000101339 001__ 101339
000101339 005__ 20210415110712.0
000101339 037__ $$aTAZ-TFM-2020-1352
000101339 041__ $$aspa
000101339 1001_ $$aFraguas Bordonaba, Eduardo
000101339 24200 $$a360 degree image horizon line estimation using deep machine learning
000101339 24500 $$aEstimación de línea del horizonte en imágenes de 360 grados con aprendizaje automático profundo
000101339 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2020
000101339 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000101339 520__ $$aA lo largo de este trabajo, se ha propuesto un método general para la rectificación vertical de la orientación (considerando como referencia absoluta la dirección de la gravedad) en todo tipo de imágenes panorámicas, tanto de interior como de exterior, en ambientes naturales y urbanos y con cualquier tipo de iluminación. El desarrollo de este método se centra principalmente en el entrenamiento de una red neuronal convolucional mediante deep learning, que es capaz de detectar tanto la línea del horizonte como los puntos de fuga verticales de las imágenes panorámicas. Estos elementos de las imágenes nos permiten obtener información geométrica muy valiosa para conocer la orientación de la cámara.<br />El trabajo aborda todas las fases necesarias para alcanzar los objetivos planteados, comienza con la creación desde cero de un dataset suficientemente grande y variado para que el entrenamiento sea fructífero, esta creación del dataset reúne las tareas de recolección de fotos, procesamiento de las imágenes y generación del ground truth. Posteriormente se entrena la red en la que va a basarse nuestro método de ajuste vertical con el dataset creado. A partir de las imágenes de salida de nuestra red, se desarrolla un algoritmo basado en el procesamiento de imágenes con el que podremos corregir la orientación de las imágenes panorámicas a partir de los mapas de píxeles de los puntos de fuga que obtenemos.<br />Por último se comparan nuestros resultados con el estado del arte mediante la experimentación sobre un método geométrico de detección de puntos de fuga basado en el algoritmo RANSAC, el cual se ha implementado con el fin de comparar la efectividad de nuestro método respecto a otros trabajos existentes y las ventajas de introducir redes neuronales profundas en el desarrollo del proceso.<br /><br />
000101339 521__ $$aMáster Universitario en Ingeniería Industrial
000101339 540__ $$aDerechos regulados por licencia Creative Commons
000101339 700__ $$aBermúdez Cameo, Jesús$$edir.
000101339 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cIngeniería de Sistemas y Automática
000101339 8560_ $$f701571@unizar.es
000101339 8564_ $$s3069374$$uhttps://zaguan.unizar.es/record/101339/files/TAZ-TFM-2020-1352.pdf$$yMemoria (spa)
000101339 909CO $$ooai:zaguan.unizar.es:101339$$pdriver$$ptrabajos-fin-master
000101339 950__ $$a
000101339 951__ $$adeposita:2021-04-15
000101339 980__ $$aTAZ$$bTFM$$cEINA
000101339 999__ $$a20201119195637.CREATION_DATE