Universidad de - Escuela Superior de InformÃ¡tica (UCLM ...

More documents

Recommendations

Info

Ejemplos Sistemas de vídeo vigilancia.CAPÍTULO 3. ANTECEDENTES.sin necesidad de: utilizar diversas cámaras, representación 3D del entorno o una precisaestimación de valores. Este método requiere conocer previamente los parámetros de lacámara (altura, ángulo, nivel de zoom, etc.). El conocimiento que utiliza este componentees automáticamente adquirido por un algoritmo de aprendizaje que genera reglas difusasaltamente interpretables. El diseño del componente requiere de la elección de un conjuntode variables y restricciones. Los valores de las variables pueden ser proporcionadosdirectamente por los sensores distribuidos (por ejemplo, cámaras) o por los preprocesadoreslocalizados en capas inferiores. Para realizar una correcta clasificación de la velocidad deun objeto como normal o anómala es necesaria la siguiente información, proporcionada porlos preprocesadores situados en capas inferiores.Los objetos que aparecen en la escena monitorizada.Localización de cada objeto detectado.Clase a la que pertenece un objeto. La clase de objeto es un factor importante a lahora de determinar si una velocidad es anómala o no.Desplazamientos horizontales, verticales o globales, del objeto en la imagen 2D.Desplazamientos normales, permitidos en cada región de la imagen 2D para clase deobjeto.Se han creado un conjunto de variables para definir el concepto de velocidadorganizándolas en cuatro grupos: (a) variables que determinan la localización vertical yhorizontal de un objeto, (b) variables que permiten establecer relación con un objeto de cadaclase, (c) variables que proporcionan información sobre el desplazamiento en la imagen 2D,y finalmente (d) variables exclusivamente utilizadas para definir las restricciones espaciales.Además, se describen restricciones que representan la velocidad normal en el entornomonitorizado. En caso de que un objeto cumpla al menos una de las restricciones definidasinicialmente, entonces se considera que la velocidad a la que se desplaza el objeto esnormal. Cada restricción contiene una lista con la clase de objetos cuyo desplazamientoa una velocidad determinada es adecuado.En resumen, la particularización de este componente es la utilización de un algoritmo deaprendizaje automático, que genera un conjunto de reglas difusas genéricas e interpretables.Precisamente, a partir de estas reglas se realiza la clasificación del movimiento de un objetocomo normal o anormal.Este método ofrece las siguientes ventajas:80
CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas de vídeo vigilancia.Alto grado de interpretabilidad de los conocimientos adquiridos.Utilización para diferentes entornos de monitorización con diferentes tipos de objetos.Número reducido de restricciones para la generación del entrenamiento del sistema(sólo una restricción por cada situación posible).Alta escalabilidad para incluir un nuevo tipo de restricción para la ampliación delcomponente desarrollado.Capacidad de seguimiento en tiempo real.Bajo coste.81
Page 1:
UNIVERSIDAD DE CASTILLA-LA MANCHAES
Page 4 and 5:
Roberto García BermejoE-mail: robe
Page 9:
ResumenLos sitemas de vigilancia in
Page 12 and 13:
3.2.4. Equivalencia de vectores. .
Page 14 and 15:
B. Imágenes a color 223Bibliograf
Page 16 and 17:
3.27. Evolución de la detección d
Page 18 and 19:
A.6. Visualización de monitorizaci
Page 21:
AgradecimientosMe gustaría agradec
Page 24 and 25:
CAPÍTULO 1. INTRODUCCIÓNCada vez
Page 26 and 27:
¿Qué es un sistema de vigilancia
Page 28 and 29:
Page 30 and 31:
Page 32 and 33:
Page 34 and 35:
Page 36 and 37:
Page 38 and 39:
ProblemáticaCAPÍTULO 1. INTRODUCC
Page 40 and 41:
Estructura del documentoCAPÍTULO 1
Page 42 and 43:
CAPÍTULO 2. OBJETIVOSserán almace
Page 45 and 46:
3Antecedentes.3.1. Introducción ge
Page 47 and 48:
CAPÍTULO 3. ANTECEDENTES.Introducc
Page 49 and 50:
CAPÍTULO 3. ANTECEDENTES.Fundament
Page 51 and 52: CAPÍTULO 3. ANTECEDENTES.Fundament
Page 61 and 62: 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 101: 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 153 and 154:
CAPÍTULO 5. ARQUITECTURA DE ATRAVE
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
Page 191 and 192:
Page 193:
Page 196 and 197:
EvoluciónCAPÍTULO 6. EVOLUCIÓN Y
Page 198 and 199:
Page 200 and 201:
Page 202 and 203:
Page 204 and 205:
ResultadosCAPÍTULO 6. EVOLUCIÓN Y
Page 206 and 207:
Page 208 and 209:
Page 210 and 211:
Page 212 and 213:
Page 214 and 215:
Page 216 and 217:
Page 218 and 219:
Page 220 and 221:
CAPÍTULO 7. CONCLUSIONES Y PROPUES
Page 222 and 223:
Objetivos alcanzadosCAPÍTULO 7. CO
Page 224 and 225:
Objetivos alcanzadosCAPÍTULO 7. CO
Page 226 and 227:
Propuestas de trabajo futuroCAPÍTU
Page 228 and 229:
Conclusiones personalesCAPÍTULO 7.
Page 231 and 232:
AManual de referenciaA.1.Manual de
Page 233 and 234:
APÉNDICE A. MANUAL DE REFERENCIAMa
Page 235 and 236:
Page 237 and 238:
Page 239 and 240:
Page 241 and 242:
Page 243 and 244:
Page 245 and 246:
BImágenes a colorv zvu zuv xXv yYF
Page 247 and 248:
APÉNDICE B. IMÁGENES A COLORBound
Page 249 and 250:
APÉNDICE B. IMÁGENES A COLORFIGUR
Page 251 and 252:
Bibliografía[ABS][AMV09][And89]Ale
Page 253 and 254:
BIBLIOGRAFÍABIBLIOGRAFÍA[Joh98] N
show all

Universidad de - Escuela Superior de InformÃ¡tica (UCLM ...

Create successful ePaper yourself

Delete template?

Save as template?