Impacto de técnicas de preprocesamiento orientadas a mejora de iluminación en la detección de personas en distintos entornos mediante visión por computador

Abstract

El análisis automático de imágenes mediante técnicas de visión por computador ha permitido el desarrollo de sistemas capaces de detectar personas en distintos entornos. Sin embargo, el desempeño de estos sistemas puede verse afectado por condiciones adversas de captura, tales como baja iluminación, bajo contraste o ruido visual, lo que impacta directamente en la precisión de los modelos de detección. En una condición base, donde las imágenes son procesadas sin aplicar preprocesamiento (imágenes crudas), los modelos de detección presentan limitaciones en su capacidad para identificar correctamente a las personas presentes en la escena. Esto se debe a que dichos modelos fueron entrenados con datos de escenas visuales de diversos atributos y semántica, y no necesariamente con imágenes de transeúntes en un entorno de transporte subterráneo. Como resultado, se observa un aumento en la tasa de falsos positivos y falsos negativos. En este sentido, las técnicas de preprocesamiento de imágenes permiten modificar las características visuales de entrada para nutrir algoritmos basados en aprendizaje profundo (deep learning), como YOLO, con el objetivo de mejorar su desempeño en tareas de detección. Esta investigación propone un estudio comparativo del impacto de tres técnicas de preprocesamiento orientadas a la mejora de iluminación: corrección gamma, ecualización de histograma y CLAHE (Contrast Limited Adaptive Histogram Equalization). Estas técnicas serán evaluadas sobre un sistema de detección de personas previamente implementado, manteniendo el modelo constante y variando únicamente la etapa de preprocesamiento. El análisis del desempeño se realizará mediante métricas cuantitativas, como precision, recall y F1-score, comparando los resultados obtenidos en la condición base frente a cada una de las técnicas evaluadas. Se espera determinar (...). Automatic image analysis using computer vision techniques has enabled the development of systems capable of detecting people in different environments. However, the performance of these systems can be affected by adverse acquisition conditions, such as low lighting, poor contrast and visual noise, directly impacting detection accuracy. Under a baseline condition, where images are processed without any preprocessing (raw images), detection models present limitations in correctly identifying people in a scene. This is because these models were trained on data from visual scenes with diverse attributes and semantics, rather than necessarily on images of pedestrians in an underground transport environment. Consequently, an increase in the rate of false positives and false negatives is observed. In this context, image preprocessing techniques can be used to modify input visual characteristics in order to enhance the performance of deep learning-based algorithms, such as YOLO, in object detection tasks. This research proposes a comparative study on the impact of three illumination enhancement preprocessing techniques: gamma correction, histogram equalization and CLAHE (Contrast Limited Adaptive Histogram Equalization). These techniques are evaluated using a previously implemented people detection system, keeping the detection model constant while varying only the preprocessing stage. The analysis is conducted using quantitative metrics such as precision, recall and F1-score, comparing results obtained under the baseline condition against each preprocessing configuration. The objective is to (...).