Implementación del algoritmo de clasificación Bayesian Naive y el filtro de Kalman para la detección y seguimiento de peatones para aplicaciones en vehículos inteligentes

Abstract

En este proyecto de titulación se implementó un algoritmo para la detección y el seguimiento de peatones durante el día, usando visión por computador. Esta propuesta consta de dos partes, un módulo de clasificación y un módulo de seguimiento. Para el clasificador se usó una nueva versión del descriptor HOG, para la generación del vector de características, luego se entrenó el algoritmo Adaboost como clasificador fuerte, junto con Naive Bayes como clasificador débil. En la etapa de seguimiento se utilizó el filtro de Kalman, para el seguimiento de un peatón presente en la escena. El clasificador fue entrenado y evaluado sobre las bases de datos: Daimler (Daimler, 2013), INRIA (INRIA, 2005), P_T_HI (Flores, Robayo, & Saa, 2015), MIT (MIT, s.f.), CVC-03 (Elektra, 2010). Para la fase de entrenamiento se usaron 39000 imágenes de no peatones y 21000 imágenes de peatones, para la validación se usaron 19974 imágenes de peatones y 37274 imágenes de no peatones, obteniendo una exactitud del 85,2% y una sensibilidad del 93,76%. En la evaluación del filtro de Kalman se utilizó cinco videos formando un total de 3239 fotogramas, obteniendo una tasa de fallas promedio en escala logarítmica MR(%) del 40.35%.