Reconocimiento de patrones

El reconocimiento de patrones es la ciencia que se

ocupa de los procesos sobre ingeniera, computacin y
matemticas relacionados con objetos fsicos o abstractos, con el propsito de extraer informacin que permita
establecer propiedades de entre conjuntos de dichos objetos.

universo a ser clasicado, un mecanismo de extraccin

de caractersticas cuyo propsito es extraer la informacin til, eliminando la informacin redundante e irrelevante, y nalmente una etapa de toma de decisiones en
la cual se asigna a la categora apropiada los patrones de
clase desconocida a priori.

Introduccin

2.1 Sensor

El reconocimiento de patrones tambin llamado lectura de patrones, identicacin de guras y reconocimiento de formas[1] consiste en el reconocimiento de
patrones de seales. Los patrones se obtienen a partir de
los procesos de segmentacin, extraccin de caractersticas y descripcin donde cada objeto queda representado
por una coleccin de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categora o clase
(conjunto de entidades que comparten alguna caracterstica que las diferencia del resto). Para poder reconocer
los patrones se siguen los siguientes procesos:

El sensor es el dispositivo encargado de la adquisicin de

datos. Ha de ser capaz de transformar magnitudes fsicas o qumicas, llamadas variables de instrumentacin, en
magnitudes elctricas. Las variables de instrumentacin
dependen del tipo de sensor y pueden ser por ejemplo:
temperatura, intensidad lumnica, distancia, aceleracin,
inclinacin, desplazamiento, presin, fuerza, torsin, humedad, etc.

1. adquisicin de datos
2. extraccin de caractersticas
3. toma de decisiones
El punto esencial del reconocimiento de patrones es la
clasicacin: se quiere clasicar una seal dependiendo
de sus caractersticas. Seales, caractersticas y clases El sistema intenta imitar a los sensores biolgicos y procesos cogpueden ser de cualquiera forma, por ejemplo se puede nitivos de los seres humanos
clasicar imgenes digitales de letras en las clases A a
Z dependiendo de sus pxeles o se puede clasicar ruidos de cantos de los pjaros en clases de rdenes aviares
dependiendo de las frecuencias.

2.2 Extraccin de caractersticas

Es el proceso de generar caractersticas que puedan ser
usadas en el proceso de clasicacin de los datos. En ocasiones viene precedido por un preprocesado de la seal,
necesario para corregir posibles deciencias en los datos
debido a errores del sensor, o bien para preparar los datos
de cara a posteriores procesos en las etapas de extraccin
de caractersticas o clasicacin.

Componentes bsicos de un sistema de reconocimiento de patrones

Sistema bsico de reconocimiento

Las caractersticas elementales estn explcitamente presentes en los datos adquiridos y pueden ser pasados directamente a la etapa de clasicacin. Las caractersticas de
Un sistema completo de reconocimiento de patrones in- alto orden son derivadas de las elementales y son generacluye un sensor que recoja elmente los elementos del das por manipulaciones o transformaciones en los datos.
1

2.3

SISTEMA BSICO DE RECONOCIMIENTO

Seleccin de variables

Consiste en seleccionar cul es el tipo de caractersticas

o rasgos ms adecuados para describir los objetos. Para
ello, se deben localizar los rasgos que inciden en el problema de manera determinante.
Esta etapa tambin puede ser diseada dentro de la clasicacin.
La seleccin de variables puede diferenciarse segn los
objetivos buscados:
Existen multitud de procesos para la seleccin de variables, pero
Para la clasicacin: la seleccin de caractersticas relevantes, a partir del conjunto total de caractersticas que describen a los objetos, se hace con dos motivos
fundamentales: mejorar la clasicacin o
aumentar la velocidad de procesamiento.
Para la representacin: decidir qu caractersticas representan mejor a cierto tipo
de objetos.
Estrategias de seleccin de variables:
wrapper: la seleccin de caractersticas se
hace usando informacin del mecanismo
de clasicacin.
lter: la seleccin se hace con un criterio independiente del clasicador. Incluye algunos mtodos como:
Tablas de decisin: le busca un
subconjunto mnimo de variables que no introduzca confusin entre clases.
ID3: le crea un rbol de decisin y se selecciona un conjunto de variables que permita
discriminar entre clases.
Teora de testores: le buscan todos los subconjuntos de
variables discriminantes minimales, con estos se evala
la relevancia de cada variable
y se seleccionan aquellas con
mayor relevancia.

2.4

Clasicacin

agrupadas en dos losofas

Geomtrico (Clustering): Los patrones

deben ser gracables. En este enfoque se
emplea el clculo de distancias, geometra de formas, vectores numricos, puntos de atraccin, etc.
Estadstico: Se basa en la teora de la
probabilidad y la estadstica, utiliza anlisis de varianzas, covarianzas, dispersin,
distribucin, etc.
Supone que se tiene un conjunto de medidas numricas
con distribuciones de probabilidad conocidas y a partir
de ellas se hace el reconocimiento.
Sintcticoestructural: se basa en encontrar las relaciones estructurales que guardan los objetos de estudio, utilizando la
teora de lenguajes formales, teora de
autmatas, etc. El objetivo es construir
una gramtica que describa la estructura
del universo de objetos.
Neuroreticular: se utilizan redes neuronales que se entrenan para dar una cierta
respuesta ante determinados valores.
Lgicocombinatorio: se basa en la idea
de que el modelado del problema debe
ser lo ms cercano posible a la realidad
del mismo, sin hacer suposiciones que no
estn fundamentadas. Se utiliza para conjuntos difusos y utiliza lgica simblica,
circuitos combinacionales y secuenciales,
etc.

La clasicacin trata de asignar las diferentes partes del

vector de caractersticas a grupos o clases, basndose en Segn tengamos constancia o no de un conjunto previo
las caractersticas extradas. En esta etapa se usa lo que que permita al sistema aprender, la clasicacin puede ser
se conoce como aprendizaje automtico, cuyo objetivo supervisada, parcialmente supervisada o no supervisada.
es desarrollar tcnicas que permitan a las computadoras
aprender.
a)
Clasicacin
supervisaUtiliza habitualmente uno de los siguientes procedimientos:

da: tambin es conocida como

clasicacin con aprendizaje. Se

2.4

Clasicacin
basa en la disponibilidad de reas
de entrenamiento. Se trata de reas
de las que se conoce a priori la
clase a la que pertenecen y que
servirn para generar una signatura
espectral caracterstica de cada una
de las clases. Se denominan clases
informacionales en contraposicin
a las clases espectrales que genera
la clasicacin no supervisada.
Algunos mtodos de la clasicacin
supervisada:
Funciones discriminantes: si son dos clases, se busca obtener
una funcin g tal que
para un nuevo objeto O, si g(O) 0 se
asigna a la clase 1 y
en otro caso a la 2.
Si son mltiples clases se busca un conjunto de funciones gi
y el nuevo objeto se
ubica en la clase donde la funcin tome el
mayor valor.
Vecino ms cercano:
un nuevo objeto se
ubica en la clase donde est el objeto de la
muestra original que
ms se le parece.
Redes
neuronales
articiales: denominadas habitualmente
RNA o en sus siglas
en ingls ANN. Se
supone que imitan a
las redes neuronales
reales en el desarrollo de tareas de
aprendizaje.

Algunos mtodos de la clasicacin supervisada.

3
b) Clasicacin parcialmente supervisada: tambin conocida como de aprendizaje parcial. En estos problemas existe una muestra
de objetos solo en algunas de las
clases denidas.
c) Clasicacin no supervisada: tambin conocida como
clasicacin sin aprendizaje. Se
utilizan algoritmos de clasicacin
automtica multivariante en los
que los individuos ms prximos
se van agrupando formando clases.
Restringida: el nmero de clases en la
que se estructurar la
muestra est previamente denido.
Libre: el nmero de
clases en la que se
estructurar la muestra depende exclusivamente de los datos.
Algunos mtodos de la clasicacin
no supervisada:
Simple Link y Complete Link: parten de
grupos unitarios de
objetos y van uniendo los grupos ms parecidos en cada etapa, hasta cumplir alguna condicin.
ISODATA: se van
formando grupos que
se ajustan iterativamente usando teora
de probabilidades.
En algunas versiones
se puede hacer la
unin o divisin de
algn grupo.
C-means: se dene
un grupo de semillas,
se asocia cada objeto
al grupo de la semilla ms parecida, se
toman los centroides
de cada grupo como
nuevas semillas y se
itera hasta que se estabilice.
Criterios
lgicocombinatorios: los
criterios que se

6
imponen a los grupos son tales como
ser conexos, completos
maximales,
compactos, etc.

ENLACES EXTERNOS

Reconocimiento de huellas dactilares: utilizado y

conocido por la gran mayora, mediante las huellas
dactilares todos somos identicables y con programas que detectan y clasican las coincidencias, resulta sencillo encontrar correspondencias.
Reconocimiento de caras: utilizado para contar
asistentes en una manifestacin o simplemente para
detectar una sonrisa, ya hay diferentes cmaras en el
mercado con esta opcin disponible.
Interpretacin de fotografas areas y de satlite:
gran utilidad para propuestas militares o civiles, como la agricultura, geologa, geografa, planicacin
urbana...

Los algoritmos de la clasicacin no supervisada son computacionalmente ms costosos y de una complejidad mayor

El reconocimiento de patrones es ms complejo cuando se usan plantillas para generar variantes. Por ejemplo, en castellano, las frases a menudo siguen el patrn
sujeto-predicado, pero se requiere cierto conocimiento de la lengua para detectar el patrn. El reconocimiento de patrones se estudia en muchos campos, incluyendo
psicologa, etologa, informtica y procesamiento digital
de seales.

Aplicaciones

Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las ms relevantes y utilizadas actualmente son:
Previsin meteorolgica: poder clasicar todos
los datos meteorolgicos segn diversos patrones,
y con el conocimiento a priori que tenemos de las
diferentes situaciones que pueden aparecer nos permite crear mapas de prediccin automtica.
Reconocimiento de caracteres escritos a mano o a
mquina: es una de las utilidades ms populares de
los sistemas de reconocimiento de patrones ya que
los smbolos de escritura son fcilmente identicables.
Reconocimiento de voz: el anlisis de la seal de
voz se utiliza actualmente en muchas aplicaciones,
un ejemplo claro son los teleoperadores informticos.
Aplicaciones en medicina: anlisis de biorritmos,
deteccin de irregularidades en imgenes de rayos-x,
deteccin de clulas infectadas, marcas en la piel...

Prediccin de magnitudes mximas de terremotos.

Reconocimiento de objetos: con importantes aplicaciones para personas con discapacidad visual.
Reconocimiento de msica: identicar el tipo de
msica o la cancin concreta que suena.

4 Notas y referencias
[1] Ernesto A. Meyer: Glosario de trminos tcnicos, Entrada
P, pattern recognition. Grupo de Informtica Aplicada
al Ingls Tcnico, la Argentina, 1995, bajo la licencia de
documentacin libre GNU

5 Bibliografa
Richard O. Duda, Peter E. Hart, David G. Stork
(2001) Pattern classication (2 edicin), Wiley,
New York, ISBN 0-471-05669-3.
Dietrich Paulus and Joachim Hornegger (1998)
Applied Pattern Recognition (2 edicin), Vieweg.
ISBN 3-528-15558-2
J. Schuermann: Pattern Classication: A Unied
View of Statistical and Neural Approaches, Wiley&Sons, 1996, ISBN 0-471-13534-8
Sholom Weiss and Casimir Kulikowski (1991)
Computer Systems That Learn, Morgan Kaufmann.
ISBN 1-55860-065-5

6 Enlaces externos
Lista de webs sobre reconocimiento de patrones
Journal of Pattern Recognition Research

5
Recuperacin y Extraccin de la informacin no supervisada
Extraccin de Informacin con Clasicacin Supervisada
Librera virtual de artculos sobre reconocimiento
de patrones
Notas del seminario de Reconocimiento de Patrones
de Grupo de Tratamiento de Imgenes del Instituto
de Ingeniera Elctrica. Univ. de Surrey
The Neural Approach to Pattern Recognition
Laboratorio de cmputo de la Universidad La Salle
de Mxico
Ejemplo de algoritmo capaz de reconocer patrones
(OCR bsico) escrito en Java y de licencia GPL
Curso de Reconocimiento de Patrones de la Ponticia Universidad Catlica de Chile

7 ORIGEN DEL TEXTO Y LAS IMGENES, COLABORADORES Y LICENCIAS

Origen del texto y las imgenes, colaboradores y licencias

7.1

Texto

Reconocimiento de patrones Fuente: https://es.wikipedia.org/wiki/Reconocimiento_de_patrones?oldid=93971688 Colaboradores: Vanbasten 23, Dodo, Geom, Emijrp, RobotQuistnix, Varano, YurikBot, GermanX, Jesuja, Ajrs, Tomatejc, BOTpolicia, CEM-bot, Chabacano,
Osepu, N~eswiki, Thijs!bot, Metheoro~eswiki, Jorgebarrios, TARBOT, AlnoktaBOT, VolkovBot, 3coma14, BotMultichill, Miguel olivares, SieBot, Loveless, Farisori, SilvonenBot, UA31, Pssuils, LucienBOT, Luckas-bot, DSisyphBot, ArthurBot, ArtEze, Caritdf, Halfdrag,
Elisfm, Elena bernardo, EmausBot, ZroBot, 1, KLBot2, Gins90, Domingomery, Acratta, Elvisor, Rafag y Annimos: 31

7.2

Imgenes

Archivo:Pattern_2.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/7/7e/Pattern_2.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_3.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/7/74/Pattern_3.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_4.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/c/c4/Pattern_4.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_5.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/8/89/Pattern_5.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_6.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/6/66/Pattern_6.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm

7.3

Licencia del contenido

Creative Commons Attribution-Share Alike 3.0