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

More documents

Recommendations

Info

Estado de las tecnologías de análisis de vídeo.CAPÍTULO 3. ANTECEDENTES.ya sean humanos, vehículos, animales, etc. El reconocimiento del comportamiento de unobjeto, requiere de análisis semántico, a veces más complejo de lo que aparecen en lasimágenes captadas. Este es uno de los retos más difíciles para los sistemas de análisis devídeo [VG08].El objetivo es detectar el comportamiento simple de los objetos, como por ejemplo,un individuo que deja una bolsa en el suelo de una sala. Sin embargo, el comportamientode los objetos se puede complicar si se encadenan varios comportamientos, por ejemplo,el individuo A deja una bolsa en una sala, después llega un individuo B coge la bolsa ysale de la sala, después aparecen el individuo A y el individuo B juntos y se dan la mano;conclusión la bolsa no ha sido robada.Analizar el comportamiento e interpretarlo supone el reconocimiento de patrones demovimiento y a partir de ellos en un nivel superior, extraer una descripción de la acción.El conjunto de atributos obtenidos del comportamiento del objeto debe ser asociadoa un modelo que su vez representa un comportamiento determinado. Por lo tanto elproblema recae en definir los modelos de comportamientos, bien por aprendizaje automáticoo bien por definición de los mismos, y encontrar un método de comparación entrecomportamientos de objetos detectados en el entorno con los modelos de comportamientosdefinidos y sea flexible tolerando algunas pequeñas variaciones con respecto a los modelosde comportamiento definidos.Los modelos ocultos de Markov, las redes neuronales y las redes Bayesianas son algunasde las técnicas más utilizadas para la creación de modelos de comportamiento normal ydetectacción de comportamientos anómalos. Éstos están basados en un sistema de reglas,y activan una alarma en caso de incumplimiento. Por ejemplo, un objeto de un tamañosuperior a un umbral definido se queda estacionado en mitad de la calzada obstaculizandola circulación.3.3.2. Análisis en grupo.Uno de los dominios de investigación futura de los sistemas de análisis de vídeo es elanálisis en grupo y la monitorización. Debido al crecimiento de la población mundial, yla densificación de los principales centros urbanos se realiza la cuestión de garantizar laseguridad de los ciudadanos en grandes concentraciones. Los sistemas de videovigilanciase ha convertido en una vía interesante, para garantizar la seguridad en entornos con unaelevada concentración de objetos [VG08].44
CAPÍTULO 3. ANTECEDENTES.Estado de las tecnologías de análisis de vídeo.Actualmente, muchas de las cámaras utilizadas en eventos importantes (por ejemplo,eventos deportivos, reuniones políticas, etc.) pero la eficiencia de los sistemas de análisisde vídeo sigue siendo un debate. En [Zha08] se realiza una investigación sobre el análisisde vídeo. En el análisis de grupo también se realiza un análisis en las etapas anteriormentedetalladas. Sin embargo, el análisis en grupo presenta un conjunto de problemas específicosque se derivan de la composición de un grupo por un determinado número de personas.La estimación de la densidad de objetos que aparecen en el entorno monitorizado y sugestión es un paso fundamental para el análisis en grupo, por lo que requiere una evaluaciónaproximada del número de individuos. Las numerosas oclusiones y el agrupamiento deobjetos dificultan la tarea de conteo de objetos. Algunas técnicas realizan una relaciónproporcional entre el número de píxeles correspondientes con las zonas de detección deobjetos (después de la segmentación) y el número de personas. Otros métodos se basan enla textura de la imagen con el fin de obtener la densidad de objetos en el entorno. Algunosalgoritmos detectan el contorno de la cabeza, mientras que otros utilizan un histogramade varias características para deducir el número aproximado de personas. Aunque elseguimiento de objetos es uno de los temas de investigación más estudiados en los sistemasde videovigilancia, la mayoría de los algoritmos desarrollados se aplican sobre un pequeñonúmero de personas (menos de diez personas por unidad de tiempo). El seguimiento depeatones en grupo presenta muchas dificultades, especialmente para saber la cantidad depersonas que componen el grupo y realizar un seguimiento y las numerosas oclusiones quepueden aparecer.Algunos métodos realizan un seguimiento de las principales características de losobjetos, las cuales corren menos riesgo de ser alteradas que si el seguimiento se basa enel reconocimiento de contornos. Otros métodos se basan en el modelo del cuerpo humanoo de sus partes. Los métodos de correspondencia probabilística o de filtros específicosson utilizados durante el análisis del vídeo. Existen algunos artículos que realizan unseguimiento utilizando varias cámaras: M2Traker trabaja con cámaras sincronizadas.45
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 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 61 and 62: CAPÍTULO 3. ANTECEDENTES.Estado de
Page 65: 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 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:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
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?