Detección y seguimiento de personas en ambientes dinámicos usando un robot móvil autónomo

Abstract

Desde que la humanidad comenzó a diseñar y usar máquinas inteligentes siempre ha deseado que estas imiten el comportamiento humano, que tengan inteligencia y autonomía. Para poder darles la habilidad de seguir personas, primero se debe implementar la detección de la persona a seguir. Sin embargo, los métodos de detección confiables existentes actualmente no se ejecutan en tiempo real en cpus. Por otro lado, existen innumerables métodos de seguimiento de personas, pero dichos métodos pueden fallar frente a oclusiones, grandes variaciones de iluminación o cuando el tiempo de seguimiento es largo. En este trabajo de tesis se propone un sistema de seguimiento libre de retardo (delay-free), que usa un sistema de detección confiable pero lento como base. El sistema es capaz de actualizar las detecciones retrasadas, de modo que la inicialización de los algoritmos de seguimiento sea adecuada. El sistema propuesto debe considerar varios factores, tales como tener la capacidad de ser invariante a cambios bruscos en el aspecto y forma de la persona. Estas variaciones de aspecto se producen por las distintas posiciones relativas entre el sensor y la persona observada. Además, el sistema debe ser invariante a cambios de iluminación y debe ser capaz de recuperarse ante oclusiones y aglomeraciones de personas. El método de seguimiento propuesto se basa en el algoritmo KLT (Shi-Tomasi función de seguimiento de puntos o esquinas [1]) mezclado con RANSAC (RANdom SAmple Consensus [2]) que es usado para realizar la transformación libre de retardo. Es importante señalar que el procedimiento de transformación libre de retardo es independiente del algoritmo de detección, sólo requiere que la región del objeto tenga textura visual que permita realizar el seguimiento. Además, el método propuesto logra detectar falsas detecciones causadas por fallas en el algoritmo de detección primaria de forma explícita, usando clasificadores estadísticos (SVM - Support Vector Machine), así como oclusiones, que se modelan utilizando un modelo oculto de Markov (HMM) cuyo estado se estima utilizando el algoritmo de Viterbi. El método de seguimiento propuesto en esta tesis se validó en la aplicación "seguimiento de personas", en la que un robot de servicio sigue a un ser humano bajo condiciones propias del mundo real sin restricciones: en ambientes internos y externos (al aire libre), con intensidad de iluminación variable, fondos desordenados, ambientes con aglomeraciones, y oclusiones causadas por personas. El método propuesto se comparó con otros métodos de detección y de seguimiento: HOG [3], CT - Real-time compressive tracking [4], TDK Tracking-by-dectection with Kernels [5], Meanshift [6], y KCF Kernel Correlation Filter [7] y de acuerdo a los resultados obtenidos, el método propuesto tiene mejor rendimiento que los métodos mencionados.