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.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 de vídeo 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 de vídeo 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
- Page 36 and 37: ¿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 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: 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 and 100: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 101 and 102: 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
CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas <strong>de</strong> ví<strong>de</strong>o vigilancia.De todas las comparaciones <strong>de</strong> cada uno <strong>de</strong> los nodos, se obtiene aquella distancia cuyovalor es mayor. Si la distancia máxima supera un umbral <strong>de</strong>terminado, entonces no existecoinci<strong>de</strong>ncia entre la nueva trayectoria reconocida y el mo<strong>de</strong>lo <strong>de</strong> trayectoria almacenada.Si la trayectoria no coinci<strong>de</strong> con ninguna <strong>de</strong> las trayectorias mo<strong>de</strong>lo almacenadas en la base<strong>de</strong> conocimiento, entonces es inicializada como una nueva trayectoria.En caso <strong>de</strong> que la máxima distancia <strong>de</strong> separación entre una trayectoria recientementereconocida y una trayectoria mo<strong>de</strong>lo <strong>de</strong> la base <strong>de</strong> conocimiento, sea inferior al umbralestablecido, se realiza un proceso <strong>de</strong> fusión entre ambas trayectorias. En este proceso <strong>de</strong>fusión, 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 <strong>de</strong>las 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 <strong>de</strong>lnodo <strong>de</strong> la trayectoria secundaria con el nodo <strong>de</strong> la trayectoria principal.3.7.5. Sistema <strong>de</strong> visión cognitiva.La universidad <strong>de</strong> Kingston presenta un sistema <strong>de</strong> vi<strong>de</strong>ovigilancia experimental(KUES)[DMB08] presentan un sistema <strong>de</strong> vi<strong>de</strong>ovigilancia llamado KUES centrándoseen los aspectos cognitivos. Se trata <strong>de</strong> un mo<strong>de</strong>lo <strong>de</strong> aprendizaje automático <strong>de</strong> una escenaestática. Después una gran cantidad <strong>de</strong> observaciones, el sistema realiza una i<strong>de</strong>ntificaciónespacial <strong>de</strong> situaciones estableciendo consistencia entre los datos, utilizando un mecanismo<strong>de</strong> atención <strong>de</strong> movimiento. También se realiza cómo con la utilización <strong>de</strong> patronesque representan situaciones típicas pue<strong>de</strong>n ser utilizadas para la <strong>de</strong>tección <strong>de</strong> situacionessospechosas. El esquema <strong>de</strong>l sistema KUES se pue<strong>de</strong> ver en la figura 3.24.Cada cámara <strong>de</strong> vigilancia genera un flujo <strong>de</strong> ví<strong>de</strong>o in<strong>de</strong>pendiente. El módulo <strong>de</strong><strong>de</strong>tección <strong>de</strong> movimiento (Motion Detection Module) [DM02] establece un mo<strong>de</strong>lo <strong>de</strong>píxeles y el fondo <strong>de</strong>l entorno observado por la vista <strong>de</strong> cada cámara e i<strong>de</strong>ntifica los píxelesen cada frame don<strong>de</strong> aparece movimiento (foreground). asumiendo que la variación <strong>de</strong>valores en los píxeles es a causa <strong>de</strong>l movimiento <strong>de</strong> objetos y no por la aparición <strong>de</strong> ruidoen la escena. Despúes los píxeles <strong>de</strong> foreground son clasificados en Blobs (Binary LargeObjects).El módulo <strong>de</strong> seguimiento (Motion Tracking Module), proporciona una trayectoria paracada objeto individual <strong>de</strong>tectado, que es representada a través <strong>de</strong> una secuencia en el tiempo<strong>de</strong> las posiciones <strong>de</strong>l objeto en el entorno observado. Las posiciones que se obtienen sonlas <strong>de</strong>l centro <strong>de</strong>l objeto <strong>de</strong>s<strong>de</strong> una vista <strong>de</strong> una cámara. Por este motivo, el seguimiento <strong>de</strong>los objetos realiza una correspon<strong>de</strong>ncia <strong>de</strong> los blobs en la secuencia <strong>de</strong> frames reconocidos65