{"id":2501,"date":"2016-01-07T08:58:28","date_gmt":"2016-01-07T08:58:28","guid":{"rendered":"http:\/\/www.fractaliasystems.com\/?p=3304"},"modified":"2023-10-11T09:46:30","modified_gmt":"2023-10-11T09:46:30","slug":"tecnicas-de-vision-artificial-para-el-entorno-smart-retail-2","status":"publish","type":"post","link":"https:\/\/fractaliasystems.com\/en\/tecnicas-de-vision-artificial-para-el-entorno-smart-retail-2\/","title":{"rendered":"T\u00e9cnicas de visi\u00f3n artificial para el entorno Smart Retail (2)"},"content":{"rendered":"

Fractalia<\/a> est\u00e1 llevando a cabo en colaboraci\u00f3n con el Grupo de Aplicaci\u00f3n de Telecomunicaciones Visuales<\/a> (G@TV), grupo de investigaci\u00f3n de la Universidad Polit\u00e9cnica de Madrid<\/a>, el proyecto LPS-Bigger<\/a>. El proyecto consiste en el desarrollo de software de t\u00e9cnica de visi\u00f3n artificial para el entorno Smart Retail<\/strong>.<\/p>\n

En este art\u00edculo nos centramos en las aproximaciones que se han llevado a cabo en los distintos m\u00f3dulos: substracci\u00f3n de fondo, detecci\u00f3n y seguimiento, as\u00ed como la caracterizaci\u00f3n de visitantes y optimizaci\u00f3n de los puntos de venta (PDV).<\/p>\n

En lo que respecta al primero de los m\u00f3dulos mencionados, \u2018Substracci\u00f3n de fondo<\/strong>\u2019, se ha utilizado la t\u00e9cnica Mixture of Gaussians<\/a>, que utiliza las caracter\u00edsticas obtenidas mediante el flujo \u00f3ptico propuesto en la soluci\u00f3n iterativa de Lucas & Kanade<\/a>, como se puede observar en la siguiente figura:<\/p>\n

\"piramide<\/a><\/p>\n

 <\/p>\n

Figura 1 Pir\u00e1mide propuesta por Lucas & Kanade para el c\u00e1lculo de flujo \u00f3ptico<\/p>\n

En el caso del m\u00f3dulo \u2018Detecci\u00f3n<\/strong>\u2019, se ha utilizado el descriptor de caracter\u00edsticas Histogram of Oriented Gradients<\/em><\/a> (HOG) capaz de describir las formas incluidas en la ventana que est\u00e1 siendo analizada. Para ello extrae los gradientes en diferentes direcciones en la ventana especificada. Esta t\u00e9cnica es complementada mediante el uso de Support Vector Machine<\/em><\/a> (SVM). Esta m\u00e1quina es entrenada previamente con ventanas previamente etiquetadas con el resultado esperado por el sistema, lo que permite establecer una separaci\u00f3n en el espacio vectorial para una correcta clasificaci\u00f3n entre humanos y no humanos. En la siguiente figura se puede ver de forma gr\u00e1fica:<\/p>\n

\"support<\/a><\/p>\n

Figura 2 a. Imagen media del gradiente sobre los datos de entrenamiento, b. Pesos de los vectores de soportel c) Pesos negativos de los vectores de soporte d)Imagen de prueba e) Resultado del descriptor HOG f) Resultado del descriptor HOG combinado con los pesos.<\/p>\n

Para el m\u00f3dulo \u2018Seguimiento<\/strong>\u2019, con el objetivo de identificar las diferentes personas que se encuentran en el interior del establecimiento se ha seguido el algoritmo jer\u00e1rquico de seguimiento basado en plantillas de apariencia.<\/p>\n

\"algoritmo<\/a><\/p>\n

Figura 3 Explicaci\u00f3n gr\u00e1fica del algoritmo de seguimiento jer\u00e1rquico utilizado.<\/p>\n

En la figura se puede observar que una vez se ha realizado la detecci\u00f3n del Bounding Box <\/em>correspondiente se transforma la regi\u00f3n de la imagen correspondiente a los espacios de color HSV y CIELab. Posteriormente se define la plantilla correspondiente, d\u00f3nde G y L son los dos canales seleccionados de los tres espacios vectoriales, 2DHist es el histograma generado a partir de esos dos canales y ShiftVector<\/em> es un vector 2D de desplazamiento respecto a las detecciones previas. En los pasos posteriores se puede observar c\u00f3mo se utiliza una ventana m\u00e1s peque\u00f1a (dentro del Bounding Box<\/em> de la detecci\u00f3n) para usarla como \u00e1rea perteneciente al foreground,<\/em> e incluir sus valores en la plantilla correspondiente que define un\u00edvocamente a cada sujeto para su identificaci\u00f3n. Esta identificaci\u00f3n permite almacenar las trayectorias de las diferentes personas y con ello poder realizar un an\u00e1lisis del comportamiento de los mismos frente a la distribuci\u00f3n del establecimiento propuesta.<\/p>\n

Por \u00faltimo, para la caracterizaci\u00f3n de visitantes y optimizaci\u00f3n de Puntos de Venta (PDV) <\/strong>se considera que los sujetos son est\u00e1ticos, puesto que su movimiento ser\u00e1 mucho menor al del m\u00f3dulo anterior. Adem\u00e1s el campo de visi\u00f3n es m\u00e1s reducido lo que permite la implementaci\u00f3n de t\u00e9cnicas de an\u00e1lisis facial y t\u00e9cnicas de reconstrucci\u00f3n 3D que permiten efectuar   una mejor gesti\u00f3n de oclusiones.<\/p>\n

En la t\u00e9cnica de an\u00e1lisis facial, se proceder\u00e1 a la implementaci\u00f3n de un algoritmo basado en t\u00e9cnicas de regresi\u00f3n que utilice las caracter\u00edsticas biom\u00e9tricas de los sujetos en la escena para determinar propiedades como edad, g\u00e9nero o etnia. Por el contrario para el m\u00e9todo de reconstrucci\u00f3n 3D, se utilizar\u00e1 la informaci\u00f3n capturada mediante un sensor RGB-D para realizar la reconstrucci\u00f3n de la escena, y determinar los casos es que se necesitan m\u00e1s recursos humanos, o analizar los casos en los que el visitante decide finalmente no realizar la compra.<\/p>\n

 <\/p>\n

Sobre G@TV<\/strong><\/p>\n

El Grupo de Aplicaci\u00f3n de Telecomunicaciones Visuales<\/a> (G@TV) es un grupo de investigaci\u00f3n perteneciente al Departamento de Se\u00f1ales, Sistemas y Radiocomunicaciones (SSR) de la Universidad Polit\u00e9cnica de Madrid<\/a>. Las actividades docentes e investigadoras del G@TV se desarrollan en la Escuela T\u00e9cnica Superior de Ingenieros de Telecomunicaci\u00f3n. Las principales l\u00edneas de investigaci\u00f3n llevadas a cabo por el grupo y sus miembros son: Visi\u00f3n artificial, procesado digital de video, tecnolog\u00edas de audio y v\u00eddeo, entre otras.<\/p>\n

\"logo<\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

Sobre LPs- Bigger<\/strong><\/p>\n

LPB- Bigger<\/a> es un Proyecto CIEN que tiene como objetivo el dise\u00f1o de una herramienta semiautom\u00e1tica para la creaci\u00f3n de soluciones de Big Data. Est\u00e1 conformado por un consorcio l\u00edder en medios y tecnolog\u00eda como Indra, Yahoo, Havas Group, Fractalia y Taiger.<\/p>\n

\"LPS-BIGGER\"<\/a><\/p>\n

 <\/p>\n

 <\/p>\n

Sobre Grupo Fractalia<\/strong><\/p>\n

Fractalia<\/a> es una compa\u00f1\u00eda global l\u00edder en el desarrollo e implantaci\u00f3n de soluciones tecnol\u00f3gicas e ingenier\u00eda de vanguardia que cuenta con m\u00e1s de 15 a\u00f1os de experiencia y una s\u00f3lida presencia internacional con actividad en 12 pa\u00edses de todo el mundo. Nuestra actividad permite al cliente mejorar su productividad a trav\u00e9s de la eficiencia, reducir costes a trav\u00e9s de la tecnolog\u00eda y crear nuevas fuentes de ingresos a trav\u00e9s de innovadoras soluciones tecnol\u00f3gicas.<\/p>\n","protected":false},"excerpt":{"rendered":"

Fractalia est\u00e1 llevando a cabo en colaboraci\u00f3n con el Grupo de Aplicaci\u00f3n de Telecomunicaciones Visuales (G@TV), grupo de investigaci\u00f3n de la Universidad Polit\u00e9cnica de Madrid, el proyecto LPS-Bigger. El proyecto consiste en el desarrollo de software de t\u00e9cnica de visi\u00f3n artificial para el entorno Smart Retail.
Read more<\/a><\/p>\n","protected":false},"author":2,"featured_media":2502,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-2501","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-innovacion-fractalia"],"_links":{"self":[{"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/posts\/2501","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/comments?post=2501"}],"version-history":[{"count":1,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/posts\/2501\/revisions"}],"predecessor-version":[{"id":2840,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/posts\/2501\/revisions\/2840"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/media\/2502"}],"wp:attachment":[{"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/media?parent=2501"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/categories?post=2501"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fractaliasystems.com\/en\/wp-json\/wp\/v2\/tags?post=2501"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}