Repositorio Institucional de Documentos

UNIVERSIDAD DE ZARAGOZA CENTRO POLITÉCNICO SUPERIOR PROGRAMA OFICIAL DE POSGRADO EN INGENIERÍA DE TELECOMUNICACIÓN MÁSTER EN INGENIERÍA ELECTRÓNICA TRABAJO FIN DE MÁSTER Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software Autor: Raúl Igual Catalán Director: Carlos Tomás Medrano Sánchez Codirectora: Inmaculada Plaza García 4 de Septiembre de 2010 Curso 2009/2010 TRABAJO FIN DE MÁSTER Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software RESUMEN En este Trabajo Fin de Máster se ha implementado un algoritmo de detección de personas en imágenes, aplicando conceptos de calidad a la gestión y al desarrollo del proyecto. Se ha elegido la norma UNE 166001 sobre Requisitos de Proyectos de Investigación para trabajar de manera ordenada y metódica, evitando obviar aspectos importantes. Entre otras actuaciones, se realiza una estructuración del proyecto en fases con una temporalización asociada, se desglosa cada una de las fases en las tareas que la componen, se estima el presupuesto del proyecto, etc.., en definitiva, se trata de aplicar los principios de la calidad a la gestión del trabajo fin de máster. Para implementar algoritmos de visión por computador con calidad, se deberán considerar aquellos modelos y estándares que sean de aplicación. De este modo, se ha realizado una revisión normativa sobre modelos que apliquen tanto al desarrollo del producto software como al propio producto software, seleccionando razonadamente los más idóneos: –Como modelo que regirá el desarrollo del producto, se ha tomado el Proceso de Software Personal (PSP), que permite mejorar la eficiencia del desarrollador a nivel individual. –Como modelo aplicable al propio producto software se ha seleccionado la normativa ISO 9126, ya que puede ser adaptada a la evaluación del programa desarrollado. Una vez se dispone de los modelos o estándares de referencia, ya es posible diseñar el algoritmo. Previamente se ha realizado una búsqueda sobre métodos de detección de personas, y a la vista de esos resultados, se ha optado por detectar la cabeza, por ser la parte más significativa del cuerpo. Para ello se empleará el Modelo Omega que representa la cabeza a través de una figura geométrica con la forma de la letra Ω. Siguiendo este modelo se ha implementado un algoritmo de detección en el lenguaje de programación C, utilizado como soporte la librería OpenCV, necesaria para el manejo de imágenes en C. En una primera fase, la detección se realiza sobre imágenes donde únicamente aparece una cabeza aislada. En fases posteriores la detección se ha realizado sobre imágenes de personas que atraviesan un pasillo, con el consiguiente aumento en la complejidad del algoritmo. Éste se estructura en diversas operaciones: generación del modelo omega ideal, detección de fondo, obtención de la transformada de distancia, detección de bordes, dilatación, cálculo de gradientes, medición del ajuste final a través de una función matemática, suavizado de la función, cálculo de máximos, etc. Una vez el algoritmo ha sido implementado, se ha evaluado a través de la aplicación del modelo normativo ISO 9126. También se han analizado los resultados del algoritmo; su efectividad realizando la detección, así como la velocidad de ejecución, que se encuentra muy próxima al tiempo real. Se ha valorado el cumplimiento de lo planificado, la aplicación del PSP, y se han establecido actuaciones futuras derivadas de este proyecto. 0. Tabla de contenidos 0. Tabla de contenidos 1. Introducción 9 1.1 Alcance del proyecto 9 1.2 Objetivos del proyecto 9 2. Gestión del proyecto 10 2.1 Estructura general 10 2.2 Planificación específica 10 2.3 Temporalización del proyecto 12 2.4 Modelos aplicables al proyecto 12 2.4.1 Modelos aplicables al proceso de programación 13 2.4.2 Modelos aplicables al producto software 14 3. Estado del arte sobre métodos de detección de personas 16 4. Estructura del algoritmo 18 4.1 Modelo de cabeza ideal 18 4.2 Función de evaluación del modelo omega 19 4.3 Pseudocódigo del algoritmo 21 4.4 Lenguaje de programación 27 5. Análisis de resultados del algoritmo 28 5.1 Parámetros que intervienen en el algoritmo 28 5.2 Configuración de los parámetros 29 5.3 Entrada y salida 29 5.4 Análisis del funcionamiento del algoritmo 31 5.5 Análisis de tiempos 32 6. Análisis de la gestión del proyecto 34 6.1 Análisis de la planificación temporal 34 6.2 Costes y recursos empleados 35 6.3 Propiedad de los resultados 36 6.4 Protección de los resultados 36 6.5 Plan de explotación 37 6.6 Análisis del software 37 6.6.1 Análisis del proceso de programación 37 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 3 0. Tabla de contenidos 6.6.2 Análisis del producto software 39 7. Conclusiones y trabajo futuro 41 8. Bibliografía 42 Anexos Anexo I. Esquema detallado de las fases del proyecto 2 Anexo II. Planificación y temporalización. Desglose por fases 3 1. Fase de Planificación 3 1.1 Descripción de la fase de Planificación 3 1.2 Temporalización de la fase de Planificación 4 2. Fase de Organización 5 2.1 Descripción de la fase de Organización 5 2.2 Temporalización de la fase de Organización 5 3. Fase de Ejecución 6 3.1 Descripción de la fase de Ejecución 6 3.2 Temporalización de la fase de Ejecución 7 4. Fase de Control 8 4.1 Descripción de la fase de Control 8 4.2 Temporalización de la fase de Control 9 5. Fase de Análisis de Resultados, Presentación y Cierre 9 5.1 Descripción de la fase de Análisis de Resultados, Presentación y Cierre 9 5.2 Temporalización de la fase de Análisis de Resultados, Presentación y Cierre 10 Anexo III. Modelos y estándares aplicables al software 11 1. Modelos aplicables al desarrollo del producto software (proceso) 11 1.1 Ingeniería de software 11 1.2 Tecnología de la información 12 2. Modelos aplicables al producto software 14 2.1 Ingeniería de software 14 2.2 Tecnología de la información 15 Anexo IV. Modelo para la evaluación del producto 16 Anexo V: Desglose del algoritmo: funciones y procedimientos 23 1. Ubicación de las funciones y procedimientos en la estructura del programa 23 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 4 0. Tabla de contenidos 2. Breve descripción y parámetros 24 Anexo VI: C frente a los lenguajes de cálculo numérico. Ventajas e inconvenientes 27 1. Comparación: C – Lenguajes cálculo numérico 27 2. Ámbitos de aplicación 28 3. Ventajas de C 29 Anexo VII: Recursos empleados en la programación 30 Anexo VIII: Recursos del entorno de programación 32 1. Depurador de código 32 2. Analizador de tiempos 33 Anexo IX: Análisis de tiempos 34 Anexo X: Registros del proceso de software personal 35 Anexo XI: Aplicación del modelo para la evaluación del producto 37 Anexo XII: Gestión de la evaluación 42 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 5 0. Tabla de contenidos 0.1 Índice de figuras 1. Fases del proyecto 10 2. Temporalización general 12 3. Modelo de Calidad ISO 9126 15 4. Punto central y puntos de borde del Modelo Omega 18 5. Vector gradiente en uno de los puntos de borde 18 6. Eje de simetría 20 7. Representación gráfica de los términos de S(x,y) 20 8. Estructura general del algoritmo 21 9. Imagen de entrada 22 10. Imagen de fondo 22 11. Modelo Omega 22 12. Detección de borde sobre la imagen de entrada 23 13. Vector gradiente en uno de los puntos de borde 23 14. Representación del Píxel central (amarillo), corona 1 (gris), corona 2 (verde), 24 corona 3 (morado) y tres píxeles de borde (rojo) 15. Distancia del píxel central a cada uno de los píxeles de borde 24 16. Distancia desde un píxel de la imagen (azul) al punto de borde más cercano 24 17. Modelo Omega escalado para tres posiciones distintas 25 18. Imagen de detección del fondo: foreground (blanco) y background (negro) 25 19. Modelo omega sobre imagen de detección del fondo 25 20. Distancia de cada punto de borde del modelo centrado en (x,y), al punto 26 de borde más cercano de la imagen 21. Gradiente del modelo ideal (amarillo) y gradiente calculado (rojo) 26 22. Representación gráfica de la salida del algoritmo 30 23. Aspecto del fichero de salida 30 24. Representación de la curva ROC para cada una de las simulaciones 31 25. Velocidad de ejecución para cada una de las imágenes 32 26. Logotipos de EduQTech y CvLab 36 27. Análisis de los tipos de errores 37 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 6 0. Tabla de contenidos 28. Relación entre la fase en la que se introdujo un error y 38 el tiempo medio empleado en resolverlo Figuras de los Anexos 1. Estructura general del proyecto 2 2. Temporalización de la fase de Planificación (en %) 4 3. Temporalización de la fase de Organización (en %) 5 4. Temporalización de la fase de Ejecución (en %) 7 5. Temporalización de la fase de Control (en %) 9 6. Temporalización de la fase de Análisis de resultados, Presentación y Cierre (en %) 10 7. Ubicación de las funciones en la estructura del programa 23 8. Depurador de código 32 9. Analizador de tiempos 32 10. Porcentaje de tiempo empleado por las funciones del algoritmo 33 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 7 0. Tabla de contenidos 0.2 Índice de Tablas 1. Temporalización general 12 2. Campos de la tabla de registros 13 3. Configuración de las simulaciones 31 4. Seguimiento de la planificación temporal 34 5. Presupuesto 35 6. Resumen de los indicadores del PSP 38 7. Valoración y ponderación de las características del modelo ISO 9126 39 Tablas de los Anexos 1. Temporalización de la fase de Planificación (días) 4 2. Temporalización de la fase de Organización (días) 6 3. Temporalización de la fase de Ejecución (días) 7 4. Temporalización de la fase de Control (días) 9 5. Temporalización de la fase de Análisis de resultados, Presentación y Cierre (días) 10 6. Modelo para la evaluación del producto 16 7. Registros de errores durante el desarrollo del PSP 34 8. Aplicación del modelo para la evaluación del producto 36 9. Resultado de la evaluación 41 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 8 1. Introducción 1. Introducción 1.1 Alcance del proyecto Este proyecto fin de Máster se enmarca en dos ámbitos bien diferenciados dentro del campo de conocimiento de la Ingeniería Electrónica: la Visión por Computador y la Gestión de la Calidad. El proyecto se basa en implementar un algoritmo que recibe una imagen de entrada, y debe ser capaz de detectar a las personas presentes en la misma, con una tasa de errores aceptable. Además, se propone que esa implementación se realice “con calidad”, es decir, dando repuesta a los requisitos definidos y a los objetivos marcados, pero buscando el apoyo de los modelos o estándares referidos al software y a la gestión de proyectos, para mejorar nuestro trabajo. 1.2 Objetivos del proyecto A continuación se enuncian de modo general, los objetivos que se pretenden alcanzar con la realización de este trabajo. Para ello se van a clasificar en los dos ámbitos que abarca el proyecto: Desde el ámbito de la visión por computador: –Realizar el estado del arte sobre las técnicas existentes para la detección de personas. –Diseñar, desarrollar y evaluar un algoritmo de detección de personas, que sea susceptible de ser utilizado, en un futuro, para realizar seguimiento de personas. Para ello se detectará la cabeza de las personas por ser la parte más significativa del cuerpo. –Realizar un análisis de tiempos del algoritmo implementado, valorando la viabilidad de que esa detección se pueda realizar en tiempo real. Desde el ámbito de la gestión de la calidad: –Gestionar el proyecto siguiendo lo dispuesto en la normativa UNE 166001 que se refiere a los requisitos de los proyectos de investigación. Entre otros aspectos, en esta normativa se expone que la gestión debe abarcar los siguientes campos: revisión normativa sobre la materia, descripción de la innovación que supone, memoria, planificación, presupuesto, control de la documentación y plan de explotación de resultados. –Realizar el estado del arte sobre los modelos y estándares normativos que sean aplicables al software, en todos sus ámbitos: su concepción, su desarrollo, su evaluación final... –Seleccionar los modelos de calidad de software que mejor se adapten a las características del proyecto, y aplicarlos a la implementación del algoritmo seleccionado para este proyecto. Como objetivo global del proyecto se pretende que los objetivos enunciados para ambos ámbitos se desarrollen paralelamente de manera interrelacionada. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 9 3. Estado del arte 3. Estado del arte sobre métodos de detección de personas En este apartado presentamos el estado del arte relativo a la parte de Visión por Computador de este proyecto. En el apartado 8 (bibliografía) se incluye la información de todas las referencias aquí citadas. La detección y seguimiento de personas es una tarea crucial para llevar a cabo numerosas aplicaciones de visión por computador. Si este tipo de problemas se resolvieran con soluciones fiables y en tiempo real, podrían llegar a tener aplicación en varias áreas como la videovigilancia, el análisis de eventos deportivos, el reconocimiento de actividades, etc. Sin embargo, este campo de trabajo presenta una gran complejidad, especialmente si las oclusiones entre las personas son muy frecuentes, como ocurre en las escenas con alta masificación. En este proyecto pretendemos implementar un módulo de detección de personas, que en un futuro pueda integrarse en aplicaciones de seguimiento. Métodos de detección de personas Para realizar la detección existen numerosas posibilidades. En [Zhao, 08], la detección se realiza en tres pasos. En primer lugar, se seleccionan los candidatos a cabezas a partir de los picos que presenta el borde del foreground (aquella parte de la imagen que no corresponde al fondo). En segundo lugar, se buscan aquellos puntos de la región de foreground que mejor encajen con un modelo de cabeza y hombros considerado como ideal (modelo omega). En [Li, 09] la detección se basa en un clasificador rápido de Viola-Jones [Viola, 01], seguido de un histograma de gradientes (HOG) basado en un clasificador de características AdaBoost [Duda, 01], que se utiliza para detectar el conjunto cabeza-hombros en zonas de entrada predefinidas. Las cabezas detectadas se someten a un procedimiento de seguimiento (tracking) utilizando un algoritmo basado en el filtro de partículas [isard, 98]. En [Garcia, 05] se vuelve a utilizar el modelo omega y se describe en detalle el procedimiento de ajuste. Además se utiliza información de color para eliminar algunos de los candidatos a cabeza. En [Wu, 09] la detección se realiza sobre el cuerpo completo. Se define una jerarquía de las partes del cuerpo: en primer lugar el cuerpo completo, luego los hombros-cabeza, piernas... Se entrena un detector de cada una de las partes del cuerpo utilizando una versión del algoritmo de Adaboost [Duda, 01]. El clasificador se basa en la respuesta de algunas características de borde (que describen las formas de borde típicas de una silueta humana), seleccionadas para optimizarlo. En [Birchfield, 98] realizan la detección utilizando un doble modelo elíptico: de gradiente de intensidad y de color. Mientras que en [Yang, 02] se realiza una recopilación de diferentes trabajos sobre detección de cabezas de personas: –Uno de ellos propone el uso de una red neuronal supervisada, basando su aprendizaje en el modelo de color de la cara. Las cabezas candidatas se someten a un proceso de corrección de la iluminación, y de ecualización. La imagen ecualizada se aplica a la red neuronal. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 16 3. Estado del arte –También se propone un modelo jerárquico de tres niveles basado en la degradación gradual de la imagen de entrada. La imagen más degradada se utiliza para localizar los primeros candidatos siguiendo un modelo de color. Las imágenes menos degradas se utilizan para confirmar la detección a partir de los rasgos faciales. –El último de ellos utiliza un modelo un tanto distinto. Divide la cara en diferentes regiones y mide la diferencia de brillo entre esas regiones. La detección es independiente de las condiciones de iluminación de la imagen de entrada, ya que el modelo expresa esa diferencia de modo relativo. [Eshel, 08] presenta un sistema de detección constituido por varias cámaras. Sobre las imágenes recogidas por ellas, se aplica una homografía, detectando todos los puntos situados a una determinada altura (candidatos a cabezas de las personas). Selección del modelo En este proyecto la detección de personas se realizará utilizando el modelo de hombroscabeza (modelo omega). Este modelo ya ha sido empleado previamente para implementar algoritmos de seguimiento [Zhao, 08]. Por ello esperamos que su carga computacional no sea muy elevada, con lo que resultaría factible realizar aplicaciones en tiempo real. El modelo es muy intuitivo ya que los conceptos que maneja no son muy complejos. Además, de implementarse con éxito, permitirá configurar un módulo de detección de personas en el grupo CVLab, contribuyendo de esta manera a incrementar el “know-how” que posee el grupo. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 17 4. Estructura del algoritmo 4. Estructura del algoritmo Como ya se comentó en la introducción, la detección de personas se realizará mediante la detección de sus cabezas. Para ello se utilizará un algoritmo que medirá el grado de ajuste de la cabeza que se quiere detectar, con respecto a un modelo de cabeza considerado como ideal. Por tanto, es necesario definir dos aspectos básicos: –El modelo de cabeza ideal. –La función que determine el grado de ajuste. 4.1 Modelo de cabeza ideal El modelo utilizado para realizar la detección de las cabezas se conoce como “modelo omega”, denominado así por su forma (  ), y en nuestro caso va a estar constituido por los siguientes elementos: –Un punto central del modelo (figura 4). –Treinta puntos de borde (figura 4). –Un vector gradiente unidad asociado a cada uno de los treinta puntos de borde (figura 5). Todos los elementos del modelo están definidos a través de sus coordenadas (x,y). El punto central se toma como origen de coordenadas y los puntos de borde estarán referidos a él. Los vectores gradiente tienen su origen en su correspondiente punto de borde del modelo, siendo vectores unitarios. Figura 4. Punto central y puntos de borde del modelo omega Figura 5. Vector gradiente en uno de los puntos de borde Para determinar los puntos del modelo omega, y los vectores gradiente unidad se han tomado una serie de cabezas de muestra. En esas cabezas se han determinado los puntos de borde de manera manual siguiendo el contorno de la cabeza. Posteriormente se simetrizaron esos puntos de borde respecto al eje de la cabeza (figura 6), Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 18 4. Estructura del algoritmo ajustándolos después con Splines, de manera que al final del proceso se obtuvo el modelo omega definitivo, constituido por los puntos ajustados y su gradiente asociado. 4.2 Función de evaluación del modelo omega Para medir el grado de ajuste de una supuesta cabeza presente en una imagen de entrada, frente al modelo de cabeza ideal (modelo omega) centrado en el punto (x,y) de la imagen de entrada, se ha seguido lo expuesto en [Zhao,08], que pasa por computar la siguiente función: Sx , y=1/k∑ i=1 k e− Dui ∣ vi∗ O Cui ∣ (1) La salida de esta función (S(x,y)) es un valor numérico comprendido entre 0 y 1. Cuanto más próximo a 1 se encuentre, mayor será el grado de ajuste, y cuanto más próximo a 0, el grado de ajuste será menor. El significado de cada uno de los términos que componen la función es el siguiente (figura 7): –k: Número de puntos de borde del modelo omega. En este caso 30. –i: índice del sumatorio que representa a cada uno de los 30 puntos de borde del modelo omega, es decir, que el sumatorio está compuesto de 30 términos suma. – D ui : Distancia entre el punto de borde i del modelo omega y el punto de borde de la imagen de entrada más cercano a i. –  : Parámetro que expresa el grado de sensibilidad de la función a variaciones de D ui . Cuanto más grande es lambda, más sensible es la función a cambios en D ui . –  vi : Vector gradiente unidad correspondiente el punto de borde i del modelo omega. –  C ui : Punto de borde más cercano a i. –  O C ui : Vector gradiente unidad correspondiente al punto de borde de la imagen de entrada más próximo al punto i del modelo omega. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 19 4. Estructura del algoritmo Figura 6. Eje de simetría Figura 7. Representación gráfica de los términos de S(x,y) La filosofía de esta función está basada en la medición del grado de ajuste de los dos elementos fundamentales del modelo omega: –Los 30 puntos que lo componen. –El vector gradiente unidad asociado a cada uno de esos puntos. Así, para cada uno de esos 30 puntos del modelo omega se computa la expresión superior contenida dentro del sumatorio. Vamos a analizarla parte por parte: – e− Dui : mide el grado de ajuste del punto i del modelo con uno de los puntos de borde de la hipotética cabeza. De tal manera que el grado de ajuste será mayor cuanto más próximos estén los puntos, dicho de otro modo, cuanto menor sea la distancia entre ellos ( D ui ). El índice de esta exponencial siempre será negativo, por lo que el valor de la exponencial será mayor cuanto menor sea el valor de D ui , es decir, cuanto más próximos estén los puntos.  es un valor constante. – ∣ vi∗ O C ui ∣ : valor absoluto del producto escalar del vector gradiente del modelo omega correspondiente al punto i, con el vector gradiente del punto de borde de la imagen más cercano a i. Mide el grado de ajuste de los dos gradientes, el ideal y el tomado de la imagen de entrada. El valor absoluto del producto escalar es mayor cuanto más parecidas son las direcciones de los vectores que intervienen en la operación, siendo máximo cuando esos vectores son coincidentes u opuestos, y mínimo cuando sean ortogonales. Por tanto, cuanto más parecidas sean las direcciones de los vectores gradientes, mayor valor tomará el producto escalar. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 20 O (C(ui)) (x, y) i vi D(ui) 4. Estructura del algoritmo 4.3 Pseudocódigo del algoritmo En este apartado se describe el algoritmo asociado al procedimiento de detección de cabezas expuesto en el apartado anterior. En líneas generales se estructura según lo representado en la figura 8. En el Anexo V puede encontrarse un esquema mucho más detallado. Figura 8. Estructura general del algoritmo Así, en un principio, se inicializa el algoritmo, recibiendo como entradas la imagen sobre la que se va a realizar la detección de cabezas, la imagen de fondo, y el modelo de cabeza perfecto. Sobre esa primera imagen se aplica una detección de borde, que es la base para calcular el gradiente en cada punto del borde, y realizar una transformada de distancia para cada píxel de la imagen. El modelo de cabeza ideal de entrada se escala para el píxel (x,y), y junto con el gradiente, la transformada de distancia, y la imagen con el fondo detectado, se utilizan en la evaluación de la función S(x,y), que posteriormente será suavizada para limitar el número de máximos locales. De esa función suavizada se extraerán los valores máximos, que se corresponden con las cabezas detectadas, siendo éstas la salida del algoritmo. Cada una de estas acciones se detallan a continuación. Inicio del programa El primer paso consiste en declarar e inicializar todas las variables y constantes que serán de utilidad a lo largo de las diferentes funciones que componen el programa. La estructura del algoritmo es la siguiente: –Declaración e inicialización de: las variables para contener las imágenes, la función S(x,y), los vectores para el cálculo del gradiente... –Se cargan las imágenes que se utilizarán en el programa: imagen de entrada e imagen de fondo (figuras 9 y 10). –Desde un fichero se obtienen los valores del modelo omega ideal (figura 11): –El valor de las coordenadas (x,y) de los 30 puntos del modelo. –El valor de las componentes (x,y) del gradiente vertical y horizontal de cada uno de los 30 Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 21 Imagen de entrada Modelo de Cabeza Perfecto Filtrado: Detección de Bordes Transformación de Distancia Escalado Computar vector Gradiente Unidad Función que mide el ajuste Modelo - Cabeza Máximos - Salida Imagen de fondo Detección del fondo + Dilatación 4. Estructura del algoritmo puntos del modelo. Figura 9. Imagen de entrada Figura 10. Imagen de fondo Figura 11. Modelo omega Filtrado Mediante la aplicación del filtrado se persigue un doble objetivo: obtener una imagen binaria de salida donde se detecten los bordes presentes en la imagen de entrada, y el gradiente asociado a cada uno de esos puntos de borde. La estructura del algoritmo es la siguiente: Para realizar el filtrado se utiliza la función Canny de Opencv que internamente calcula el gradiente. Para que esta información se pueda extraer al exterior de la función, previamente se realiza un acondicionamiento de las variables que contendrán el gradiente vertical y horizontal, de tal manera que se adapten al modo en que el filtro de Canny calcula ese gradiente. A continuación, tomando la imagen de entrada (figura 9): –Se realizará un filtrado de Canny, obteniendo como resultado una imagen binaria con la detección de bordes (figura 12). –Se tomará el gradiente en cada punto del borde (figura 13), utilizando para ello el gradiente calculado por el propio filtro de Canny durante la realización del filtrado. –Posteriormente los gradientes vertical y horizontal serán normalizados, de tal manera que el vector gradiente resultado sea unitario. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 22 4. Estructura del algoritmo Figura 12. Detección de borde sobre la imagen de entrada Figura 13. Vector gradiente en uno de los puntos de borde Transformada de distancia Al realizar esta operación, para cada uno de los píxeles de la imagen de entrada, se obtiene la distancia al punto de borde más cercano de esa imagen. También se obtiene el valor de las coordenadas de ese punto de borde. La estructura del algoritmo es la siguiente: Para cada uno de los píxeles de la imagen que no pertenezcan al borde detectado con Canny, se realizará lo siguiente hasta que se detecte un punto de borde: –Se recorrerá una corona cuadrada que rodea a ese píxel (representado en color amarillo en la figura 14) en busca de un punto de borde, partiendo desde la corona más cercana (compuesta por 8 píxeles) y aumentando progresivamente el tamaño de la corona (24, 48...), hasta que se detecte como mínimo un píxel de esa corona que sea borde. Para ello se realizará lo siguiente: –Tomar las coordenadas extremas en el eje vertical y recorrerlas para todos los valores de la coordenada horizontal. –Tomar las coordenadas extremas del eje horizontal y recorrerlas para todos los valores de la coordenada vertical. –Únicamente recorrer aquellos puntos que se encuentren dentro de la imagen. –En caso de que en una misma corona se detecten varios píxeles de borde (figura 15), se guardarán las coordenadas de todos ellos, y se calculará la distancia entre el píxel central (del que deseamos obtener la transformada de distancia) y cada uno de esos puntos de borde guardados (figura 15). –Finalmente se tomará la distancia mínima y las coordenadas del punto de borde que hacen esa distancia mínima (figura 16). La distancia mínima y las coordenadas constituyen la transformada de distancia del píxel central. Para los puntos de borde detectados en Canny, se tomará como distancia mínima el valor cero, y como punto de borde más cercano, él mismo. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 23 4. Estructura del algoritmo Figura 14. Representación del Píxel central (amarillo), corona 1 (gris), corona 2 (verde), corona 3 (morado) y tres píxeles de borde (rojo) Figura 15. Distancia del píxel central a cada uno de los píxeles de borde Figura 16. Distancia desde un píxel de la imagen (azul) al punto de borde más cercano Detección del fondo Sobre la imagen de entrada (figura 9) se realiza la sustracción de la imagen de fondo (figura 10), y una umbralización posterior de la imagen resultado. De esta forma se obtiene una imagen binaria donde se diferencian los píxeles que pertenecen al fondo de los que no. Esta imagen se somete posteriormente a un proceso de dilatación. El resultado se muestra en la figura 18. Función de ajuste S(x,y) Hasta ahora se han realizado varias operaciones, cálculo de gradientes, transformadas de distancia... Todas ellas se utilizarán para el cálculo de la función de ajuste S(x,y), que ya fue descrita en el apartado 4.2 La estructura del algoritmo es la siguiente: En primer lugar se desplaza el modelo omega genérico al punto (x,y) donde se evaluará, para ello debe escalarse y trasladarse. Así los pasos a realizar son los siguientes: –En primer lugar se escala el modelo omega a la posición (x,y), aplicando la siguiente expresión: 2.377e-04*y*y + 3.249e-02 + 6.287, obtenida del ajuste experimental del tamaño del modelo en función de y. El origen de coordenadas en OpenCv es el borde superior izquierdo, con lo que cuando menor sea la coordenada vertical, el modelo omega tendrá un tamaño más pequeño (figura 17). –Posteriormente, se centra el modelo omega escalado en el punto (x,y), para ello se suma a las componentes horizontales de ese modelo la coordenada x, y a las componentes verticales la Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 24 D1 D2 D3 4. Estructura del algoritmo coordenada y. –Ya tenemos el nuevo modelo escalado y centrado en (x,y), compuesto entre otros, por 30 puntos que definen el borde de la cabeza. El siguiente paso consiste en aceptar o rechazar cada uno de esos 30 puntos, para ello: –Se comprueba que cada punto se encuentre dentro de los límites de la imagen –Se comprueba que cada punto se encuentre dentro del foreground. –En caso de cumplir estos dos requisitos, el punto se toma como válido y pasa a computarse, en caso contrario, no (figura 19) . De tal manera que puede darse el caso de que existan modelos omega con menos de 30 puntos. Amarillo: Centroide del modelo Azul: Puntos del modelo válidos Rojo: Puntos del modelo no válidos Figura 17. Modelo omega escalado para tres posiciones distintas Figura 18. Imagen de detección del fondo: foreground (blanco) y background (negro) Figura 19. Modelo omega sobre imagen de detección del fondo Una vez ya se tiene el nuevo modelo validado es posible comenzar a computar la función S(x,y), que recordemos tenía la siguiente expresión: Sx , y=1/k∑ i=1 k e− Dui ∣ vi∗ O Cui ∣ (1) –En primer lugar se computarán cada uno de los términos (30 como máximo) de los que está compuesto el sumatorio. Para ello se realizan las siguientes operaciones: – e− Dui :Para calcular la exponencial se tomará la distancia entre el punto i del nuevo modelo omega y el punto de borde más cercano que ya fue calculado cuando se realizó la transformada de distancia. Está representado en la figura 20. – ∣ vi∗ O C ui ∣ :Para realizar este producto escalar se tomará el vector gradiente correspondiente al punto i del modelo omega (es siempre el mismo, independientemente del escalado y de la traslación del modelo en (x,y)), y el vector gradiente del punto de borde más cercano al punto i del modelo omega (calculado en la función de Canny) (figura 21). Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 25 5. Análisis de resultados del algoritmo Así, a la vista de la gráfica podemos extraer una serie de conclusiones: –La gráfica ideal es aquella que tiene una pendiente de subida inicial con valor infinito (línea paralela al eje y), y una vez está arriba la pendiente es cero (línea paralela al eje x). –Las simulaciones representadas en la figura 24, aunque lejos de ser ideales, sí siguen esta tendencia. –Existe un total de 32 cabezas entre todas las imágenes analizadas, aunque algunas de ellas no han sido detectadas por encontrarse excesivamente lejos de la cámara. –Observamos que los parámetros de la simulación 3 son los mejores, porque permiten obtener el mayor número de verdaderos positivos, con el menor número de falsos positivos, estando claramente por encima del resto de simulaciones. 5.5 Análisis de tiempos El lenguaje de programación C se seleccionó para implementar el algoritmo porque permite desarrollar altas velocidades de ejecución. Por este motivo se ha realizado un análisis de tiempos utilizando la herramienta que nos proporciona el entorno de programación (descrita en el Anexo VIII). En la figura 25 se representa el número de frames por segundo que es capaz de computar el programa. El análisis se ha realizado para cada una de las cinco imágenes de prueba. Para cada imagen se han realizado cuatro simulaciones, correspondientes a las cuatro configuraciones de los parámetros de entrada expuestas en la tabla 3. En la figura 25 se representa el valor medio (frames/sg) de esas cuatro simulaciones para cada una de las imágenes. Figura 25. Velocidad de ejecución para cada una de las imágenes Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 32 Imagen1 Imagen2 Imagen3 Imagen4 Imagen5 0 2 4 6 8 10 12 Frames/sg 5. Análisis de resultados del algoritmo A la vista de estos resultados, es posible extraer una serie de conclusiones: –Los algoritmos se encuentran muy próximos a una ejecución en tiempo real (fijada en torno a 10 frames/sg), con lo que desde el punto de vista temporal, el resultado es muy positivo. –La velocidad de ejecución de las dos primeras imágenes es mayor. Esto se debe a que el número de personas presentes en esas imágenes es menor, y por tanto, el volumen de cálculos también. Por contra, las tres últimas imágenes son más complejas, contienen a más personas, y su evaluación requiere un mayor gasto temporal. En el Anexo IX se incluye un análisis de tiempos más detallado, donde se desglosa la velocidad de ejecución de cada una de las funciones que componen el algoritmo. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 33 6. Análisis de la gestión del proyecto 6. Análisis de la gestión del proyecto En este apartado se va a analizar el ajuste a la planificación temporal, los costes y recursos empleados, a quién pertenecen los resultados y cómo se van a proteger y a explotar. También se valorará el proceso de desarrollo del algoritmo a través del PSP, así como el propio algoritmo mediante la aplicación del modelo ISO 9126. 6.1 Análisis de la planificación temporal En la siguiente tabla se muestra la planificación para las diferentes fases, contrastando las fechas de inicio y de fin, previstas y reales. Remarcar, que la dedicación durante las fechas expuestas no ha sido exclusiva, y que la carga horaria de cada una de las fases se corresponde con lo reflejado en el apartado 2.3, desglosado en el Anexo II. Seguimiento de la Planificación Temporal Fases Fecha inicio prevista Fecha inicio real Fecha fin prevista Fecha fin real Desviación fecha fin Planificación 01/12/09 01/12/09 01/03/10 14/03/10 14 días Organización 01/03/10 14/03/10 01/04/10 08/04/10 8 días Ejecución 01/04/10 08/04/10 05/04/10 10/08/10 36 días Implementación del algoritmo 20/04/10 03/05/10 10/05/10 29/05/10 19 días Depuración del algoritmo 10/05/10 29/05/10 30/05/10 26/06/10 26 días Control de la implementación 30/05/10 26/06/10 10/06/10 30/06/10 20 días Optimización del algoritmo 10/06/10 30/06/10 30/06/10 02/08/10 33 días Control de la optimización 30/06/10 02/08/10 05/07/10 06/08/10 32 días Análisis de resultados, presentación y cierre 05/07/10 08/08/10 31/07/10 30/08/10 30 días PROYECTO TOTAL 01/12/09 01/12/09 31/07/10 30/08/10 30 días Tabla 4. Seguimiento de la planificación temporal A la vista de los resultados podemos extraer una serie de conclusiones: –La planificación, en líneas generales, se ha ajustado a la realidad, aunque con una desviación de entorno a un mes entre lo planificado y lo realizado. –Aquellas fases que abarcan los procesos de programación, depuración y optimización son mucho más difíciles de planificar, puesto que dependen enormemente de los propios resultados que Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 34 6. Análisis de la gestión del proyecto ofrezca el algoritmo. En ellas se han dado las mayores desviaciones. –La duración de los procesos de control ha sido menor de la prevista. –Una buena planificación del proyecto puede facilitar el desarrollo del mismo, ya que marca objetivos concretos a realizar en un periodo temporal definido, con lo que se favorece el trabajo continuado. –La experiencia adquirida servirá para ajustar mejor la planificación temporal en futuros proyectos. 6.2 Costes y recursos empleados Al ser un proyecto software no se requiere de equipos demasiado específicos. Los recursos necesarios para llevar a cabo el proyecto son los siguientes (precios en euros): Recurso Cantidad Precio unidad Precio total Ordenador de Sobremesa 1 550 550 Pantalla Plana para Ordenador 1 130 130 Teclado 1 20 20 Ratón 1 7 7 Norma UNE 166001 1 14,06 14,06 Norma ISO 9126 - 1 1 29,33 29,33 Norma ISO 9126 - 2 1 29,33 29,33 Norma ISO 9126 - 3 1 29,33 29,33 Norma ISO 9126 - 4 1 29,33 29,33 Material Fungible 1 400 400 Gastos de personal: Ingeniero Técnico de Telecomunicaciones 6000 Total 7238,38 IVA(18,00%) 1302,91 TOTAL 8541,29 Tabla 5. Presupuesto Si también se realizara la adquisición de las imágenes, debería presupuestarse una cámara. Por ejemplo, una cámara IP típica tiene un coste aproximado de 400 euros. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 35 6. Análisis de la gestión del proyecto 6.3 Propiedad de los resultados Los resultados de este proyecto de I+D+i pertenecen a los grupos de investigación de la Universidad de Zaragoza involucrados en su desarrollo. Estos grupos son: –EduQTech (Education Quality Technology): Grupo interuniversitario de I+D+i cuyo principal objetivo es la aplicación de los conceptos de calidad a las actividades de investigación, desarrollo e innovación y a la docencia. –CvLab (Computer Vision Laboratory): CV Lab es un grupo de investigación del I3A cuyo trabajo se centra en la investigación de técnicas computacionales para visión artificial en los campos de videovigilancia, biometría y procesado de imágenes médicas. Como se ha comentado, estos grupos pertenecen a la Universidad de Zaragoza, por lo que la propiedad intelectual de este proyecto pertenece a la propia universidad. Figura 26. Logotipos de EduQTech y CvLab 6.4 Protección de los resultados La protección de la propiedad de los resultados se realizará mediante una licencia para software libre. La licencia a utilizar todavía no se ha concretado, y se seleccionará en función de los resultados obtenidos al concluir el proyecto, aunque actualmente se barajan las siguientes posibilidades: –Para el software: –Licencia Pública General de GNU (GPL): http://www.gnu.org/licenses/licenses.es.html –Common Public Licence (CPL): http://www.opensource.org/licenses/cpl1.0.php –Para el contenido: –GNU Free Documentation License (GFDL): http://www.gnu.org/licenses/fdl.html –Creative Commos (CC): http://es.creativecommons.org/ Como se puede observar, la licencia para el software es distinta de la licencia para el resto de la documentación. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 36 6. Análisis de la gestión del proyecto 6.5 Plan de explotación Como plan de explotación propiamente dicho se prevee que este proyecto se utilice para: –Será la base de un futura tesis doctoral codirigida entre los dos grupos anteriormente citados. Concretamente esta tesis versará sobre el seguimiento de varias personas presentes en una misma imagen. Este seguimiento se realizará en tiempo real, a partir de la información visual de las personas, proporcionada por una cámara. 6.6 Análisis del Software 6.6.1 Análisis del proceso de programación Como ya se enunció en el apartado 2.4.1, el desarrollo del software se rige por el Proceso de Software Personal (PSP). En el Anexo X puede encontrarse una clasificación (siguiendo lo dispuesto en el apartado 2.4.1) de los principales errores cometidos. En este punto, vamos a analizar los resultados de ese proceso para los diferentes tipos de errores a través de la figura 27. Para cada tipo de error se representa el número de veces que acaeció en relación con el número total de errores (expresado en tanto por ciento), así como el de tiempo empleado en su resolución respecto del tiempo total empleado para solventar todos los errores (expresado en tanto por ciento). Figura 27. Análisis de los tipos de errores A la vista de la gráfica podemos extraer una serie de conclusiones: –Los errores más frecuentes son los de tipo sintáctico y los relativos al tratamiento de datos o funciones, mientras que los errores de construcción, de comprobación, o de software son poco frecuentes. –No existe una relación directa entre el número de errores de un determinado tipo y el tiempo empleado para solventarlos. Así, los errores de documentación, de construcción, y entorno no son muy numerosos, sin embargo su resolución lleva aparejado un gasto temporal elevado. Por contra, Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 37 Documentación Sintaxis Construcción Asignación Interfaz Comprobación Datos Función Softw are Entorno 0 5 10 15 20 25 Nº Errores Tiempo para resolverlos 6. Análisis de la gestión del proyecto los errores de tipo sintáctico, que son abundantes, se solventan en un periodo de tiempo corto. También resultaría interesante conocer la relación entre el tiempo medio empleado para resolver un error y la fase en la que fue cometido. En la figura 28 se representa esa relación para las fases de diseño y codificación (por ser las más características). Figura 28. Relación entre la fase en la que se introdujo un error y el tiempo medio empleado en resolverlo Así, a la vista de esa tabla resumen, se pueden extraer las siguientes conclusiones: –Los errores introducidos en la fase de diseño del algoritmo llevan asociado un tiempo de corrección elevadísimo, por lo que podemos concluir que tienen una gran trascendencia. Este tipo de errores afectan a la propia estructura del programa, con lo que su corrección pasa por modificarla, incrementando en gran medida el tiempo empleado. Por contra, los errores cometidos en la fase de codificación suelen ser de tipo sintáctico, de asignación... en definitiva, son errores más fáciles de solventar. Durante el desarrollo del proyecto se han anotado diversos tiempos y tasas de errores que nos van a permitir medir el grado en que nuestro proceso de programación es correcto, a través de los indicadores de la tabla 6, que ya fueron expuestos en el apartado 2.4.1. El análisis de los indicadores se va a realizar para dos momentos temporales distintos: el primero de ellos se corresponde con el inicio de la programación (PSP_v1), y el segundo con la fase final del proceso (PSP_v2). Minutos / LOC Errores / KLOC V/F Rendimiento PSP_v1 1,8 0,3 0,9 30,00% PSP_v2 1,2 0,21 1,8 60,00% Tabla 6. Resumen de los indicadores del PSP Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 38 Diseño Codificación 0 1 2 3 4 5 6 7 Horas 6. Análisis de la gestión del proyecto Podemos considerar como valores aceptables de estos indicadores para programadores profesionales, los siguientes: V/F superior a 2, y el rendimiento superior al 50% [Humphrey, 01]. Como puede observarse, al inicio del proyecto, el valor de estos indicadores era deficiente, por lo que se tomaron acciones encaminadas a mejorar el proceso de programación: dedicando más tiempo a la revisión del código, realizando un diseño más detallado de los algoritmos previo a la codificación... Como resultado de ese plan de actuación, se consiguió mejorar la eficiencia de la programación, de tal manera que en la última versión del algoritmo desarrollada (correspondiente al PSP_v2), se ha conseguido mejorar la forma de trabajar, si bien todavía no se han alcanzado unos niveles profesionales. 6.6.2 Análisis del producto software Como ya se comentó en el apartado 2.4.2, el producto software resultado de este proyecto se evaluará siguiendo el modelo de la norma ISO 9126 sobre calidad de software. Así, se ha adaptado el modelo de calidad ISO 9126 para aplicarlo a software de visión por computador, tal y como que puede consultarse en el Anexo IV. La aplicación de este modelo al algoritmo de detección de cabezas puede consultarse en el Anexo XI. Tomando como referencia esa aplicación, se ha realizado una evaluación final del producto software resultante, siguiendo lo dispuesto en el Anexo XII (gestión de la evaluación). Cada una de las características que contempla el producto software: funcionalidad, eficiencia.., ha sido calificada con una puntuación entre 0 y 1, en función de la calificación aportada por los indicadores de los que se compone cada una de ellas, y que están recogidos en el citado Anexo XI. Además a cada una de las características del producto se le asigna un “peso”, que indica la relevancia de esa característica concreta. En este caso los pesos vienen expresados en tanto por ciento. Los resultados de la evaluación son los siguientes: Evaluación del Modelo de Calidad Interna - Externa Funcionalidad Fiabilidad Usabilidad Eficiencia Mantenibilidad Portabilidad Valoración 0.78 1 0.94 1 0.49 0.67 Peso (%) 30,00% 15,00% 15,00% 20,00% 10,00% 10,00% Tabla 7.Valoración y ponderación de las características del modelo ISO 9126 A la vista de esto podemos concluir que: –La evaluación de las características funcionalidad, portabilidad y mantenibilidad es aceptable aunque podría mejorarse. Analizando más en detalle cada una de ellas podemos deducir los aspectos que son mejorables: –Funcionalidad: La evaluación de esta característica resulta muy costosa de mejorar, puesto que está relacionada con la detección correcta de cabezas. Esta cuestión no está resuelta, y a corto Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 39 6. Análisis de la gestión del proyecto plazo no se esperan resultados en este campo, puesto que reviste una alta complejidad. El problema estriba en que el algoritmo de detección toma como cabezas correctas una cantidad significativa de puntos que no lo son. –Portabilidad: La característica portabilidad adquiere mayor importancia cuanto más definitiva es la versión. Recordemos que el software evaluado es un prototipo y no una versión final, con lo que la portabilidad no es una característica muy relevante para el grado de desarrollo actual del producto. –Mantenibilidad : El mantenimiento del algoritmo se llevará a cabo por los desarrolladores del mismo, con lo que las exigencias de mantenibilidad no son tan elevadas como si se realizara por programadores externos. Aún así, sería conveniente introducir mejoras en este aspecto que favorezcan la claridad en la programación y la auto-interpretación del código. –Las características de fiabilidad, usabilidad y eficiencia obtienen una buena valoración, lo cual es un signo muy positivo puesto que constata que la programación del algoritmo es fiable y se ha documentado de manera correcta. –La característica funcionalidad es la más relevante de todas, ya que el principal objetivo del algoritmo es que sea capaz de realizar la detección de personas, por lo que la funcionalidad está muy presente. Debe ser en esta característica, donde inicialmente se concentren los mayores esfuerzos para mejorar el algoritmo. –La característica eficiencia también tiene un peso elevado. Recordemos que la elección del lenguaje de programación C se produjo por la necesidad de ejecutar el algoritmo en tiempo real, es decir, de manera eficiente. –Las características de mantenibiliadad y portabilidad tienen un papel secundario, ya que el algoritmo se encuentra en una fase preliminar. A medida que la investigación evolucione, su importancia se incrementará. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 40 7. Conclusiones y trabajo futuro 7. Conclusiones y trabajo futuro Con la realización de este proyecto se ha logrado adquirir una visión integradora del conocimiento, puesto que dos materias en principio alejadas como la visión por computador y la gestión de la calidad han interaccionado de manera estrecha. Entre ellas se ha establecido una cooperación necesaria: el progreso en una de ellas, ha supuesto avances significativos en la otra. El ámbito de la visión por computador ha versado en torno a la detección de personas, un problema muy complejo, que actualmente todavía no ha sido resuelto. En este proyecto hemos implementado un modo de hacerlo, con unos resultados que podemos considerar positivos aunque mejorables. Para tratar de mejorar estos resultados se plantean varias modificaciones al algoritmo: la inclusión de otras características para disminuir el número de falsos positivos, el escalado del modelo omega una sola vez al comienzo del programa para todos los puntos de la imagen... Pero aún así la detección de personas nunca sería completamente fiable, debido a la gran complejidad del problema, en el que sólo se pueden producir progresos si se avanza paso a paso. Precisamente, con este proyecto se han asentado los cimientos para, en un futuro cercano, incluir el módulo de detección dentro de un algoritmo de seguimiento de personas (tracking). También nos hemos adentrado en el campo de la calidad, valorando esta incursión de manera muy positiva. La aplicación de modelos y estándares proporciona una guía muy útil para trabajar de modo eficiente, optimizando el tiempo empleado y evaluando objetivamente los resultados. Los conocimientos adquiridos serán la base para abordar futuros proyectos, mejorando el trabajo de programación desarrollado a través de la aplicación del PSP. Así mismo, aplicar modelos de calidad como el ISO 9126 ayuda a considerar características y subcaracterísticas que habitualmente son olvidadas por los desarrolladores pero que redundan en una mejora de la calidad del producto. En la futura tesis doctoral se contempla la extensión del modelo de evaluación utilizado, considerando subcaracterísticas y la calidad desde el punto de vista del usuario. En definitiva, este proyecto ha sido ante todo integrador, pero no es más que una pequeña porción de un trabajo mucho más amplio, puesto que la detección de personas es un campo todavía por mejorar; supone un gran reto pero también presenta grandes oportunidades. Implementación de algoritmos de detección de personas en imágenes utilizando métodos de planificación y estimación en el desarrollo software 41