Resumen:
Los sistemas de detección de peatones en la noche permiten al conductor estar al tanto del entorno donde se encuentra, especialmente en ambientes donde la visibilidad es muy baja. Pero, estos sistemas aún están lejos de ser perfectos debido a problemas como pobre adquisición de imágenes, amplia variabilidad en la forma de los peatones, entornos al aire libre con alta variabilidad en iluminación, entre otros. Esta tesis propone el desarrollo e implementación de un sistema de detección de peatones en la noche, utilizando imágenes en el infrarrojo lejano. Este sistema incluye dos etapas, generación de regiones de interés (ROIs, por sus siglas en inglés Región Of Interest) y reconocimiento de peatones a través de una nueva arquitectura de fast R-CNN (del inglés Regions with Convolutional Neural Network) que es uno de los enfoques más usados en aprendizaje profundo. La arquitectura fast R-CNN consta de dos partes, una es el generador de características y otra es un clasificador basado en regresión logística. Donde se calculan los parámetros de distribución de probabilidad sobre las categorías peatón y no peatón. Esta nueva arquitectura ha sido evaluada sobre la base de datos LSIFIR y ha demostrado que la tasa de error del 25.5% es competitiva al compararla con estudios anteriores.
