Sistema de Visión Artificial para la Detección de Rostros Basado en Viola-jones y Local Binary Patterns en Escenarios Simulados de Derrumbe
Computer Vision System for Face Detection Based on Viola–Jones and Local Binary Patterns in Simulated Collapse Scenarios
Volumen:
1
Edición:
12
Resumen
El presente trabajo describe el desarrollo y evaluación de un sistema de visión artificial para la detección de rostros humanos en escenarios simulados de derrumbe, con el objetivo de apoyar posibles tareas de búsqueda y rescate. El sistema propuesto se basa en la integración de dos técnicas ampliamente utilizadas en el procesamiento de imágenes: el detector Viola-Jones y el descriptor Local Binary Patterns. En el esquema implementado, el detector Viola-Jones realiza una detección inicial de posibles regiones faciales, mientras que el descriptor Local Binary Patterns se emplea para confirmar la presencia del rostro y reducir detecciones incorrectas. La elección de estos métodos se realizó considerando su eficiencia, bajo costo computacional y su amplio uso en aplicaciones de detección facial. El sistema fue desarrollado en Python y con la biblioteca OpenCV, utilizando una cámara IP para la adquisición de imágenes en tiempo real. Las pruebas experimentales se realizaron en distintos ambientes que simulan condiciones asociadas a escenarios de derrumbe, incluyendo variaciones en la iluminación, la presencia de elementos en el entorno y diferentes orientaciones del rostro, así como situaciones en las que únicamente una parte del rostro se encuentra visible. Los resultados obtenidos muestran que la combinación de ViolaJones y Local Binary Patterns permite realizar detecciones faciales de manera confiable en los escenarios evaluados, alcanzando una efectividad aproximada del 85 %. Estos resultados indican que el sistema desarrollado puede emplearse como una herramienta de apoyo en tareas de búsqueda y rescate
Palabras clave
Búsqueda y rescate, Detección de rostros, Escenarios de derrumbe, Patrones binarios locales, Viola-Jones, Visión artificial.
Referencias Bibliográficas
Adeshina, S. O., Ibrahim, H., Teoh, S. S., & Hoo, S. C. (2021). Custom face classification model for classroom using Haar-like and LBP features with their performance comparisons. Electronics, 10(2), 102. https://doi.org/10.3390/electronics10020102
Ahonen, T., Hadid, A., & Pietikäinen, M. (2006). Face description with local binary patterns: Application to face recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28 (12), 2037–2041. https://doi.org/10.1109/TPAMI.2006.244
AlMousawi, D. K. M., Hassan, A. A., & Hayawi, D. M. J. (2020). Hybrid method for face description using LBP and HOG. Journal of Education and Pure Science, 10(1), 73–79.
Ambrogio, E. Á. J. (2020). Reconocimiento de objetos a través de la metodología Haar Cascades. Tendencias en Ingeniería, 8(1).
Centro Nacional de Prevención de Desastres. (19 de septiembre de 2019). Los sismos del 19 de septiembre. Gobierno de México. https://www.gob.mx/cenapred/articulos/los-sismos-del-19- septiembre?idiom=es
Erdelj, M., Król, M., & Natalizio, E. (2017). Wireless sensor networks and multi-UAV systems for natural disaster management. Computer Networks, 124, 72–86. https://doi.org/10.1016/j.comnet.2017.05.021
García-Olalla, O., & Alegre, E. (s. f.). Descripción de textura en imágenes utilizando Local Binary Pattern (LBP). En Conceptos y métodos en visión por computador (Cap. 7). Universidad de León. https://buleria.unileon.es/bitstream/handle/10612/11063/cap%207 %20ConceptosyMetodosenVxC.pdf
Gerónimo, D., López, A. M., Sappa, A. D., & Graf, T. (2010). Survey of pedestrian detection for advanced driver assistance systems. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(7), 1239–1258. https://doi.org/10.1109/TPAMI.2009.122
Jadeja, R., Trivedi, T., & Surve, J. (2024). Survivor detection approach for post-earthquake search and rescue missions based on deep learning inspired algorithms. Scientific Reports, 14(1), 25047. https://doi.org/10.1038/s41598-024-75156-z
Liu, Z., Zhang, Y., & Liu, J. (2020). Vision-based human detection for search and rescue robots in disaster environments. IEEE Access, 8, 146600–146611. https://doi.org/10.1109/ACCESS.2020.3014858
Moreno, R. J. (2014). Robotic explorer to search people through face detection. En International Congress of Engineering Mechatronics and Automation (CIIMA). IEEE. https://doi.org/10.1109/CIIMA.2014.6983429
Murphy, R. R., Tadokoro, S., Kleiner, A., Nardi, D., Jacoff, A., Messina, E., & Erkmen, A. M. (2008). Disaster robotics. En B. Siciliano & O. Khatib (Eds.), Springer handbook of robotics (pp. 1151–1173). Springer. https://doi.org/10.1007/978-3-540-30301- 5_51
Ojala, T., Pietikäinen, M., & Mäenpää, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971–987. https://doi.org/10.1109/TPAMI.2002.1017623
Restas, A. (2015). Drone applications for supporting disaster management. World Journal of Engineering and Technology, 3, 316–321. https://doi.org/10.4236/wjet.2015.33C047
Sutikno, S., Sugiharto, A., Kusumaningrum, R., & Wibawa, H. A. (2025). Combination of HAAR, HOG, and LBP descriptors for enhanced classification of moving objects. Engineering, Technology & Applied Science Research, 15(3).
Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. En Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR) (Vol. 1, pp. 511-518). IEEE. https://doi.org/10.1109/CVPR.2001.990517
Xu, Y., Yu, G., Wang, Y., Wu, X., & Ma, Y. (2016). A hybrid vehicle detection method based on Viola–Jones and HOG + SVM from UAV images. Sensors, 16(8), 1325. https://doi.org/10.3390/s16081325
Zhao, Z.-A. (2024). Enhancing human detection in occlusionheavy disaster scenarios: A visibility-enhanced DINO model. Smart Cities, 8(1), 12. https://doi.org/10.3390/smartcities8010012
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.