Universidad de - Escuela Superior de Informática (UCLM ...
Universidad de - Escuela Superior de Informática (UCLM ... Universidad de - Escuela Superior de Informática (UCLM ...
Ejemplos Sistemas de vídeo vigilancia.CAPÍTULO 3. ANTECEDENTES.CUI, Jian WU, Guangming ZHANG, Xuefeng XIAN se utiliza la distancia Euclídea.Las subtrayectorias clasificadas contienen una longitud variable y los resultados de laclasificación de subtrayectorias dan lugar a regiones. La medida de similitud propuesta seutiliza la distania Euclídea modificada, para obtener la distancia y la dirección entre dosposiciones.Clasificación espectral de subtrayectorias.Se ha utilizado el algoritmo de clasificación espectral [YY12] para mejorar el algoritmode K-medias. Supongamos que hay un conjunto de subtrayectorias S = {S 1 ,S 2 ,...,S n }, lasprincipales etapas del algoritmo de clasificación espectral para agrupar las subtrayectoriasen K grupos.Etapa 1: Cálculo de la matriz de similitud A ∈ R NxN para los pares de subtrayectoriasdel conjunto de datos S.Etapa 2: Construcción de la matriz Laplaciana L = I − D − 2 1 AD − 1 2 donde D es lamatriz diagonal cuyo elemento (i,1) es la suma de los i-ésimos números que formanA.Etapa 3: Aplicar una descomposición de los valores de L para encontrar el principalK de los vectore x 1 ,x 2 ,...x k .Etapa 4: Formar una nueva matriz X = [x 1 ,x 2 ,...,x k ] agrupando los K vectores encolumnas y renormalizando cada fila de X.Etapa 5: Clasificación de filas de X dentro de los K grupos utiliando el algoritmo deK − medias.Etapa 6: Finalmente asignar la subtrayectoria S i al grupo j si y solo si la fila i de lamatriz se ha asignado al grupo j.Extracción de patrones mediante el análisis de trayectorias.El algoritmo de clasificación espectral agrupa las subtrayectorias en K grupos{C 1 ,C 2 ,...,C k }, a cada subtrayectoria se le asigna una etiqueta dependiendo del grupo alque pertenezca. De esta forma cada movimiento de trayectorias es transformado en unasecuencia de etiquetas correspondiente a cada subtrayectoria que describe el movimientorealizado por el objeto en cada etapa. Un ejemplo se puede observar en la figura 3.30 dondeT R 01 puede ser representado por una secuencia de etiquetas C 1 C 2 C 5 .78
CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas de vídeo vigilancia.FIGURA 3.30: Clasificación de trayectorias y etiquetas.A cada trayectoria se le asigna una secuencia de etiquetas C 1 ,C 2 ,...,C nc que representanel comportamiento del movimiento del objeto. En el modelo propuesto, se identifican unaserie de reglas que representan el comportamiento del movimiento de los objetos, utilizandoun algoritmo de extracción de una serie de patrones.Para la extración de una patrones se utiliza Pre f ixSpan [JP04]. Las subtrayectoriasiniciales pueden estar definidas por la parte inicial de las trayectorias o grupos detrayectorias. En la etapa de adquisión de subtrayectorias iniciales, muchas de ellas seobtienen de partes comunes de los movimientos de los objetos. La parte inicial de unasubtrayectoria es mucho más determinante que la parte final de la misma, porque laobtención de la parte inicial de una susbtrayectoria permite realizar una predicción delposible comportamiento del objeo, anticipándose a su movimiento.Veamos α puede ser una secuencia de patrones que se encuentra en una secuencia de labase de datos S. La proyección de α sobre la base de datos se expresa S|α es la colecciónde las partes iniciales de las subtrayectorias de la secuencia S con respecto al prefijo α. Elpseudocódigo del algoritmo propuesto se puede obtener en [YY12].3.7.10. Análisis de la velocidad de objetos utilizando imágenes 2DEn el árticulo [JA11] se presenta un componente independiente que puede ser integradodentro de un sistema de vídeo vigilancia denominado OCULUS. El objetivo de estecomponente es clasificar la velocidad la velocidad con la que se desplazan los objetoscomo normal o anómala, con el fin de detectar aquellas situaciones anómalas, teniendoen cuenta la clase de objeto y la información espacio-temporal como la localización ymovimientos. El componente analiza la velocidad de los objetos detectados en tiempo real79
- Page 49 and 50: CAPÍTULO 3. ANTECEDENTES.Fundament
- Page 51 and 52: CAPÍTULO 3. ANTECEDENTES.Fundament
- Page 53 and 54: CAPÍTULO 3. ANTECEDENTES.Fundament
- Page 55 and 56: CAPÍTULO 3. ANTECEDENTES.Fundament
- Page 57 and 58: CAPÍTULO 3. ANTECEDENTES.Fundament
- Page 59 and 60: CAPÍTULO 3. ANTECEDENTES.Fundament
- Page 61 and 62: CAPÍTULO 3. ANTECEDENTES.Estado de
- Page 63 and 64: CAPÍTULO 3. ANTECEDENTES.Estado de
- Page 65 and 66: CAPÍTULO 3. ANTECEDENTES.Estado de
- Page 67 and 68: CAPÍTULO 3. ANTECEDENTES.Estado de
- Page 69 and 70: CAPÍTULO 3. ANTECEDENTES.Estado de
- Page 71 and 72: CAPÍTULO 3. ANTECEDENTES.Estado de
- Page 73 and 74: CAPÍTULO 3. ANTECEDENTES.Necesidad
- Page 75 and 76: CAPÍTULO 3. ANTECEDENTES.Tendencia
- Page 77 and 78: CAPÍTULO 3. ANTECEDENTES.Análisis
- Page 79 and 80: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 81 and 82: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 83 and 84: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 85 and 86: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 87 and 88: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 89 and 90: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 91 and 92: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 93 and 94: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 95 and 96: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 97 and 98: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 99: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 103: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 106 and 107: Metodología de desarrolloCAPÍTULO
- Page 108 and 109: Tecnologías y herramientas utiliza
- Page 110 and 111: Tecnologías y herramientas utiliza
- Page 113 and 114: 5Arquitectura de AtravelEn este cap
- Page 115 and 116: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 117 and 118: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 119 and 120: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 121 and 122: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 123 and 124: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 125 and 126: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 127 and 128: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 129 and 130: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 131 and 132: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 133 and 134: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 135 and 136: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 137 and 138: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 139 and 140: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 141 and 142: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 143 and 144: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 145 and 146: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 147 and 148: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
- Page 149 and 150: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
Ejemplos Sistemas <strong>de</strong> ví<strong>de</strong>o vigilancia.CAPÍTULO 3. ANTECEDENTES.CUI, Jian WU, Guangming ZHANG, Xuefeng XIAN se utiliza la distancia Euclí<strong>de</strong>a.Las subtrayectorias clasificadas contienen una longitud variable y los resultados <strong>de</strong> laclasificación <strong>de</strong> subtrayectorias dan lugar a regiones. La medida <strong>de</strong> similitud propuesta seutiliza la distania Euclí<strong>de</strong>a modificada, para obtener la distancia y la dirección entre dosposiciones.Clasificación espectral <strong>de</strong> subtrayectorias.Se ha utilizado el algoritmo <strong>de</strong> clasificación espectral [YY12] para mejorar el algoritmo<strong>de</strong> K-medias. Supongamos que hay un conjunto <strong>de</strong> subtrayectorias S = {S 1 ,S 2 ,...,S n }, lasprincipales etapas <strong>de</strong>l algoritmo <strong>de</strong> clasificación espectral para agrupar las subtrayectoriasen K grupos.Etapa 1: Cálculo <strong>de</strong> la matriz <strong>de</strong> similitud A ∈ R NxN para los pares <strong>de</strong> subtrayectorias<strong>de</strong>l conjunto <strong>de</strong> datos S.Etapa 2: Construcción <strong>de</strong> la matriz Laplaciana L = I − D − 2 1 AD − 1 2 don<strong>de</strong> D es lamatriz diagonal cuyo elemento (i,1) es la suma <strong>de</strong> los i-ésimos números que formanA.Etapa 3: Aplicar una <strong>de</strong>scomposición <strong>de</strong> los valores <strong>de</strong> L para encontrar el principalK <strong>de</strong> los vectore x 1 ,x 2 ,...x k .Etapa 4: Formar una nueva matriz X = [x 1 ,x 2 ,...,x k ] agrupando los K vectores encolumnas y renormalizando cada fila <strong>de</strong> X.Etapa 5: Clasificación <strong>de</strong> filas <strong>de</strong> X <strong>de</strong>ntro <strong>de</strong> los K grupos utiliando el algoritmo <strong>de</strong>K − medias.Etapa 6: Finalmente asignar la subtrayectoria S i al grupo j si y solo si la fila i <strong>de</strong> lamatriz se ha asignado al grupo j.Extracción <strong>de</strong> patrones mediante el análisis <strong>de</strong> trayectorias.El algoritmo <strong>de</strong> clasificación espectral agrupa las subtrayectorias en K grupos{C 1 ,C 2 ,...,C k }, a cada subtrayectoria se le asigna una etiqueta <strong>de</strong>pendiendo <strong>de</strong>l grupo alque pertenezca. De esta forma cada movimiento <strong>de</strong> trayectorias es transformado en unasecuencia <strong>de</strong> etiquetas correspondiente a cada subtrayectoria que <strong>de</strong>scribe el movimientorealizado por el objeto en cada etapa. Un ejemplo se pue<strong>de</strong> observar en la figura 3.30 don<strong>de</strong>T R 01 pue<strong>de</strong> ser representado por una secuencia <strong>de</strong> etiquetas C 1 C 2 C 5 .78