuario en cualquier momento.
La interfaz visual de usuario del sistema propuesto es mostrada en la Fig. 16.
8/12/2019 Procesamiento de Imagens
42/248
Reconocimiento de imgenes a travs de su contenido
31
Fig 21-Interfaz visual del sistema propuesto
1.3.4Resultados
Con estas adiciones al programa, se procedi al reconocimiento de las imgenes y
despus de comparar resultados se obtuvo lo siguiente:
Verdaderos aciertos: 92.26%
Verdaderos Rechazos: 89.94%
Falsos aciertos: 7.04 %
Falsos Rechazos: 10.06%
8/12/2019 Procesamiento de Imagens
43/248
Reconocimiento de imgenes a travs de su contenido
32
2. IDENTIFICACION DE NECESIDADES
8/12/2019 Procesamiento de Imagens
44/248
Reconocimiento de imgenes a travs de su contenido
33
2 Identificacin de necesidades
2.1IntroduccinIDN
Esta etapa es el soporte a la peticin que el cliente realiza para determinar las
pautas generales de sus necesidades y del contexto del sistema.
El cliente debe establecer sus objetivos y necesidades generales, como
consecuencia del enlace entre los Sistemas de Informacin de la empresa y los sistemas
Informticos a desarrollar.
El objetivo es exponer el entorno global del problema en estudio, especificando:
Objetivos del sistema: objetivos de tipo empresarial.
Alcance del sistema: funciones de negocio a considerar dentro del alcance del
proyecto. Tipologa de los usuarios finales: conocer a qu perfil de personas va dirigido el
producto final a obtener.
Restricciones: se considerarn las restricciones que puedan afectar al plan del
proyecto y su desarrollo.
Organizacin y funciones empresariales: conocer bien cmo est organizado el
cliente, para ello se analizar el organigrama de la empresa.
Antecedentes: informacin de los motivos que han llevado a la organizacin delcliente a realizar el proyecto.
En la realizacin se obtendrn todos los datos necesarios para una buena
identificacin de necesidades, se realizarn entrevistas, obteniendo un conjunto valioso
de informacin del sistema.
El producto que se obtiene se representara mediante el Documento de
Conceptos del Sistema.
8/12/2019 Procesamiento de Imagens
45/248
Reconocimiento de imgenes a travs de su contenido
34
2.2Documentodeconceptdelsistema
PROYECTO
RECONOCIMIENTO
DE IMGENES
DOCUMENTO DE CONCEPTOS DEL
SISTEMA
EMPRESA: IIT
2.2.1
Objetivos
del
sistema
Hay dos objetivos globales en este proyecto:
1. Reconocimiento de tipos de fondo: cielo, csped.
1.1Generacin de un algoritmo capaza de clasificar las imgenes por su
color. En nuestro caso que contengan azul (cielo) o verde (csped).
1.2Generacin de un algoritmo capaza de diferenciar entre tres posiblestexturas. Las texturas que deber ser capaz de diferenciar son:
Lisas
Binarias
Rugosas
1.3A travs de la unin de ambos algoritmos, poder diferenciar imgenes
que contengan cielo o csped, con una tasa de error inferior al 10%.
2. Deteccin de personas.2.1 Localizacin de caras de personas en la imagen.
2.2 Si en la imagen se ha localizado alguna cara en base a localizar ojos y
boca. Se concluye que la imagen contiene personas.
8/12/2019 Procesamiento de Imagens
46/248
Reconocimiento de imgenes a travs de su contenido
35
2.2.2Alcancedelsistema
Reconocimiento de color: Para esta parte, habr que realizar un anlisis de los
modelos de color RGB y HSV.
Para ambos modelos de color, ser necesario estudiar si dado un color es posible
identificar dicho color mediante sus coordenadas.
En el caso de RGB, se comprobaran las siguientes proyecciones del espacio:
R vs G
R vs B
G vs B
R vs G vs B
Tras realizar las evaluaciones pertinentes, se identificara la mejor entre las cuatro
proyecciones para clasificar un color.
En el caso HSV, se comprobaran las siguientes proyecciones del espacio:
H vs S
H vs V
S vs V
H vs V vs S
Al igual que en modelo RGB, habr que identificar la mejor entre las cuatro
proyecciones.
Una vez seleccionados las proyecciones, se analizara con cul de los dos moleos es
ms precios a la hora de clasificar el color.
Reconocimiento de texturas: El reconocimiento de texturas, se realizara a travs de
histogramas, para ello, ser necesario implementar un algoritmo capaz de clasificar las
8/12/2019 Procesamiento de Imagens
47/248
Reconocimiento de imgenes a travs de su contenido
36
texturas como lisas, binarias o rugosas. Tambin ser necesario realizar un breve
documento sobre la funcin statxture.
Deteccin de caras: Para la deteccin de caras se crearan dos algoritmosindependientes, uno para la localizacin de los ojos, y otro para la localizacin de la
boca. En ambos algoritmos se trabajara con la proyeccin YCbCr.
2.2.3Topologadeusuariofinales
Los usuarios finales sern empresas que por algn motivo necesiten clasificarimgenes de manera automtica en base al contenido.
2.2.4Restricciones
Las restricciones a las que est sujeto el proyecto son de tipo temporal, puesto que
el plazo de entrega del proyecto no puede superar la primera semana de junio del 2008.
Adems los algoritmos generados, debern consumir el mnimo nmero de
recursos.
Al ser un proyecto fundamentalmente de investigacin, la optimizacin del tiempo
de ejecucin queda fuera del alcance, pero es necesario que los algoritmos sean
suficientemente rpidos como para permitir correr los procesos de evaluacin.
8/12/2019 Procesamiento de Imagens
48/248
Reconocimiento de imgenes a travs de su contenido
37
3. PLAN DE GESTION
8/12/2019 Procesamiento de Imagens
49/248
Reconocimiento de imgenes a travs de su contenido
38
3 Plandegestin3.1Descripcingeneraldelproyecto
A continuacin se mostrar una visin general del proyecto, el cual consiste en
desarrollar algoritmos capaces de reconocer objetos en imgenes. Para lograr esto se
utilizarn las siguientes tcnicas:
1. Reconocimiento de colores: Se estudiar la imagen a travs de los colores, paraello se har un estudio previo entr dos formas posible de reconocimiento de
colores, RGB y HSV. Esta tcnica es vlida para reconocimiento de cielos,
nieve, mar, csped, etc, es decir, imgenes donde haya un color predominante.
2. Reconocimiento de textura: Esta tcnica es ms compleja que el
reconocimiento de colores, se utilizar para validar que una textura es lisa,
binaria o rugosa. Un ejemplo podra ser el reconocer un rbol en distintos
entornos, como uno rural y otro de ciudad, en donde los distintos elementos quelo rodean son muy distintos. El reconocimiento del rbol se podra hacer
mediante la textura de la madera del tronco.
3. Deteccin de caras: Para conseguir este objetivo se utilizara la proyeccin
YCbCr. La deteccin de caras tendr que ser efectiva en aquellas imgenes que
contengan a una persona de medio cuerpo para arriba, no teniendo porque ser
efectiva en aquellas imgenes donde las personas salgan de cuerpo entero.
Para el desarrollo de este proyecto se ha decidido utilizar como herramienta Matlab.
Matlab es un leguaje matemtico capaz de ejecutar elevados clculos matriciales
adems de poseer unas Toolbox de imgenes, necesarios para este proyecto.
8/12/2019 Procesamiento de Imagens
50/248
Reconocimiento de imgenes a travs de su contenido
39
3.2Diagramadeactividadesarealizar
A continuacin se muestra un diagrama de las distintas actividades de las que se
compone el proyecto. Las actividades se numerarn de la forma WP XX.YY, donde
XX corresponde a un nmero consecutivo referente a la tarea principal, e YY a la
subtarea de XX.
Reconocimiento de
imgenes a travs de sucontenido
WP-01
ConstruccinLgica
WP-02
ConstruccinFsica
WP-03
Documentacin
WP-00.01
Color
WP-00.02
Textura
WP-04
Direccin deproyecto
WP-00.03
Localizadorde rostros
WP-01.01
Estudio deGaussinas
WP-01.02
Diseo detexturas
WP-02.01
Implantacinde Gaussinas
WP-02.02
Algoritmos
WP-02.03
Pruebas dealgorimos
Fig 22-Diagrama de actividades
WP-05
Coordinacin
WP-00
Investigacin
8/12/2019 Procesamiento de Imagens
51/248
Reconocimiento de imgenes a travs de su contenido
40
3.3Descripcindetalladadelasactividades
A continuacin, se proceder a describir las actividades finales del proyecto,estas son aquellas actividades que no se dividan en otras sub-actividades.
Identificador deActividad
WP-00.01
Nombre Color
Entradas Informacin sobre los modelos de color RGBy HSV.
Actividades Realizar un documento con los modelos decolor RGB y HSV, indicando las propiedades decada uno, para poder realizar los estudios
pertinenetes.
Salidas Documento RGB Documento HSV
Gestin
Tabla 3- W-00.01
Identificador deActividad
WP-00.02
Nombre Textura
Entradas Informacin sobre texturas
Actividades Realizar un documento con las formas
posibles de reconocimiento de textura.
Salidas Documento sobre texturas
Gestin
Tabla 4-WP-00.02
8/12/2019 Procesamiento de Imagens
52/248
Reconocimiento de imgenes a travs de su contenido
41
Identificador deActividad
WP-00.03
Nombre Localizador de rostrosEntradas Informacin sobre localizadores de rostros
Actividades Realizar un documento con los mtodosempleados para alcanzar el objetivo.
Salidas Documento YCbCr Documento sobre localizador de rostros
Gestin
Tabla 5-WP-00.03
Identificador deActividad
WP-01.01
Nombre Estudio de Gaussinas
Entradas Conjunto de puntos que definen los colores
azul y verde.Actividades Estudiar la mejor forma a travs de
gaussianas para clasificar un color como azul overde.
Salidas Programa elegido para realizar laclasificacin.
Gestin
Tabla 6-WP-01.01
8/12/2019 Procesamiento de Imagens
53/248
Reconocimiento de imgenes a travs de su contenido
42
Identificador deActividad
WP-01.02
Nombre Diseo de texturas
Entradas Histogramas correspondientes a texturas lisas,binarias y rugosas.
Actividades Definir la formar de diferenciar las distintasformas de texturas mediante los histogramas.
Salidas Documento en el que se explica la formalgica de diferenciar entre las tres texturas
definidas.
Gestin
Tabla 7-WP-01.02
8/12/2019 Procesamiento de Imagens
54/248
Reconocimiento de imgenes a travs de su contenido
43
Identificador deActividad
WP-02.01
Nombre Implantacin de GaussianasEntradas Programa elegido para la clasificacin de un
color mediante gaussianas.
Actividades Implantar dentro del algoritmo el programa.
Salidas Algortimo sin terminar.
Gestin
Tabla 8-WP-02.01
Identificador deActividad
WP-02.02
Nombre Algoritmo
Entradas Resultados de los documentos.
Actividades Mediante la informacin recibida de losdocumentos desarrollados anteriormente, generarlos algoritmos de color y textura.
Salidas Algoritmos terminados.
Gestin
Tabla 9-WP-02.02
Identificador deActividad
WP-02.03
Nombre Pruebas de los algoritmos
Entradas Algoritmos.
Actividades Comprobar el grado de acierto de losalgoritmos generados.
Salidas Eficiencia de los algoritmos generados.
Gestin
Tabla 10-WP-02.03
8/12/2019 Procesamiento de Imagens
55/248
Reconocimiento de imgenes a travs de su contenido
44
Identificador deActividad
WP-03
Nombre Documentacin
Entradas Informacin sobre los algoritmos
Actividades Desarrollo de un documento final delproyecto.
Salidas Documento final de proyecto.
Gestin
Tabla 11-WP-03
Identificador deActividad
WP-04
Nombre Direccin del proyecto
Entradas Documento final del proyecto
Algoritmos generados
Actividades Validacin del proyecto por parte del directordel proyecto.
Salidas Documento firmado por el director deproyecto.Calificacin del proyecto por parte deldirector del proyecto
Gestin
Tabla 12-WP-04
8/12/2019 Procesamiento de Imagens
56/248
Reconocimiento de imgenes a travs de su contenido
45
Identificador deActividad
WP-05
Nombre Coordinacin
Entradas Documento final del proyecto
Algoritmos generados
Actividades Validacin del proyecto por parte delcoordinador del proyecto.
Salidas Documento firmado por el coordinador delproyecto.Nota final del proyecto.
Gestin
Tabla 13-WP-05
8/12/2019 Procesamiento de Imagens
57/248
Reconocimiento de imgenes a travs de su contenido
46
3.4Diagramadelequipodetrabajo
Posteriormente se mostrar el organigrama del proyecto
Como se observa en la Error! No se encuentra el origen de la referencia. 23 ,
existe una colaboracin entre el director y el coordinador del proyecto, mientras que la
funcin de Jefe de Proyecto depende tanto del director como del coordinador, y a su
vez, de ste depende el analista, el programador y el diseador
Coordinador delproyecto fin de
carrera
Director del proyectofin de carrera
Jefe del proyecto
Analista Programador Diseador
Fig 23- Organigrama del proyecto
8/12/2019 Procesamiento de Imagens
58/248
Reconocimiento de imgenes a travs de su contenido
47
3.5Descripcindeactividadesdecadaintegrante
A continuacin se mostrar una relacin de tareas de cada integrante del equipo de
trabajo:
Identificador del
integrante
Coordinador
Nombre David Contreras Brcena
Tareas Concretar la definicin del proyecto
Controlar/Supervisar el proyecto, junto con el
director del mismo
Supervisa los plazos de entrega
Homogeniza la calidad de los proyectos
Supervisin final del proyecto
Tabla 14-Coordinador
8/12/2019 Procesamiento de Imagens
59/248
Reconocimiento de imgenes a travs de su contenido
48
Identificador del
integrante
Director
Nombre Rafael Palacios
Tareas Dirigir el proyecto
Facilitar las orientaciones adecuadas ante los
problemas que vayan surgiendo
Proponer una calificacin al coordinador delproyecto
Controlar/Supervisar el proyecto, junto con el
coordinador
Tabla 15-Director
Identificador del
integrante
Jefe de Proyecto
Nombre Antonio Peralta Sez
Tareas Gestiona el proyecto y es el mximo
responsable del mismo
Verifica el trabajo realizado por sus
subordinados
Tabla 16-Jefe de proyecto
8/12/2019 Procesamiento de Imagens
60/248
Reconocimiento de imgenes a travs de su contenido
49
Identificador del
integrante
Analista
Nombre Antonio Peralta Sez
Tareas Analiza el contenido del proyecto, marcando
pautas para la realizacin del mismo
Tabla 17-Analista
Identificador del
integrante
Programador
Nombre Antonio Peralta Sez
Tareas Lleva a cabo toda la parte de programacin
del proyecto
Instala el software necesario para llevar a
cabo el proyecto
Verifica la programacin haciendo un banco
de pruebas para comprobar la calidad del proyecto
Tabla 18-Programador
8/12/2019 Procesamiento de Imagens
61/248
Reconocimiento de imgenes a travs de su contenido
50
Identificador del
integrante
Diseador
Nombre Jaime Martn Talavera
Tareas Analiza y define las interfaces que se deben
llevar a cabo para la realizacin de la
programacin
Tabla 19-Diseador
8/12/2019 Procesamiento de Imagens
62/248
Reconocimiento de imgenes a travs de su contenido
51
3.6 Estimacindelesfuerzodecadaintegrante
Para el proyecto, la estimacin del esfuerzo de cada integrante es la que se muestra
a continuacin (mostrada en horas/hombre):
COORDINADOR DIRECTOR JEFEPROYECTO ANALISTA PROGRAMADOR DISEADOR TOTAL
WP00 10 10 20
WP01
5
15 30
50
WP02 5 30 50 110 40 235
WP03 5 15 70 90
WP04 10 10 5 25
WP05 15 15
TOTAL 15 25 80 165 110 40 435
Tabla 20-Estimacin del esfuerzo
8/12/2019 Procesamiento de Imagens
63/248
8/12/2019 Procesamiento de Imagens
64/248
Reconocimiento de imgenes a travs de su contenido
53
3.8Planificacindelasactividades
A continuacin se muestra un diagrama de Gantt con la planificacin del proyecto
Fig 24-Planificacin
Tanto la documentacin, direccin del proyecto como la coordinacin se realiza en
paralelo desde el inicio de proyecto al fin del mismo.
8/12/2019 Procesamiento de Imagens
65/248
Reconocimiento de imgenes a travs de su contenido
54
4. ESTUDIO DE ARQUITECTURA
8/12/2019 Procesamiento de Imagens
66/248
Reconocimiento de imgenes a travs de su contenido
55
4 Estudio de arquitectura
4.1Introduccin
E
-ARQ
En esta etapa se definirn las posibles soluciones de arquitectura tcnica que
satisfagan tanto los requisitos como las restricciones de diseo. La arquitectura debe
indicar que componentes bsicos de software, hardware y comunicaciones se deben
adquirir o desarrollarse.
Los objetivos entonces sern:
Definir las posibles soluciones de arquitectura tcnica que satisfagan los
requisitos y las restricciones de diseo.
Elegir una alternativa propuesta, que ser la que se implante.
Obtener la aprobacin del cliente o comit informtico para la alternativa
elegida.
Para la realizacin se llevara a cabo funciones tales como:
Especificar la tecnologa hardware, software y de comunicaciones de cada
alternativa.
Evaluar cada alternativa en sus aspectos: estratgicos, organizativos,
operativos, tcnicos y econmicos.
Seleccionar la alternativa a adquirir o desarrollar.
Elaborar la planificacin general del desarrollo y programacin delproyecto.
Los productos que se obtienen son:
Esquema grfico de funcionamiento de cada alternativa. Especificacin de
los componentes software, hardware y de comunicaciones.
Matriz de evaluacin de las distintas alternativas.
Planificacin general del proyecto: etapas, actividades, hitos importantes,
recursos y calendarios.
8/12/2019 Procesamiento de Imagens
67/248
Reconocimiento de imgenes a travs de su contenido
56
El nmero de alternativas a considerar depende del tamao del proyecto a realizar y
de la complejidad del mismo.
8/12/2019 Procesamiento de Imagens
68/248
Reconocimiento de imgenes a travs de su contenido
57
4.2Hardware/softwaredelsistemaactual
En la lista siguiente se enumeran los elementos hardware y software del los
sistemas utilizado actualmente.
Mquina 1
Placa base: ASUS P5KPL
o Chipset Intel G31
o CPU Intel LGA775 Pentium 4
o DDR2 de Dual-Channel
o Audio Realtek ALC 662 6-chanel
o Stack Cool
o AI NOS
o AI NET2
Procesador: Intel P4 3.02 Ghz 800 mhz 2Mb Cache Socket 775
o Processor Frequency: 3 GHz
o CPUID String: 0F43h
o Package Type: 775 pin
o Core Voltage: 1.25V-1.388V
o Bus Speed: 800 MHz
o Thermal Guideline: 84.0W
o Core Stepping: N0
o Thermal Spec: 67.7C
o L2 Cache Size: 2 MB
o Manufacturing Technology: 90 nm
o L2 Cache Speed: 3.00 GHz
o Bus/Core Ratio: 15
Memoria: CORSAIR DIMM DDR2 800 2 x 1024 MB xms2 CL4
Tarjeta grfica: SPARKLE 6600 PCX 256MB TV HDTV
8/12/2019 Procesamiento de Imagens
69/248
Reconocimiento de imgenes a travs de su contenido
58
o Bus de grficos PCI Express
o Memoria 256MB
o Interfaz de memoria 128 bits
o Ancho de banda de memoria (GB/s.) 22,4
o Tasa de relleno (miles de millones de pxeles/s) 6,7
o Vrtices/s. (millones) 700
o Pxeles por ciclo de reloj (pico) 12
o RAMDAC (MHz) 400
Disco Duro: SATA 200GB 7200rmp MAXTOR
o Capacidad: 200GB
o Interface: SATA 1.5Gb/s
o Buffer: 8MB
o RPM: 7200
DVD: AOPEN 16x 48x IDE CAMALEON
Grabadora DVD: PIONEER 109 16X Doble capa 4X OEM
Impresora: Hewlett Packard K550 Scanner: Hewlett Packard ScanJet 3300C
Aplicaciones: Windows XP, Microsoft Office Excel, Matlab 7.0.1
8/12/2019 Procesamiento de Imagens
70/248
Reconocimiento de imgenes a travs de su contenido
59
4.3Especificacionesdelasaternativas.
Debido al elevado tamao de las matrices a tratar y de la complejidad de los
clculos para resolver las gaussianas, se aconseja la utilizacin de estaciones de trabajo
con alto rendimiento.
A continuacin se detalla los elementos hardware y software de la mquina Sun
Ultra 40 Workstation
P
rocesador:
o Processor: two AMD Opteron dual-core 2.6 GHz 285 with
three 8-GBps HyperTransport interconnects per CPU.
o Secondary cache (Level 2): 1 MB per CPU.
Memoria:
o 16GB maximum; up to four registered DIMMs per CPU.
Interfaz estandar:
o Network: Two on-board 10/100/1000 Base-T Gigabit
Ethernet interfaces.
o I/O
Fig 25-Estacin de trabajo Sun Ultra 40 Workstation
8/12/2019 Procesamiento de Imagens
71/248
Reconocimiento de imgenes a travs de su contenido
60
Eight USB 2.0 ports.
Two IEEE 1394a (FireWire) ports
o Audio I/O
One line-in Two front ports and eight back ports
o Expansion bus
Two PCI Express x16 graphics slots (x8 logically)
One PCI-Express x8 expansion slot (x4 logically)
Two conventional 32-bit PCI slots operating at
33MHz
Memoria de almacenamiento
o Internal disk:
Up to four Serial ATA drives 500 GB
2 TB maximum RAID 0 and RAID 1 support Optical
drive: One slim dual DVD-RW/CD-RW drive.
o Optical drive:
DVD Dual (DVD-ROM and CD-RW combo)
Grficos y imgenes
o High-end 3-D: NVIDIA Quadro FX 540 (PCIe) Sotfware
o Operating System: Operating Systems supported by Sun
Solaris OS, Red Hat Enterprise Linux, SUSE Linux
Enterprise Server, and Microsoft Windows.
o Free Software: Preloaded Development Tools. Includes fully-
licensed versions of the following:
Sun Java Studio Creator 2 - 90-day installation support+ 1-year support via Sun Developer Network (SDN)
Sun Java Studio Enterprise 8 - 90-day installation
support + 1-year support via SDN.
Sun Java Studio Enterprise 8 - 90-day installation
support + 1-year support via SDN.
Sun Studio 11ML - 90-day installation support.
NetBeans 5.0 open source IDE
Grid Software:
8/12/2019 Procesamiento de Imagens
72/248
8/12/2019 Procesamiento de Imagens
73/248
Reconocimiento de imgenes a travs de su contenido
62
o Depth 569 mm (22.4 in.).
o Weight 26.31 kg (58 lbs) fully configured, depending on
configuration.
Precio:
o 2,295.00 $
8/12/2019 Procesamiento de Imagens
74/248
Reconocimiento de imgenes a travs de su contenido
63
A continuacin se detalla los elementos hardware IBM IntelliStation A Pro.
Procesador:
o Dual-core AMD Opteronprocessors Dual-capable Opteron
200 Series processors up to 2.8 GHz.
o 1MB L2 cache per processor core Memoria:
o 16GB max, PC3200 ECC DDR SDRAM, 128-bit controller; 8
DIMM slots total.
Interfaz estandar:
o Network: Integrated high-bandwidth Gigabit Ethernet with
Wake on LAN.
o I/O: USB 2.0 (2 front, 3 back).
2 IEEE 1394 (1 front, 1 back).
2 serial.
1 parallel.
o Audio I/O
AC-97 audio.
Microphone in (front and back).
Line in.
Fig 26-Estacin de trabajo IBM IntelliStation A Pro
8/12/2019 Procesamiento de Imagens
75/248
Reconocimiento de imgenes a travs de su contenido
64
Line out.
Integrated speaker.
o Expansion bus:
(1/0) PCI Express x16.
(1/1) 64-bit/133MHz PCI-X.
(4/4) 64-bit/100MHz PCI-X.
Memoria de almacenamiento
o Internal disk:
80GB/7,200rpm.
160GB/7,200rpm.
250GB/7,200rpm (optional).
o Optical drive: IBM MultiBurner Plus CD-R, CD-RW, DVD-
RAM, DVD-ROM, DVD-R, DVD-RW, DVD+R, DVD+RW.
Grficos y imgenes
o Extreme 3D NVIDIA Quadro FX 4500, 512MB GDDR3
SDRAM, 470 MHz GPU core.
Sotfware:
o Microsoft Windows XP Professional (32-bit)and XP Professional x64 Edition available preinstalled.
o Matlab 7.0.1
Entorno:
o 530W.
o 3 temperature-controlled fans.
Precio:
o 5,219.00 $
8/12/2019 Procesamiento de Imagens
76/248
Reconocimiento de imgenes a travs de su contenido
65
4.4Evaluacindelasalternativas
4.4.1Evaluacin
tcnica
En la tabla 23 podemos ver una comparacin entre las dos mquinas propuestas.
Tabla 23-Comparativa mquinas
8/12/2019 Procesamiento de Imagens
77/248
Reconocimiento de imgenes a travs de su contenido
66
Como podemos observar en la mayora de los elementos es superior Sun Ultra 40
Workstation a la mquina IBM IntelliStation A Pro.
En este aspecto apostaremos por la mquina Sun Ultra 40 Workstation al ser estamas potente.
4.4.2Evaluacineconmica
En el anlisis de los costes de adquisicin tecnolgica se pondr especial nfasis en:
Costes hardware: costes del equipo para el nuevo sistema.
Costes software: licencias de productos ya desarrollados y comercializados
a adquirir como hojas de clculo (estas son necesarias para poder salvar los
datos calculados), sistemas operativos, matlab (para poder correr la
aplicacin).
ALTERNATIVA 1 2
Costes del hardware $2,295.00 $5,219.00
Costes software * *
Tabla 24-Alternativas
* En cuanto a los costes software en ambos casos sern los mismos ya que en
ambas mquinas vienen instalados sistemas operativos, los nicos costes serian los de la
adquisicin de la licencia de Matlab 7.0