Reconocimiento de mesas de póker mediante visión computacional

Resumen

En este trabajo se propone el diseño y desarrollo de una solución al problema de reconocimiento de mesas de póker y cálculo de probabilidad de victoria para dos jugadores a partir de imágenes mediante el uso de técnicas de visión computacional y simulaciones. Para ello, se introducen nuevos enfoques en la arquitectura de redes neuronales profundas y en la simulación de juegos. Al comienzo de este documento se explican los fundamentos teóricos necesarios, así como, el estado de la cuestión en la actualidad. Para comprender la totalidad del trabajo, se presenta un sistema secuencial de tres módulos que obtiene imágenes de una cámara para analizarlas. Esta imagen pasa al segundo módulo que usa técnicas de preprocesamiento para eliminar el ruido de la imagen y entregar cada carta a un modelo convolucional basado en la arquitectura VGG16 que ha sido entrenado previamente con un conjunto de datos generado y clasificado explícitamente para este trabajo. Una vez reconocidas las cartas estas se dividen en las distintas manos de los jugadores o cartas comunitarias y se realizan una simulación de Montecarlo para analizar el estado del juego, basándose de la etapa del juego en la que se encuentre. Toda esta información se muestra por pantalla al finalizar el proceso de análisis y se guarda para futuras inspecciones. En cuanto a la arquitectura, se logra obtener una precisión de entrenamiento de aproximadamente el 99% tras 10 epochs superando por un amplio margen los métodos más punteros, así como una precisión realista en el apartado de la simulación. Finalmente se realiza un análisis del trabajo realizado y las posibles vías futuras que este podría tomar.

ABSTRACT

In this paper is purposed the design and development of a solution to the problem of poker table recognition and victory probability calculus for two players through images by the use of computer vision techniques and simulations. For this, are introduced, new focuses on neural network architectures and game simulations. At the beginning of the document is explained the needed theoric knowledge, as well as the state of art. To fully understand the paper, is presented a sequential system composed of three modules, which obtains images through a camera to analyze them. This image is given to the second module which uses preprocessing techniques to remove the noise from the image and input the card to a convolutional model based on the VGG16 architecture. This model has been previously trained with a dataset generated and classified, especially for this project. Once recognised, the cards are divided into the different hands of the players or community cards and is done a Montecarlo simulation to analyze the state of the game, based on the stage of the game where the image is. All this information is displayed on the screen when the process is finished and is saved for future inspections. Regarding the architecture, is achieved a training accuracy of approximately 99% after 10 epochs overcoming by a wide range, leading methods, as well as a realistic accuracy over the simulation side. Finally, is done a reasoning of the job done and the possible path forward.