Desarrollo de Soluciones Cliente-Servidor para la Verificación ...

3.4. Procesado de Imagen 49
1. Se escoge la localización inicial de la ventana de búsqueda dentro de la imagen
donde se espera encontrar el objeto.
2. Se aplica MEANSHIFT, tal y como se ha explicado anteriormente, una o varias
iteraciones, almacenando el valor de la posición del centroide y del momento de
orden cero.
3. Se centra la ventana de búsqueda en la posición del centroide y se actualiza su
tamaño en función del momento de orden cero calculado en el paso 2. En la implementación
de OpenCV [Bradski, 1998], para distribuciones de probabilidad de
imágenes 2D donde el valor máximo de píxel es 255, el tamaño de la ventana se
ajusta según la siguiente fórmula:
s = 2 ∗
√
M00
256
(3.9)
4. Se repiten los Pasos 2 y 3 hasta convergencia (el centro de masas se mueve menos
que un umbral predefinido).
Este método de seguimiento de un objeto, en nuestro escenario, es muy inestable, pero
con una serie de pequeños cambios adaptados a la situación puede ser bastante útil.
Además, a diferencia del algoritmo de Viola & Jones, no se producen pérdidas en la localización
de la cabeza en ningún fotograma. El principal problema que provoca la inestabilidad
consiste en la confusión del objeto con otros elementos debido a una mala imagen
de probabilidad, la cual asigna excesivo valor a zonas donde no se encuentra la cara. En
nuestro caso en particular, usaremos CAMSHIFT como un detector de piel que inicializaremos
con la salida de nuestro detector múltiple basado en Viola & Jones que devuelve
información sobre la localización de la cara y de varios rasgos faciales.
3.4.4. Algoritmo de Lucas-Kanade
El método de seguimiento implementado por Lucas y Kanade e incluido en OpenCV
[Bouguet, 2000] se basa en la representación piramidal de las imágenes involucradas, de
forma que el seguimiento se realiza a lo largo de los diferentes niveles de profundidad de
las pirámides. De esta forma el algoritmo es más robusto y su convergencia más rápida
siempre que se escojan adecuadamente los parámetros del algoritmo (niveles de la pirámide,
condiciones para las iteraciones, etc.). Se trata de un algoritmo iterativo de cálculo
del flujo óptico entre imágenes, que pueden formar parte de una secuencia de vídeo o bien
pueden ser imágenes independientes con alguna región en común, pero que en esta Tesis
se corresponderán con el flujo de vídeo procedente de la webcam.
El seguimiento piramidal se basa en calcular el Vector de Flujo Óptico entre dos imágenes
para la región de interés, partiendo de una región con poca información, pasando
posteriormente a refinar el cálculo realizado ampliando la información en el nivel superior
de la pirámide. De esta forma, una vez se tiene calculado el vector de movimiento en un
nivel, se calcula dicho vector para el nivel superior, tomando en cuenta información sobre
regiones que no aparecían en el nivel inferior. Así, partiendo de la región alrededor del