Resultados logaritmos
Alexandra Velasquez JaraInforme30 de Noviembre de 2022
607 Palabras (3 Páginas)65 Visitas
RESULTADOS
Se realizo una serie de pruebas para identificar la detección de los micro sueños y parpadeos pasados los 3 segundos a través de logaritmos dados en tiempo real.
N° de Pruebas | Bien | Mal | Eficiencia | |
Prueba 1 | 10 | 7 | 3 | 77% |
Prueba 2 | 10 | 7 | 3 | 78% |
Prueba 3 | 10 | 8 | 4 | 88% |
Prueba 4 | 10 | 8 | 2 | 88% |
Prueba 5 | 10 | 8 | 3 | 88% |
Prueba 6 | 10 | 9 | 1 | 99% |
Prueba 7 | 10 | 9 | 1 | 99% |
Prueba 8 | 10 | 9 | 1 | 99% |
Prueba 9 | 10 | 9 | 1 | 99% |
Prueba 10 | 10 | 9 | 1 | 99% |
TOTAL | 100 | 83 | 31 | 99% |
[pic 1]
[pic 2]
Además de lo mencionado, se observa una eficiencia del 99 % después de aplicar las pruebas; debido a la integración nuevas tecnologías se obtienen estos resultados, logrando de esta manera alcanzar el objetivo principal que es diseñar y simular un sistema de seguridad para prevenir accidentes mediante un control a través de una cámara para llevar una correcta vigilancia.
Tras realizar la presente investigación y analizar la información obtenida, se demuestra que el sistema de seguridad para prevenir accidentes mediante un control a través de una cámara para llevar una correcta vigilancia ayuda con gran eficacia a la reducción del número de accidentes automovilísticos.
Demostramos cuantitativamente que los detectores de punto de referencia faciales basados en regresión son lo suficientemente precisos para estimar de forma fiable el nivel de apertura de los ojos.
El estado del arte en dos conjuntos de datos estándar fue logrado utilizando el detector de puntos de referencia robusto seguido de una simple detección de parpadeo basada en el SVM. El algoritmo se ejecuta en tiempo real, ya que los costos computacionales adicionales para la detección del parpadeo son insignificantes además de los detectores de puntos de referencia en tiempo real.
El método SVM propuesto que utiliza un tiempo real la relación de aspecto de la ventana del ojo (EAR), supera la umbralización EAR. Por otro lado, la umbralización se puede utilizar como clasificador de una sola imagen para detectar el estado del ojo, en caso de que una secuencia más larga no sea disponible.
Los resultados podrían mejorarse con un enfoque adaptativo. Otra limitación está en el ojo. Mientras que el EAR se estima a partir de una imagen 2D, es bastante insensible a la orientación de la cabeza, pero puede perder discriminabilidad para rotaciones fuera del plano. Una solución podría ser definir el EAR en 3D. Ahí son detectores de puntos de referencia que estiman una pose 3D (posición y orientación) de un modelo 3D de puntos de referencia.
...