Universidad de - Escuela Superior de Informática (UCLM ...

Universidad de - Escuela Superior de Informática (UCLM ... Universidad de - Escuela Superior de Informática (UCLM ...

12.07.2015 Views

Ejemplos Sistemas dedeo vigilancia.CAPÍTULO 3. ANTECEDENTES.geométrico en el que se compara la distancia de una trayectoria reconocida con respecto ala envoltura de las trayectorias modelo.Las trayectorias son aprendidas mediante un conjunto de trayectorias. La descripciónde las trayectorias es almacenada en una base de datos. El algoritmo de aprendizaje detrayectorias obtiene la trayectoria reconocida recientemente y realiza una comparación concada una de las trayectorias que existen en la base de datos. Si se detecta que coincide conalguna de ellas, entonces la trayectoria almacenada es actualizada, si no existe coincidenciacon ninguna, pues se inicializa una nueva trayectoria. Después de que una trayectoriacoincida con alguna de las trayectorias existentes en la base de datos, se realiza una fusióncon las trayectorias de la base de datos. En general, la base de datos contendrá un pequeñonúmero de trayectorias almacenadas, que representarán las principales zonas por las que seproducen movimientos de peatones. Las trayectorias que apenas han sido actualizadas sonfinalmente descartadas.Cada trayectoria es comparada con las trayectorias existentes en la base de datos. En lacomparación se utiliza una métrica que mide la distancia entre la trayectoria modelo y lanueva trayectoria reconocida. La medida de distancia utiliza es la máxima separación entrela trayectoria modelo y la recientemente reconocida(ver figura 3.23)FIGURA 3.23: Comparación entre una trayectoria modelo (almacenada en la base deconocimiento) y una trayectoria reconocida recientemente.Para la obtención de la máxima distancia de separación entre la trayectoria modelo y laactualmente reconocida es necesario realizar una comparación de cada nodo que define a latrayectoria recientemente reconocida y los nodos correspondientes del contorno (envoltorio)definido por la trayectoria modelo. Si el nodo de la nueva trayectoria está dentro de latrayectoria modelo, entonces el valor de la distancia es negativo, de lo contrario el valorde la distancia será un valor positivo y contendrá la distancia euclídea entre los nodos.64

CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas dedeo vigilancia.De todas las comparaciones de cada uno de los nodos, se obtiene aquella distancia cuyovalor es mayor. Si la distancia máxima supera un umbral determinado, entonces no existecoincidencia entre la nueva trayectoria reconocida y el modelo de trayectoria almacenada.Si la trayectoria no coincide con ninguna de las trayectorias modelo almacenadas en la basede conocimiento, entonces es inicializada como una nueva trayectoria.En caso de que la máxima distancia de separación entre una trayectoria recientementereconocida y una trayectoria modelo de la base de conocimiento, sea inferior al umbralestablecido, se realiza un proceso de fusión entre ambas trayectorias. En este proceso defusión, se la trayectoria que contenga la máxima anchura, es la trayectoria utilizada comotrayectoria principal y la otra queda como trayectoria secundari. Para realizar la fusión delas trayectorias se van actualizando nodo a nodo con respecto a la trayectoria principal.Aquellos nodos que no coincidan con la trayectoria principal se realiza una estimación delnodo de la trayectoria secundaria con el nodo de la trayectoria principal.3.7.5. Sistema de visión cognitiva.La universidad de Kingston presenta un sistema de videovigilancia experimental(KUES)[DMB08] presentan un sistema de videovigilancia llamado KUES centrándoseen los aspectos cognitivos. Se trata de un modelo de aprendizaje automático de una escenaestática. Después una gran cantidad de observaciones, el sistema realiza una identificaciónespacial de situaciones estableciendo consistencia entre los datos, utilizando un mecanismode atención de movimiento. También se realiza cómo con la utilización de patronesque representan situaciones típicas pueden ser utilizadas para la detección de situacionessospechosas. El esquema del sistema KUES se puede ver en la figura 3.24.Cada cámara de vigilancia genera un flujo dedeo independiente. El módulo dedetección de movimiento (Motion Detection Module) [DM02] establece un modelo depíxeles y el fondo del entorno observado por la vista de cada cámara e identifica los píxelesen cada frame donde aparece movimiento (foreground). asumiendo que la variación devalores en los píxeles es a causa del movimiento de objetos y no por la aparición de ruidoen la escena. Despúes los píxeles de foreground son clasificados en Blobs (Binary LargeObjects).El módulo de seguimiento (Motion Tracking Module), proporciona una trayectoria paracada objeto individual detectado, que es representada a través de una secuencia en el tiempode las posiciones del objeto en el entorno observado. Las posiciones que se obtienen sonlas del centro del objeto desde una vista de una cámara. Por este motivo, el seguimiento delos objetos realiza una correspondencia de los blobs en la secuencia de frames reconocidos65

Ejemplos Sistemas <strong>de</strong> ví<strong>de</strong>o vigilancia.CAPÍTULO 3. ANTECEDENTES.geométrico en el que se compara la distancia <strong>de</strong> una trayectoria reconocida con respecto ala envoltura <strong>de</strong> las trayectorias mo<strong>de</strong>lo.Las trayectorias son aprendidas mediante un conjunto <strong>de</strong> trayectorias. La <strong>de</strong>scripción<strong>de</strong> las trayectorias es almacenada en una base <strong>de</strong> datos. El algoritmo <strong>de</strong> aprendizaje <strong>de</strong>trayectorias obtiene la trayectoria reconocida recientemente y realiza una comparación concada una <strong>de</strong> las trayectorias que existen en la base <strong>de</strong> datos. Si se <strong>de</strong>tecta que coinci<strong>de</strong> conalguna <strong>de</strong> ellas, entonces la trayectoria almacenada es actualizada, si no existe coinci<strong>de</strong>nciacon ninguna, pues se inicializa una nueva trayectoria. Después <strong>de</strong> que una trayectoriacoincida con alguna <strong>de</strong> las trayectorias existentes en la base <strong>de</strong> datos, se realiza una fusióncon las trayectorias <strong>de</strong> la base <strong>de</strong> datos. En general, la base <strong>de</strong> datos contendrá un pequeñonúmero <strong>de</strong> trayectorias almacenadas, que representarán las principales zonas por las que seproducen movimientos <strong>de</strong> peatones. Las trayectorias que apenas han sido actualizadas sonfinalmente <strong>de</strong>scartadas.Cada trayectoria es comparada con las trayectorias existentes en la base <strong>de</strong> datos. En lacomparación se utiliza una métrica que mi<strong>de</strong> la distancia entre la trayectoria mo<strong>de</strong>lo y lanueva trayectoria reconocida. La medida <strong>de</strong> distancia utiliza es la máxima separación entrela trayectoria mo<strong>de</strong>lo y la recientemente reconocida(ver figura 3.23)FIGURA 3.23: Comparación entre una trayectoria mo<strong>de</strong>lo (almacenada en la base <strong>de</strong>conocimiento) y una trayectoria reconocida recientemente.Para la obtención <strong>de</strong> la máxima distancia <strong>de</strong> separación entre la trayectoria mo<strong>de</strong>lo y laactualmente reconocida es necesario realizar una comparación <strong>de</strong> cada nodo que <strong>de</strong>fine a latrayectoria recientemente reconocida y los nodos correspondientes <strong>de</strong>l contorno (envoltorio)<strong>de</strong>finido por la trayectoria mo<strong>de</strong>lo. Si el nodo <strong>de</strong> la nueva trayectoria está <strong>de</strong>ntro <strong>de</strong> latrayectoria mo<strong>de</strong>lo, entonces el valor <strong>de</strong> la distancia es negativo, <strong>de</strong> lo contrario el valor<strong>de</strong> la distancia será un valor positivo y contendrá la distancia euclí<strong>de</strong>a entre los nodos.64

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!