Drones en Tareas de Rescate y Reconocimiento

Hasta el momento, los ejemplos que se han mostrado en cada una de las tablas son prototipos en su mayor´ıa con fines militares. Sin embargo, un en- foque que a criterio de los autores resulta atractivo, es el de emplear estas herramientas tecnol´ogicas en tareas de rescate y reconocimiento de personas. En esta secci´on, se mostrar´a algunos de estos trabajos alrededor del mundo, con el fin de estudiar las t´ecnicas empleadas y los resultados que se obtuvie- ron.

Monajjemi, Mohaimenianpour y Vaughan en [59], muestran los resultados del desarrollo de un sistema llamado “Come to-me”, el cual se implement´o en un drone y tal como su nombre lo indicaba, ´este sistema ten´ıa como objetivo principal regresar hacia el lugar en el que se encontrase cualquier persona. Inicialmente, la persona que quisiera ser seguida por el drone, deber´ıa iniciar la interacci´on con ´este agitando sus brazos, si fuese el caso de estar en pre- sencia de m´as personas; luego de esto, el usuario le ped´ıa al UAV que tomase una fotograf´ıa ´unicamente saludando la c´amara; para finalmente terminar la interacci´on realizando una se˜nal de alto con las dos manos.

Este sistema cont´o con una plataforma de hardware para el drone, un m´etodo de iniciaci´on de interacci´on usando gestos prestablecidos, un rastreador de objetivo visual, un controlador para el acercamiento al usuario, entre otras etapas. Otros trabajos en los que se presentan sistemas que permiten realizar interacciones entre UAV situados a corta distancia a trav´es de la mirada y los gestos manuales se pueden estudiar en [60] y [61].

Acerc´andose aun m´as a la idea de este proyecto, se encuentra lo realizado por Sven Gotovac, Vladan Papi´c y ˇZeljko Maruˇsi´c en [62], en este trabajo los autores utilizaron algoritmos de detecci´on de objetos sobresalientes en im´agenes a´ereas, capturadas por UAV’s. Estos algoritmos tienen la finalidad de encontrar dentro de una imagen o video, objetos que capten la atenci´on del usuario a primera vista. Esta t´ecnica de detecci´on es com´un en aplicacio- nes de rob´otica y visi´on artificial, ya que abarca conceptos b´asicos como la segmentaci´on y otros m´as avanzados como la compresi´on adaptativa.

Las im´agenes de prueba respond´ıan a dos tipos de entorno; uno se destacaba por la uniformidad de su superficie, mientras que el otro se caracterizaba por la asimetr´ıa de la misma. En el primer caso, se hallaban fotograf´ıas de huertas, cultivos y carreteras, por el otro lado, bosques y superficies rocosas.

El reconocimiento de personas en las fotograf´ıas del primer tipo, estaba dado por el hallazgo de patrones hetereog´eneos respecto a la simetr´ıa del lugar, caso contrario, en el segundo tipo de superficies el m´etodo era m´as complejo, ya que ´este empleaba una b´usqueda de objetos que sobresalieran del resto por su tama˜no, o por el contraste de los diferentes objetos. Puntualmente se hace referencia a los m´etodos; FT (Frequency-tuned Salient Region Detec- tion), LC (Visual attention detection in video sequences using spatiotemporal cues), SR (Saliency detection: A spectral residual approach), WT (A Saliency Detection Model Using Low-Level Features Based on Wavelet Transform) El criterio para evaluar estos algoritmos al igual que en [2] y [36] se bas´o en el c´alculo de los par´ametros estad´ısticos precisi´on y exhaustividad. En las Tablas 2.7 y 2.8 se muestran los resultados de las pruebas para las superficies homog´eneas y hetereog´eneas respectivamente.

M´etodo Exhaustividad Precisi´on

WT 90 % 57 %

SR 30 % 7 %

FT 89 % 41 %

LC 83 % 27 %

Tabla 2.7: Resultados de los c´alculos de Precisi´on y Exhaustividad para Im´agenes de Superficies Homog´eneas Fuente: Sven Gotovac, Vladan Papi´c y ˇZeljko Maruˇsi´c [62].

M´etodo Exhaustividad Precisi´on

WT 90 % 44 %

FT 69 % 4 %

Tabla 2.8: Resultados de los c´alculos de Precisi´on y Exhaustividad para Im´agenes de Superficies Hetereog´eneas Fuente: Sven Gotovac, Vladan Pa- pi´c y ˇZeljko Maruˇsi´c [62].

Otra forma de aplicar estas t´ecnicas de reconocimiento, se puede ver en [63]. El objetivo de ese trabajo fue el de crear una herramienta de apoyo para equipos de rescate, en el que las v´ıctimas fuesen encontradas naufragando en mar abierto, por medio de la implmentaci´on de una flota de UAV’s en compa˜n´ıa de una flota de USV’s (Unmanned Surface Vehicle). El equipo de rescate combinaba el reconocimiento a´ereo con el despliegue de los USV’s para prestar primeros auxilios.

El sistema cooperativo que propusieron es capaz de buscar, rastrear y propor- cionar soporte b´asico al tiempo que informa la posici´on de los sobrevivientes a las centrales de rescate tripuladas, en las que se encuentra personal profesio- nal. El UAV asegura una percepci´on aumentada del medio ambiente debido a su alto punto de vista, lo que facilita el recorrido que debe realizar la flota en la superficie mar´ıtima.

Los m´etodos de b´usqueda y detecci´on de botes, v´ıctimas y sobrevivientes, se basaron en la aplicaci´on de algoritmos de reconocimiento de objetos sobre- salientes, que al igual que en [62] para el caso de las superficies homog´eneas, ´este buscaba dentro de un ´area uniforme (mar), alguna variaci´on del entorno. En este caso, un conjunto de mapas de caracter´ısticas visuales se calculaba a partir del el espacio RGB capturado por la c´amara del drone empleado. Este conjunto estaba compuesto por una funci´on de intensidad y dos funciones de color de doble oponencia. Cada mapa de caracter´ısticas se transformaba a su respectivo mapa de visibilidad a trav´es de un operador, para finalmen- te obtener un conjunto de mapas de caracter´ısticas salientes en las que se resaltaban las regiones de la escena que difer´ıan del resto de su entorno [63]. 2.5.2.1. Antecedentes de Drones en Colombia

Este apartado, tiene como fin mostrar algunos de los aportes de la Universi- dad Distrital al desarrollo de herramientas tecnol´ogicas que contengan el uso de drones. Es el caso de P´erez, Reyes y P´erez en [64], donde el proyecto tuvo como objetivo la elaboraci´on de un Modelo Digital de Superficie (DSM) con el fin de comparar, analizar y evaluar los productos obtenidos.

Inicialmente, identificaron los puntos de control y la base de aterrizaje para el drone, continuando con un amarre geod´esico con el posicionamiento del punto PL-01 correspondiente a las intalaciones de la sede tecnol´ogica. Final- mente, los resultados obtenidos se sometieron a una comparaci´on en paralelo entre dos est´andares; las gu´ıas para la prueba de precisi´on proporcionados por la norma NTC 5205 y el documento ASPRS Positional Accuracy Stan- dards For Digital Geoespatial Data.

Mej´ıa y Romero en [65] desarrollan en su proyecto la creaci´on de la car- tograf´ıa de uso actual del municipio de Cota - Cundinamarca, a partir del empleo de un drone, esto con el fin de aportar una herramienta tecnol´ogica, que sea implementada en el plan de ordenamiento territorial del municipio, el cual durante el a˜no en curso, se encuentra en proceso de evaluaci´on y actualizaci´on.

Cap´ıtulo 3

Dise˜no de Sistema de

Reconocimiento de Color Piel

Evaluado en Im´agenes A´ereas

dentro de Ambientes Urbanos

por medio de VANT

“No es el conocimiento, sino el acto de aprendizaje; y no la posesi´on, sino el acto de llegar a ella, lo que concede el mayor disfrute.”

Carl Friedrich Gauss En el presente cap´ıtulo se dar´a a conocer conceptualmente cada una de las fases que integran la soluci´on planteada en 1.3

3.1.

Soluci´on a Desarrollar

En la Figura 3.1 se muestra un diagrama que describe cada una de las etapas que compone la soluci´on planteada al problema descrito en 1.1. En primer lugar, se tiene el conjunto de datos, el cual continene los elementos a clasi- ficar (valores de las componentes RGB correspondientes al color de la piel) presentado en la secci´on 3.2. De ´este se toma una muestra al azar, la cual es ingresada en el sistema ANFIS donde se utilizar´a para realizar la etapa de entrenamiento y validaci´on. Luego de llevar a cabo m´ultiples pruebas a diferentes par´ametros de inicializaci´on al azar, se selecciona el mejor sistema de inferencia difusa (FIS) con base en los m´etodos de evaluaci´on para clasi-

ficadores [35], [36],

Posteriormente, se capturan im´agenes desde el VANT por medio de la c´ama- ra deportiva GoPro Hero 3, para as´ı dar inicio a la etapa de procesamiento, la cual pretende disminuir el efecto negativo que presenta la iluminaci´on no uniforme dentro de las fotograf´ıas. Acto seguido, estas im´agenes son ingresa- das al FIS, donde ´este toma una decisi´on respecto a la clase (piel - no piel) a la cual pertenece cada uno de los p´ıxeles.

A partir de lo arrojado por el FIS, se determina un umbral de decisi´on que permite segmentar la imagen original para las regiones que son piel. Final- mente, los resultados son analizados con el fin de consolidar las diferentes conclusiones.

Figura 3.1: Esquema General de Desarrollo. Fuente: Autores del Proyecto