Detección de grupos de fajillas en imágenes de paquetes de billete en diversas condiciones de iluminación y fondo mediante un clasificador SVM
DOI:
https://doi.org/10.18041/1794-4953/avances.1.1293Palabras clave:
Clasificación binaria, concatenación de histograma, matriz de confusión, support vector machines, transformada waveletResumen
Este artículo presenta los resultados de una clasificación binaria de imágenes con dos diferentes condiciones de iluminación y fondo para un problema específico de detección de grupos de fajillas en paquetes de billete. La detección se lleva a cabo con un clasificador “Support Vector Machines” entrenado con vectores característicos obtenidos de las imágenes mediante la aplicación de la transformada wavelet y de la técnica de concatenación de histograma. Para cada condición de fondo e iluminación se entrena un clasificador diferente, se obtiene la matriz de confusión de cada uno y luego se comparan mediante los parámetros de recall, especificidad, precisión, exactitud y Fscore.
Descargas
Referencias
Imprenta Nacional (1991). Constitución políticade Colombia. Santafé de Bogotá.
Colombia, B. d. (2013). Manual de Tesorería.Circular Reglamentaria Externa - DTE -164. Asunto 01: Consignaciones sujetasa verificación y operaciones de cambiode efectivo. Bogotá D.C.
Szeliski, R. (2010). Computer vision: algorithmsand applications. SpringerScience & Business Media.
Lu, D., Weng, Q. (2007). A survey of imageclassification methods and techniquesfor improving classification performance.International journal of Remotesensing, 28, 5, 823-870.
Athinarayanan, S., Srinath, M.,Kavitha, R.(2016). Detection and Classification ofCervical Cancer in Pap Smear Imagesusing EETCM, EEETCM & CFE methodsbased Texture features and VariousClassification Techniques. IJSRSET, 2,5.
Lin, C. (2007). Face detection in complicatedbackgrounds and differentillumination conditions by using YCbCrcolor space and neural network. PatternRecognition Letters, 28, 16, 2190-2200.
Ahmadian, A., Mostafa, A. (2003). An efficienttexture classification algorithmusing Gabor wavelet. Engineering inMedicine and Biology Society. Proceedingsof the 25th Annual InternationalConference of the IEEE, 1, 930-933.
Mallat, S. G. (1989). A Theory of MultiresolutionSignal Decomposition - The WaveletRepresentation. IEEE TRANSACTIONSON PATTERN ANALYSIS AND MACHINEINTELLIGENCE, 2, 7, 674-693.
Chang, T., Kuo, C.-C. (1993). Texture analysisand classification with tree-structuredwavelet transform. IEEE Transactionson image processing, 2, 4, 429-441.
Ghazvini, M., Monadjemi, S. A., Movahhedinia,N., Jamshidi, K. (2009). Defectdetection of tiles using 2D-wavelettransform and statistical features.World Academy of Science, Engineeringand Technology, 49, 901-904.
Manjunath, B. S., Ma, W. (1996). Texturefeatures for browsing and retrieval ofimage data. IEEE Transactions on patternanalysis and machine intelligence,18, 8, 837-842.
Dollár, P., Belongie, S., Perona, P. (2010).The Fastest Pedestrian Detector in theWest. BMVC, 2, 3, 7.
Arlot, S., Celisse, A. (2010). A survey ofcross-validation procedures for modelselection. Statistics surveys, 4, 40-79.
Davis, J., Goadrich, M. (2006). The relationshipbetween Precision-Recall andROC curves. Proceedings of the 23rdinternational conference on Machinelearning, 233-240.
Powers, D. M. (2007). Evaluation: FromPrecision, Recall and F-Factor to ROC,Informedness, Markedness & Correlation,School of Informatics and Engineering,Journal of Machine LearningTechnologies, 2, 1, 37-63.
