secuencias de imágenes, y se sugirieron restricciones para mejorar la exactitud como mejoras en un trabajo futuro.
Los autores concluyen lo siguiente: La investigación exploró un área del rastreo de una pelota moviéndose libremente en un ambiente incontrolado utilizando el filtro de Kalman generalizado. En aplicaciones previas en ambientes controlados da una buena segmentación (procesamiento de imágenes), y cuenta con el conocimiento de una situación específica para lograr un rastreo exacto de una pelota en vuelo.
La flexibilidad se incrementó considerando escenas del exterior y diferentes velocidades y tamaños de pelotas. Sin embargo, la exactitud puede disminuir como resultado de una segmentación inconsistente de la imagen debida a los efectos de la luz y la interferencia del fondo. Además, factores como el viento y el giro de la pelota pueden afectar su vuelo en la realidad y se debe considerar si fue lograda una predicción adecuada o no. El conocimiento previo de estos factores se incorporó en el modelo de rastreo (tracking) satisfaciendo la situación particular. Pero esto reduciría la habilidad de rastreo en casos generales. Para mantener flexibilidad y permitir un ajuste automático para cada nueva situación, se deben detectar anomalías en el vuelo de la pelota en cada imagen para actualizar los parámetros del modelo de predicción.
El sistema desarrollado suministra las bases para un sistema de rastreo general, permitiendo flexibilidad en el ángulo de la cámara, el ambiente y las velocidades y tamaños de las pelotas, y es capaz de rastrear una pelota dentro de su área de aproximación en la mayoría de los casos, dando una indicación de la confianza de predicción. Sin embargo, el incremento de la exactitud puede ganarse utilizando técnicas de segmentación mejoradas, e incorporando los atributos de las pelotas por el arrastre del aire.
En [1.9] se presenta un sistema integrado, el cuál es capaz de perseguir un objeto móvil y mantenerlo centrado en la imagen, esto se logra controlando el efector final de un robot. El sistema está integrado por tres partes; detección de movimiento independiente, rastreo, y control del efector final del robot. El trabajo se concentró en el mecanismo de detección y discute brevemente los problemas de control y rastreo. El sistema corre continuamente en el tiempo y actualiza la localización del objeto a una velocidad de 25 Hz. El objeto móvil puede rastrearse, aunque el observador realice movimientos independientes y desconocidos, combinando los dos movimientos de traslación y rotación.
Se trabaja con un algoritmo simple de detección de movimiento, debido a que el costo computacional es de mayor importancia para un sistema de tiempo real con retroalimentación. El algoritmo es interactivo y económico computacionalmente. La complejidad en el tiempo de ejecución es O(n) para una imagen que contiene n píxeles. El procesamiento de la imagen se realiza en el procesador de tubería MaxVideo200 y el algoritmo de control del efector final corre con una computadora Transputer T800 network. Se presentan algunos resultados experimentales fuera de línea, donde se realizaron comparaciones entre los modelos de movimiento de imágenes traslacionales y afinidad de velocidad.
Los resultados arrojados fueron los siguientes: Se estudió la diferencia del desempeño entre los modelos de afinidad de velocidad y traslacional en experimentos fuera de línea. En diversas situaciones, el modelo de traslación es suficiente, debido a que la velocidad de cuadro es satisfactoriamente alta, y el movimiento del objeto rastreado es alto comparado con el movimiento causado por la expansión de la imagen.
Además, se presentó una aplicación en tiempo real de un sistema integrado en una plataforma head-eye. Este sistema utiliza el modelo traslacional y es capaz de detectar y rastrear un objeto en movimiento en una escena donde la cámara está en movimiento o estacionada, a una velocidad de cuadro de 25Hz. El algoritmo es simple, computacionalmente económico y conveniente para aplicaciones en tiempo real. Conectando la aplicación de rastreo de objetos al sistema de control del Head-eye, se generó un sistema de persecución de objetivos de gran eficiencia con capacidad de mantener un objeto móvil centrado en la imagen. Esto quedó demostrado.
Durante los experimentos se encontró que las limitaciones en el modelo de velocidad traslacional, lo hacen menos conveniente para lentes de gran ángulo de visión, al menos para lograr un buen rendimiento cuando el movimiento de la plataforma causa una expansión de imagen. Para un sistema que opera continuamente en el tiempo, éste ha demostrado tener una mayor importancia para mantener una alta velocidad de marco (frame-rate). Este hecho es aún más enfático para un sistema de control por retroalimentación "head-eye" motorizado desde el algoritmo de procesamiento de imágenes.
En [1.10], se utilizó el filtro de Kalman para atenuar las oscilaciones y lograr un movimiento suave del sistema seguidor. El sistema MDOF es un sistema de visión activa binocular con buena eficiencia y con un gran número de grados de libertad. Su funcionamiento depende principalmente de dos aspectos: del procesamiento de las imágenes y el control.
Figura 1.6 El sistema binocular Multi- Degree of Fredom (MDOF).
En este trabajo se caracterizó el desempeño del sistema monocular para un seguimiento suave. Este sistema es utilizado para seguir binocularmente objetivos en un ambiente de vigilancia. Uno de los aspectos de esta caracterización fue la inclusión del procesamiento de visión. Para efecto de control, se utilizaron cuatro tipos de entrada estándar: step (impulso), ramp (rampa), parábola (parabólica) y sinusoid (senosuidal). Las respuestas obtenidas del sistema pueden usarse para identificar los subsistemas
CAPÍTULO I