Next: Elementos en Sistemas de Reconocimiento de
Up: Reconocimiento de Patrones: Una aproximacion para
Previous: Percepción Automática (Machine Perception)
Pasos para Reconocimiento de Patrones en Nuestra Instalación
- Característica
En este paso se identifican los segmentos o partes que hacen
diferente un elemento (objeto) de otro al explorar un patrón. En
nuestro caso de la instalación los elementos para clasificar son el
color y la forma. A veces no es trivial el proceso de clasificación
porque la forma o el color podrían ser difusos añadiendo ruido,
corrupción o inconsistencias a la señal digital como podría ser una
boleta vieja o utilizada. Para optimizar el proceso de
identificación de una característica podríamos hacer análisis de la
forma de la boleta como también análisis de espectro para determinar
colores como también densidades de pixels para averiguar
relieves. En este caso es mejor restringidos a un mundo de dos
dimensiones [Duda et al. 01].
- Modelo
Dado que hay diferencias entre las diferentes tarjetas podríamos
pensar en cada ``tipo'' como un modelo que posee diferentes
descripciones que serían expresadas en formas matemáticas (geometría
o álgebra). La meta del modelo es hipotetizar cada clase, con sus
cualidades procesar los datos recogidos por el sensor, eliminar
errores, ruido o defectos por cada patrón percibido y generar un
modelo que describa exactamente la semántica del patrón.
- Pre Procesamiento y Segmentación
Este paso es necesario para simplificar las siguientes operaciones
en el reconocimiento sin que se pierda la información relevante al
modelo de patrón. En particular, se puede utilizar una operación de
segmenta miento en la que se extraerían todas las posibles
características o propiedades de cada tarjeta. Esta información
sería posteriormente enviada a un sistema de extracción de
características cuyo propósito es el de reducir los datos
redundantes los errores y conservar los aciertos como
características típicas o propiedades. Estas cualidades o más
precisamente, los valores de estas características son pasados a un
clasificador donde se evalúa la evidencia presentada y donde se toma
la decisión final sobre si la boleta es valida o
no. Consecuentemente el pre procesador nos genera un modelo
tentativo para una variedad ya determinada de clases de boletas.
Next: Elementos en Sistemas de Reconocimiento de
Up: Reconocimiento de Patrones: Una aproximacion para
Previous: Percepción Automática (Machine Perception)
© Copyright 2003 CCRMA, Stanford University. All rights reserved.
Created and Mantained by Juan Reyes