Implementación de un sistema de visión artificial en android, para la detección y reconocimiento de barajas

El presente trabajo consiste en el desarrollo de un sistema para la detección y reconocimiento automático de barajas empleadas en el juego ecuatoriano del “Cuarenta”, con el propósito de apoyar a personas no videntes para su inclusión en esta actividad social recreativa. Este sistema se encuentra constituido de una aplicación móvil, que interactúa con un Web service encargado del pre-procesamiento, detección y reconocimiento de barajas, para posteriormente recibir la respuesta al reconocimiento y reproducirla en formato de audio. Para el pre-procesamiento de imágenes se utilizaron técnicas como: escala de grises, filtro Gaussiano y umbralización. En la detección de cartas se empleó búsqueda de bordes. Para el reconocimiento se aplicó: búsqueda del punto central, transformación a perspectiva aplanada, segmentación y comparación de plantillas. En la etapa de reconocimiento se utilizaron dos conjuntos de entrenamiento llegando a obtener resultados de hasta el 97,87% de precisión. Además, en la etapa de pruebas en situaciones reales se obtuvo una precisión del 98,33%.The present work consists in the development of a system for automated detection and recognition of playing cards used in the Ecuadorian game called “Cuarenta”, with the objective of supporting blind people for their inclusion in this social and leisure activity. This system consists of a mobile application, that interacts with a Web service which pre-processes detect and recognizes playing cards, and subsequently sends the recognition result for it to be reproduced in audio format by the mobile application. For the pre-processing of the image, techniques were used like: gray scale, Gaussian filter and thresholding. In card detection, a technique of edge search was used. For the recognition and classification was applied: central point search, image transformation to flattened perspective, segmentation, and template matching. In recognition stage two training sets were used, reaching results of up to 97,84% accuracy. Also, in the real situation test stage an accuracy of 98,33% was obtained