7.

CONCLUSIONES GENERALES
En la presente investigacin se han implementado distintos tipos de mtodos clsicos
para la calibracin de cmaras y fueron evaluados uno a uno, de acuerdo a una
metodologa que tuviera en cuenta errores de reconstruccin, errores de distorsin y
eficiencia computacional.
El modelo pinhole, es la base sobre la que se fundamentan todos los mtodos
desarrollados en este documento y demostr porque es utilizado por todos los
investigadores de la calibracin de cmaras, principalmente debido a su relativa
simplicidad y muy buena precisin.
Se hizo un desarrollo terico amplio que permite al lector hacer una introduccin
completa al rea de la calibracin de cmaras digitales con amplitud y profundidad, al
mismo tiempo que se desarrolla un estudio que permite comparar los mtodos para
tomar en cuenta sus similitudes y diferencias.
os mtodos clsicos demostraron su gran utilidad en el rea y su versatilidad en la
implementacin. Se hicieron pruebas que pusieron al descubierto debilidades de las
tcnicas de calibracin especialmente cuando no se cuentan con datos adecuados,
debido a problemas de ruido o mala disposicin de las imgenes.
Se parti desde el paradigma histrico en el rea! el mtodo de "sai, hasta llegar a las
#ltimas tcnicas como la de $hang que introduce una interesante linealizacin del
problema no lineal de la distorsin. Encontrando en el camino, mtodos como el de
%haumette que ha sido poco e&plorado pero demostr una eficacia que es de resaltar y
que esta investigacin ayuda a divulgar en el medio. 'l mismo tiempo se present la
importancia del mtodo de (ougerais)"oscani como aquella tcnica que permite
sobrepasar los lmites impuestos por el mtodo de "sai, gracias a las caractersticas de
ortonormalizacin del sistema de transformacin rotacional.
El estudio comparativo arro* un amplio espectro de posibilidades para resolver un
mismo problema y se construy una +erramienta de calibracin que puede ser utilizada
para cualquier aplicacin en ,isin 'rtificial que necesite calibrar una cmara.
Se observ que los mtodos estudiados han sabido aprovechar el crecimiento de las
alternativas computacionales de los #ltimos a-os que utilizan b#squedas iterativas con
gradiente descendente, especialmente para el modelo con distorsin radial. Sin
embargo, los mtodos e&pusieron la necesidad de ese soft.are capaz de desarrollar
b#squedas sofisticadas mediante gradiente descendente en algoritmos iterativos,
herramienta que no siempre est presente.
/ara sobreponerse a eso se implementaron dos mtodos con tcnicas de 0nteligencia
'rtificial y se realiz la correspondiente comparacin.
El algoritmo 1entico implementado en esta investigacin tom como base una
solucin brindada en un traba*o anterior y fue un paso ms all al integrar por primera
vez al problema el modelo de distorsin radial, donde mostr eficacia aceptable a un
ba*o costo.
a solucin mediante 'lgoritmos 1enticos es especialmente sensible a una solucin
apro&imada al problema que debe generar la poblacin inicial, lo cual es com#n tambin
para los mtodos clsicos. ' la hora de hallar un parmetro de distorsin radial la
optimizacin puede ser ms rpida que una tcnica de gradiente descendente, siempre y
cuando se especifique bien el campo de b#squeda, lo que en ocasiones puede ser una
limitante. a conclusin de este traba*o con respecto a los 'lgoritmos 1enticos es que
aunque la optimizacin de parmetros puede llevarse a cabo con buena precisin, no es
recomendable cambiar un mtodo clsico si se cuenta con un algoritmo de gradiente
descendente lo suficientemente rpido.
En cuanto a la solucin planteada en esta investigacin con 2edes 3euronales
'rtificiales ha merecido un estudio terico detallado y profundo sobre la aplicacin y su
forma de resolverla. Se inici con un estudio previo basado en un traba*o doctoral y se
finaliz con una ampliacin hacia el modelo de distorsin no lineal, tal como se hizo
con los 'lgoritmos 1enticos.
En esta investigacin se ha logrado un interesante aporte al campo de la parametrizacin
de modelos mediante 2edes 3euronales 'rtificiales, al tiempo que se genera un nuevo
mtodo para la calibracin e&plcita del modelo clsico y del modelo con distorsin de
las cmaras digitales.
4asndonos en un traba*o previo hemos formalizado el marco terico de una forma ms
accesible y ms interrelacionado al campo que enmarca a la aplicacin! la visin
artificial. 'dems se han introducido tcnicas originales que pueden llegar a me*orar el
algoritmo en que se basa nuestra implementacin.
5e esta manera, se ha llegado a un cdigo original en 6'"'4, basado en 23' que
calibra el modelo clsico de las cmaras digitales, arro*ando resultados que pueden ser
comparados con otros mtodos tambin implementados en este programa tan
ampliamente usado en ingeniera.
'dicional a sto, se ha introducido un algoritmo nuevo para detectar dos parmetros de
distorsin con 2edes 3euronales 'rtificiales basados en la linealizacin matemtica
que hace $hang, 7$+'31 889. En este cdigo implementado en 6'"'4, ha podido
demostrarse la eficacia de la red '5'03E para parametrizar modelos lineales.
Sin embargo, tambin es importante se-alar las limitaciones. a parametrizacin del
modelo clsico con redes neuronales sufre de varios inconvenientes. El primero est
unido a la dificultad para implementar el algoritmo, ya que hay que derivar la funcin
de error por cada capa de la red y adicionarle un parmetro, que no puede relacionarse
directamente con un peso de interconectividad entre neuronas. 5e all, proviene el
segundo inconveniente. %omputacionalmente, hay que detectar ms pesos que el
n#mero de neuronas de la red en una proporcin inusual. 'dicionalmente hay que
arrastrar a la red hacia dos ob*etivos a la vez! cumplir que las salidas de la red sean
iguales a los patrones de salida y adems hacer que los pesos cumplan ciertas
condiciones, entre ellas, la ms importante, la condicin de ortonormalidad de un
subcon*unto de los pesos. Si comparamos con (ougerais)"oscani, vemos que en este
mtodo la condicin de ortonormalidad de la matriz de rotacin se cumple a priori e
incluso facilita encontrar los parmetros, ya que divide el vector de incgnitas en dos.
/or el lado prctico, el tratamiento del problema con 23's no ha demostrado hasta el
momento, me*oras significativas con respecto a otros mtodos, especficamente en
cuanto a tiempo de convergencia. /or el contrario, adolece de una lentitud que en
ciertas circunstancias se hace intolerable. En cuanto a precisin, cumple
satisfactoriamente con los ob*etivos deseados.
' lo largo de este informe se han presentado las diversas causas de error y de
desventa*as que este mtodo presenta en la especificacin del modelo clsico. "odas se
originan del hecho de que la relacin entrada salida no es completamente lineal. En
cuanto a la parametrizacin del modelo con distorsin, se puede hacer ms efectiva a
posteriori de una linealizacin.
Esto nos lleva a varias preguntas sobre la utilizacin de las 23's en la parametrizacin
de modelo lineales y no lineales. Si el modelo de un sistema es lineal, la 23' debe
recurrir a algoritmos de segundo orden para ser ms rpida si se trata de sistemas de
ecuaciones grandes, que en #ltimas son los mismos que se usan para resolver las
seudoinversas originadas en los despe*es normales de las ecuaciones matriciales.
Si el modelo es no lineal, el problema es adaptar la arquitectura de alguna red conocida
con la descripcin dada por el modelo, de manera tal que el entrenamiento arro*e pesos
que mapeen los parmetros del sistema. 'dicionalmente, los tiempos de convergencia
limitan su efectividad en ciertas aplicaciones. En nuestro caso concreto es de notar la
diferencia entre el mtodo con 23' y alg#n mtodo de iteracin tpico, implementado
en las funciones construidas en 6'"'4, como evenberg)6arquardt. El mtodo con
23' introduce n pesos adicionales a entrenar correspondientes a n puntos del patrn de
calibracin, asunto que no es necesario en una iteracin clsica. Es como rodear el ro
cuando hay un puente para cruzarlo. 2odear el ro, lleva al caminante)investigador por
pasa*es hermosos de la matemtica y su aplicacin en las redes neuronales artificiales,
lo somete a pruebas ms intensas en cuanto a su estudio, pero se llega a un mismo punto
luego de un largo tiempo. Si el proceso de cruzar el ro, se debe realizar a menudo, la
comodidad del puente es inevitablemente superior.
/odemos afirmar con seguridad que la e&tensin de las 23' para parametrizacin de
otros modelos no lineales, arro*ar resultados parecidos en cuanto a la dificultad en la
concepcin de la arquitectura de la red, mayor intensidad computacional y lentitud de
aprendiza*e.
/retender utilizar las redes neuronales artificiales para un paradigma distinto para el que
fueron hechas puede traer estos problemas. En general, las 23' funcionan muy bien
como ca*as negras con un contenido casi desconocido. 5espus de que aprenden con
ciertos patrones de entrada a devolvernos unas salidas casi iguales a ciertos patrones de
salida, lo importante es que lo hagan as por el resto de su aplicacin. a efectividad de
la aplicacin se mide por la efectividad en el funcionamiento de la red ya entrenada, no
tanto por lo que se demore en aprender.
En el caso de esta aplicacin ocurre lo contrario. /rimero debemos conocer cada una de
las cone&iones neuronales de la red para darles un significado matemtico, y segundo, la
efectividad del mtodo se mide en el mismo proceso de aprendiza*e, el que sea eficiente
en su funcionamiento depende de que la cmara no cambie sus parmetros,
especialmente su posicin en el espacio. a caracterstica de reorganizacin de una red
neuronal, que tanta utilidad ha brindado hasta la actualidad en la ingeniera, tiene como
precio la anarqua conceptual de una ca*a negra, que cuando se abre nos presenta una
cantidad de cone&iones, literalmente, muy enredadas. 7:;S:; 889
a solucin de estos inconvenientes apunta hacia la consecucin de los mismos
ob*etivos utilizando para la convergencia de la red, mtodos diferentes a los del
gradiente descendente, como por e*emplo tcnicas probabilsticas, bioinspiradas o
bayesianas, que diri*an la investigacin en redes neuronales hacia nuevas fronteras.