Reconocimiento automático de cartas de baraja ubicadas sobre una mesa

This work presents the recognition of playing cards on a table as part of a larger project wich purpose is to assist blind people in playing card games, specifically the Ecuadorian game called "Cuarenta". The solution proposed in the prototype takes into account the specific rules of the "Cuarenta" game; that is to say, it recognizes the number of the 40 decks in play (the symbol, color and the cards with numbers 8, 9 and 10 are discarded). In addition, it solves difficulties that could present environmental aspects like perspective illumination, etc. The development of the prototype was based on the standard procedure for the digital image processing, so for the pre-processing, image enhancement methods such as: Binarization, Adaptive Umbralización, Dilation and Erosion were used. For Image Segmentation, the Connected Component Tagging method was applied and finally for image detection and recognition, we worked with the algorithm of Backpropagation of Artificial Neural Networks. In the detection phase 98% accuracy is obtained, while for the recognition phase the accuracy is 99%En este trabajo se presenta el reconocimiento de cartas de baraja sobre una mesa, como parte de un proyecto de mayor dimensión cuyo objetivo es asistir a personas no videntes en juegos con cartas de baraja, específicamente el juego ecuatoriano llamado “Cuarenta”. La solución planteada en el prototipo toma en cuenta las reglas específicas del juego del “Cuarenta”; es decir, reconoce el número de las 40 barajas en juego (se descarta el símbolo, color y las cartas con número 8, 9 y 10). Además, resuelve dificultades que podrían presentar aspectos ambientales como iluminación, perspectiva, etc. El desarrollo del prototipo se basó en el procedimiento estándar para el procesamiento digital de imagen, de tal forma, para el pre – procesamiento se usaron métodos de mejoramiento de imágenes como: Binarización, Umbralización Adaptativa, Dilatación y Erosión. Para la Segmentación de imagen se aplicó el método de Etiquetado de Componentes Conectados y finalmente para la detección y reconocimiento de imagen, se trabajó con el algoritmo de Retropropagación de Redes neuronales Artificiales. En la fase de detección se obtiene un 98% de precisión, mientras que para la fase de reconocimiento la precisión es de un 99%