Aprendizaje de Patrones Visuales mediante Coincidencia de Plantillas: Validación Experimental con OpenCV y Python
Learning Visual Patterns through Template Matching: Experimental Validation with OpenCV and Python
DOI:
https://doi.org/10.56712/latam.v6i5.4671Palabras clave:
visión por computadora, coincidencia de plantillas, OpenCV, PythonResumen
La efectividad en el empleo de la coincidencia de plantillas en visión por computadora, se mantuvo como prioridad, implementando pruebas para detectar elementos en imágenes estáticas y rastrear objetos en videos. Para esto, se emplearon algoritmos programados en Python 3 utilizando la biblioteca OpenCV, que es muy utilizada para el procesamiento de imágenes. Durante la primera etapa, se pudo detectar un componente electrónico en una placa más grande con un valor de similitud cercano a 0.999, lo que demuestra una elevada exactitud bajo condiciones controladas. En la etapa dos, se llevó a cabo el rastreo en tiempo real de un objeto verde en movimiento usando filtrado por color en el espacio HSV y operaciones morfológicas. Esto pone de manifiesto que es posible sostener la localización continua a una velocidad cercana a los 30 cuadros por segundo. Sin embargo, existen limitaciones ante las variaciones de iluminación, rotación y escala, lo que hace necesario incorporar técnicas más sofisticadas, como los modelos Siameses y las redes neuronales convolucionales. Para concluir, el estudio valida las bases de la técnica tradicional y destaca la posibilidad de combinarla con métodos modernos para aplicaciones más complejas.Descargas
Citas
Bradski, G. (2000). The OpenCV library. Dr. Dobb’s Journal of Software Tools.
Dubey, P., Miller, S., Günay, E. E., Jackman, J., Kremer, G. E., & Kremer, P. A. (2025). You only look once v5 and multi-template matching for small-crack defect detection on metal surfaces. Automation, 6(2), 16. https://doi.org/10.3390/automation6020016
Gazcón, N. F. (2011). Intelligent Template Matching: Un nuevo acercamiento para reconocimiento automático de patentes argentinas. XVII Congreso Argentino de Ciencias de la Computación. https://sedici.unlp.edu.ar/handle/10915/18698
Han, Y. (2021). Coincidencia confiable de plantillas para la detección de imágenes en sistemas de sensores de visión. Sensors, 21(24), 8176. https://doi.org/10.3390/s21248176
Khorbotly, S. (2015). A project-based learning approach to teaching computer vision at the undergraduate level. ASEE Annual Conference & Exposition. American Society for Engineering Education. https://peer.asee.org/a-project-based-learning-approach-to-teaching-computer-vision-at-the-undergraduate-level
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Lewis, J. P. (1995). Fast normalized cross-correlation. Visión Interface, 10(1), 120–123.
Marr, D. (2010). Visión: Una investigación computacional sobre la representación humana y el procesamiento de la información visual. MIT Press.
Papert, S., & Harel, I. (1991). Situating constructionism. In S. Papert & I. Harel (Eds.), Constructionism (pp. 1–11). Ablex Publishing Corporation.
Peñate-Sánchez, A., et al. (2015). Matchability prediction for full-search template matching algorithms. Universidad Politécnica de Cataluña. https://scispace.com/pdf/matchability-prediction-for-full-search-template-matching-4tux6ie2wy.pdf
Ramírez, D. (2009). Adquisición y reconocimiento de imágenes. ITECKNE, 6(1), 5–13.
Ratcliffe, C. C. (2020). Seguimiento de objetos deformables utilizando estructuras pictóricas que se actualizan de forma dinámica y robusta. Journal of Imaging, 6(7), 61. https://doi.org/10.3390/jimaging6070061
Ren, Q., & Zhao, Y. (2022). A robust and accurate end-to-end template matching method based on the Siamese network. IEEE Geoscience and Remote Sensing Letters, 19, 1–5. https://doi.org/10.1109/LGRS.2021.3094046
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ... & Fei-Fei, L. (2015). ImageNet large scale visual recognition challenge. International Journal of Computer Vision, 115(3), 211–252. https://doi.org/10.1007/s11263-015-0816-y
Tang, L. M. (2022). Investigación sobre la coincidencia de imágenes del algoritmo SIFT mejorado basado en el factor de estabilidad y la simplificación del descriptor de características. Applied Sciences, 12(17), 8448. https://doi.org/10.3390/app12178448
Terrell, S. R. (2012). Mixed-methods research methodologies. The Qualitative Report, 17(1), 254–280. https://files.eric.ed.gov/fulltext/EJ973044.pdf
Thomas, J. W. (2000). A review of research on project-based learning. Autodesk Foundation. https://files.eric.ed.gov/fulltext/ED447241.pdf
Yang, J. Y. (2024). Un método preciso y robusto de correspondencia de plantillas multimodales basado en la localización del punto central en imágenes de teledetección. Remote Sensing, 16(15), 2831. https://doi.org/10.3390/rs16152831
