Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/829Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.rights.license | http://creativecommons.org/licenses/by-nd/4.0 | es_ES |
| dc.contributor | Edgar Alejandro Rivas Araiza | es_ES |
| dc.creator | Andras Takacs | es_ES |
| dc.date | 2017-01 | - |
| dc.date.accessioned | 2018-12-14T16:16:59Z | - |
| dc.date.available | 2018-12-14T16:16:59Z | - |
| dc.date.issued | 2017-01 | - |
| dc.identifier.uri | http://ri-ng.uaq.mx/handle/123456789/829 | - |
| dc.description | La demanda de aplicaciones de Realidad Aumentada y de otras aplicaciones de auto-localización por medio de visión por computadora ha aumentado significativamente en años recientes, esto implica al mismo tiempo una expansión en la variedad de lugares donde pueden emplearse, lo cual demanda mayores estándares de descriptores visuales que puedan usarse en ambientes exteriores. Las características de estos escenarios requieren mayor robustez e invariancia adicionalmente a la repetibilidad de las características visuales, los descriptores necesitan ser invariantes a las condiciones de iluminación y a cambios de transformación para dar soporte a una clasificación eficiente. En esta investigación se demuestra el uso de descriptores visuales específicamente diseñados son un medio efectivo para optimizar e incrementar la robustez de las aplicaciones de realidad aumentada en exteriores. Para lograrlo, en este trabajo se propone un nuevo método de auto-ajuste basado en el uso de algoritmos genéticos y un módulo de máquina de aprendizaje para crear y optimizar un descriptor modular extensible para un ambiente exterior específico. El algoritmo genera descriptores, mejora su eficiencia y los entrena para tareas de clasificación, el algoritmo controla la preparación de la imagen y los parámetros de la máquina de aprendizaje y al mismo tiempo optimiza el tamaño del descriptor a través de los miembros de los módulos activos y sus valores. Para demostrar el desempeño del descriptor, se compara con los descriptores estándares más conocidos en términos de: velocidad, exactitud, invariancia a las condiciones de iluminación, cambios de resolución de la imagen, transformaciones afines, escala y rotación, y el resultado muestra que el método propuesto obtiene los mejores resultados en la clasificación. En la parte final del presente trabajo se integra en nuevo descriptor desarrollado con un modulo de bosques aleatorios en un sistema de seguimiento y mapeo paralelo (PTAM), de esta manera se es capaz de clasificar en grupos semánticos y remover los puntos clave detectados en tiempo real. | es_ES |
| dc.description | The demand for Augmented Reality or other self-localizing computer vision applications is increasing. This implies an expansion also in the variety of usage locations which calls for higher standard visual descriptors that can be used in outdoor environments. The characteristics of these sceneries require more robustness and invariance additionally of repeatability from these visual features. The descriptors need to be invariant to light condition, and transformation changes likewise to give support for efficient classification. This research demonstrates that the use of specifically designed visual descriptors is an effective way to optimize and make more robust the outdoor Augmented Reality applications. To achieve this, this work proposes a new self-adjusting framework based on genetic algorithms and a machine learning module to create and optimize extensible modular descriptors for specific outdoor environments. The algorithm generates descriptors, improves their efficiency and trains them for classification. It controls the image preparation and machine learning parameters and also optimizes the descriptor size through managing the active member modules and values. To show the strength of the descriptor, we compared with the most used standard descriptors¿on speed, accuracy, and invariance to light condition, image resolution changes, affine transformation, scale and rotation¿and the results show that it has the best classification results. The final part of this work integrates the newly designed descriptor with a trained Random Forest module into the Parallel Tracking And Mapping system. This approach is able to classify into semantic groups and remove the unnecessary the detected keypoints in real time. | es_ES |
| dc.format | Adobe PDF | es_ES |
| dc.language.iso | Español | es_ES |
| dc.relation.requires | Si | es_ES |
| dc.rights | Acceso Abierto | es_ES |
| dc.subject | Augmented reality | es_ES |
| dc.subject | Computer vision | es_ES |
| dc.subject | Image processing | es_ES |
| dc.subject | Procesamiento de imágenes | es_ES |
| dc.subject | Realidad aumentada | es_ES |
| dc.subject | Visión artificial | es_ES |
| dc.subject.classification | INGENIERÍA Y TECNOLOGÍA | es_ES |
| dc.title | Facade labelling for better ar registration etiquetado de la fachada para mejorar el seguimiento de la realidad aumentada | es_ES |
| dc.type | Tesis de doctorado | es_ES |
| dc.creator.tid | curp | es_ES |
| dc.contributor.tid | curp | es_ES |
| dc.creator.identificador | TAXA790612HNEKXN01 | es_ES |
| dc.contributor.identificador | RIAE791127HQTVRD03 | es_ES |
| dc.contributor.role | Director | es_ES |
| dc.degree.name | Doctorado en Ingeniería | es_ES |
| dc.degree.department | Facultad de Ingeniería | es_ES |
| dc.degree.level | Doctorado | es_ES |
| Aparece en: | Doctorado en Ingeniería | |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| RI003936.pdf | 55.44 MB | Adobe PDF |  Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.
