Bengoechea Irañeta, José Javier

Profile Picture

Email Address

person.page.identifierURI

https://academica-e.unavarra.es/handle/2454/48701

Birth Date

Job Title

Last Name

Bengoechea Irañeta

First Name

José Javier

person.page.departamento

Ingeniería Eléctrica y Electrónica

person.page.instituteName

ORCID

person.page.observainves

1173991

person.page.upna

810426

Name

Filters

2012 - 20184
Reset filters

Settings

Search Results

Now showing 1 - 4 of 4
  • Thumbnail Image
    PublicationOpen Access
    Desarrollo de aplicaciones de detección de ojos basadas en algoritmos de detección facial y tracking
    (2012) Bengoechea Irañeta, José Javier; Villanueva Larre, Arantxa; Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación; Telekomunikazio eta Industria Ingeniarien Goi Mailako Eskola Teknikoa; Ingeniería Eléctrica y Electrónica; Ingeniaritza Elektrikoa eta Elektronikoa
    El objetivo de este proyecto fin de carrera es la evaluación y optimización de un programa de detección facial y un programa de tracking genérico aplicado al entorno de la conducción, con los requerimientos que ello implica en cuanto a variaciones de iluminación y movimientos del sujeto y la implementación de dos nuevos programas de eye-tracking que aúnen los fuertes de los anteriores. Dichos programas tienen como objetivo principal la detección de las zonas de los ojos.
  • Thumbnail Image
    PublicationOpen Access
    Comparativa de algoritmos de visión monocular para la estimación de la posición de la cabeza.
    (2014) Bengoechea Irañeta, José Javier; Cabeza Laguna, Rafael; Ariz Galilea, Mikel; Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación; Telekomunikazio eta Industria Ingeniarien Goi Mailako Eskola Teknikoa
    El primer objetivo de este trabajo es la realización de una base de datos de posiciones de cabeza en 3D, consistente en varias personas realizando diferentes movimientos de cabeza, utilizando una cámara web de visión monocular y el sensor trakSTAR 3D Guidance para conocer la posición y orientación de la cabeza de los usuarios. La información relativa a la posición de la cabeza debe estar en el sistema de referencia (desde el punto de vista) de la cámara. La información del sensor viene dada en el sistema de coordenadas del transmisor, de manera que es preciso calcular la relación entre el sistema de coordenadas de la cámara y el sistema de coordenadas del transmisor, un proceso denominado calibración, de manera que sea posible relacionar dos sistemas de coordenadas a priori independientes. Partiendo del proyecto “Desarrollo de una base de datos de posiciones 3D de la cabeza empleando el sensor trakSTAR 3D Guidance Studio” de Rebeca Echeverría, en este trabajo se busca simplificar el proceso de calibración, reducir el tiempo necesario para tal tarea y aumentar la precisión en los resultados. Las imágenes de la base de datos contienen una serie de marcas que definen las diferentes estructuras faciales. Dada la inviabilidad de marcar las imágenes de forma manual, se implementa un sistema de marcado automático, utilizando el transmisor y dos sensores y unas piezas diseñadas para tal efecto. El segundo objetivo de este trabajo es evaluar diferentes algoritmos de estimación de la posición de la cabeza, analizando parámetros como la precisión en los resultados, la estabilidad o el tiempo de procesado. Los métodos propuestos constan de dos etapas. La primera consiste en detectar una serie de puntos faciales, para lo que se utilizan los algoritmos de segmentación ASM y AAM. La segunda etapa consiste en utilizar la información de esos puntos para estimar la posición de la cabeza para lo que se utiliza el algoritmo POSIT. Dado que es necesario un modelo tridimensional de la cabeza para POSIT, y que cada persona tiene una cabeza diferente, se estudia también la viabilidad del uso de modelos genéricos y deformables. Además se estudian dos sistemas de estimación ya existentes. El primero es FaceAPI, un sistema comercial de SeeingMachines, el segundo es Intraface, un sistema de libre acceso desarrollado por HumanSensing. Finalmente, se estudia el resultado de la estimación de la posición de la cabeza utilizando las marcas automáticas obtenidas para la base de datos, con el fin de estimar qué parte del error se debe a la segmentación de las estructuras faciales y qué error se debe a POSIT.
  • Thumbnail Image
    PublicationOpen Access
    Evaluation of accurate eye corner detection methods for gaze estimation
    (Bern Open Publishing, 2014) Bengoechea Irañeta, José Javier; Cerrolaza Martínez, Juan José; Villanueva Larre, Arantxa; Cabeza Laguna, Rafael; Ingeniería Eléctrica, Electrónica y de Comunicación; Ingeniaritza Elektrikoa, Elektronikoaren eta Telekomunikazio Ingeniaritzaren
    Accurate detection of iris center and eye corners appears to be a promising approach for low cost gaze estimation. In this paper we propose novel eye inner corner detection methods. Appearance and feature based segmentation approaches are suggested. All these methods are exhaustively tested on a realistic dataset containing images of subjects gazing at different points on a screen. We have demonstrated that a method based on a neural network presents the best performance even in light changing scenarios. In addition to this method, algorithms based on AAM and Harris corner detector present better accuracies than recent high performance face points tracking methods such as Intraface.
  • Thumbnail Image
    PublicationOpen Access
    Improved strategies for HPE employing learning-by-synthesis approaches
    (IEEE, 2018) Larumbe Bergera, Andoni; Ariz Galilea, Mikel; Bengoechea Irañeta, José Javier; Segura, Rubén; Cabeza Laguna, Rafael; Villanueva Larre, Arantxa; Ingeniería Eléctrica, Electrónica y de Comunicación; Ingeniaritza Elektrikoa, Elektronikoaren eta Telekomunikazio Ingeniaritzaren
    The first contribution of this paper is the presentation of a synthetic video database where the groundtruth of 2D facial landmarks and 3D head poses is available to be used for training and evaluating Head Pose Estimation (HPE) methods. The database is publicly available and contains videos of users performing guided and natural movements. The second and main contribution is the submission of a hybrid method for HPE based on Pose from Ortography and Scaling by Iterations (POSIT). The 2D landmark detection is performed using Random Cascaded-Regression Copse (R-CR-C). For the training stage we use, state of the art labeled databases. Learning-by-synthesis approach has been also used to augment the size of the database employing the synthetic database. HPE accuracy is tested by using two literature 3D head models. The tracking method proposed has been compared with state of the art methods using Supervised Descent Regressors (SDR) in terms of accuracy, achieving an improvement of 60%.