Resumen de Procesamiento de señales para detección de personas en aglomeraciones

Carlos Vicente Niño Rondón, Sergio Alexander Castro Casadiego

• español

  En este documento se aborda el desarrollo y la implementación de un sistema de procesamiento de señales para la detección y conteo de personas en espacios abiertos, utilizando la técnica de sustracción de fondo con una placa embebida Raspberry Pi 3B+ y el lenguaje de programación Python. La metodología empleada incluye la conversión de imágenes a escala de grises, segmentación de fondo mediante el algoritmo Background Subtractor MOG2, filtrado mediante suavizado gaussiano, y umbralización adaptativa con el método de Otsu, además de la aplicación de técnicas morfológicas para mejorar la calidad de las detecciones y la búsqueda de contornos para identificar objetos. En la fase de captura de imágenes, se considera la altura, el ángulo de inclinación y la luminosidad del entorno para garantizar la calidad de los datos recolectados. La conversión a escala de grises asigna valores entre 0 y 255 a los píxeles, y la sustracción de fondo se realiza usando distribuciones gaussianas para diferenciar entre objetos en movimiento y el fondo. El filtro de suavizado gaussiano se aplica para reducir el ruido, mientras que la umbralización de Otsu permite adaptar el umbral a las características específicas de cada imagen. Finalmente, se utilizan operaciones morfológicas para refinar la segmentación y el método de aproximación simple para la detección de contornos. El sistema fue evaluado con videos capturados en cuatro edificios de la Universidad Francisco de Paula Santander y en dos áreas públicas de Cúcuta, mostrando tasas de detección entre 87.14% y 93.33% en la universidad, y entre 88.89% y 90.51% en las zonas públicas.

• English

  This paper addresses the development and implementation of a signal processing system for detecting and counting people in open spaces, using background subtraction techniques with a Raspberry Pi 3B+ embedded board and the Python programming language. The methodology employed includes image conversion to grayscale, background segmentation using the Background Subtractor MOG2 algorithm, Gaussian smoothing filtering, and adaptive thresholding with the Otsu method, along with morphological techniques to enhance detection quality and contour detection for identifying objects. In the image capture phase, factors such as height, tilt angle, and environmental luminosity are considered to ensure the quality of the collected data. Grayscale conversion assigns values between 0 and 255 to pixels, and background subtraction uses Gaussian distributions to differentiate between moving objects and the background. Gaussian smoothing filters are applied to reduce noise, while Otsu's thresholding adapts the threshold to the specific characteristics of each image. Finally, morphological operations refine segmentation, and the simple approximation method is used for contour detection. The system was evaluated with videos captured from four buildings at the Universidad Francisco de Paula Santander and two public areas in Cúcuta, showing detection rates between 87.14% and 93.33% at the university and between 88.89% and 90.51% in public areas.