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.FIGURA 3.24: Esquema de módulos del sistema KUES.y resuelve posibles ambigüedades causadas por las oclusiones. Los Blobs contienen unconjunto de características (posición, velocidad, tamaño y color) que son utilizadas comocriterios de camparación en los algoritmos.El módulo de seguimiento 3D (3D Motion Tracking Module) permite codificar elmovimiento completo e individual de un objeto dentro del entorno observado. La imagenproporcionada por las diferentes cámaras son combinadas de acuerdo con modelosgeométricos obtenidos tras un proceso de calibración. Las trayectorias 3D son representadasen términos de un plano utilizando un sistemas de coordenadas común. La ventaja derealizar una representación de las trayectorias en 3D es que permite la representación deobjetos en términos de una escena real.El módulo de aprendizaje (Learning Module) realiza un seguimiento de 2D a 3D paragenerar modelos semánticos y de actividad. Los modelos semánticos reconocidos de laescena ayudan a entender el movimiento y responder a consultas realizadas por el personalde seguridad. Mientras que los modelos de actividad son utilizados para detectar situacionessospechosas no recogidas en estos modelos.El sistema de vigilancia KUES consiste en la utilización de varios módulos que operanen diferentes niveles. Además, éste requiere la atención de personal de seguridad para operaren diferentes entornos durante un período de tiempo para entender las situaciones normalesen la escena y emitir alarmas ante situaciones sospechosas.Dimitrios Makris y Tim Ellis han propuesto un esquema general para describir laactividad observada por un sistema de videovigilancia. El modelo proporciona capacidad66
CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas de vídeo vigilancia.cognitiva a los sistemas de videovigilancia, para proporcionar un conocimiento de alto nivela las actividades que ocurren en la escena. Las situaciones que ocurren en la escena sepueden clasificar en tres categorías semánticas(objetos, acciones y eventos).Específicamente las actividades observadas pueden estar basados en un diccionariosemántico que contiene tres categorías principales:1. Detección de objetos (peatones o vehículos).2. Acciones([And89], [DM04]).3. Característica estáticas de la escena.De acuerdo con este esquema los objetos pueden realizar movimientos dentro de laescena y pueden interactuar con otros objetos o con las características de la escena. Másformalmente, las expresiones semánticas son creadas utilizando el movimiento de objetoscomo sujeto de las expresiones semánticas, las acciones como verbos y las característicasestáticas de la escena como objetos o complementos de la expresión.El modelo se basa en un sistema de videovigilancia con la habilidad de aprenderautomáticamente utilizando los datos obtenidos por el sistema durante un extenso períodode tiempo.El aprendizaje automático se puede utilizar para crear modelos diferentes de cadaobjetos (es decir, peatones, vehículos,camiones, etc) e identificar automáticamente el tipode situación que se produce en un lugar particular de la escena.La geometría de la escena condiciona los movimientos de los objetos. Además lostipos de eventos que se producen se pueden asociar con regiones específicas. Por ejemplo,restringir la circulación de vehículos que circulan por un carril específico con unadirección específica. El método de aprendizaje semántico que atiende a los mecanismosde detección de movimientos de los objetos empleados en el modelo KUES es actualmenteun enfoque de ingeniería inversa para la identificación de estas regiones (ver figura 3.25).Este modelo hace una libre correspondencia con el método [Joh98], que puede aprenderFIGURA 3.25: Reconstrucción de la actividad de la escena.automáticamente el posicionamiento de cámaras que componen una red, determinando si67
- 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 and 86: CAPÍTULO 3. ANTECEDENTES.Ejemplos
- Page 87: 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
- Page 137 and 138: CAPÍTULO 5. ARQUITECTURA DE ATRAVE
CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas <strong>de</strong> ví<strong>de</strong>o vigilancia.cognitiva a los sistemas <strong>de</strong> vi<strong>de</strong>ovigilancia, para proporcionar un conocimiento <strong>de</strong> alto nivela las activida<strong>de</strong>s que ocurren en la escena. Las situaciones que ocurren en la escena sepue<strong>de</strong>n clasificar en tres categorías semánticas(objetos, acciones y eventos).Específicamente las activida<strong>de</strong>s observadas pue<strong>de</strong>n estar basados en un diccionariosemántico que contiene tres categorías principales:1. Detección <strong>de</strong> objetos (peatones o vehículos).2. Acciones([And89], [DM04]).3. Característica estáticas <strong>de</strong> la escena.De acuerdo con este esquema los objetos pue<strong>de</strong>n realizar movimientos <strong>de</strong>ntro <strong>de</strong> laescena y pue<strong>de</strong>n interactuar con otros objetos o con las características <strong>de</strong> la escena. Másformalmente, las expresiones semánticas son creadas utilizando el movimiento <strong>de</strong> objetoscomo sujeto <strong>de</strong> las expresiones semánticas, las acciones como verbos y las característicasestáticas <strong>de</strong> la escena como objetos o complementos <strong>de</strong> la expresión.El mo<strong>de</strong>lo se basa en un sistema <strong>de</strong> vi<strong>de</strong>ovigilancia con la habilidad <strong>de</strong> apren<strong>de</strong>rautomáticamente utilizando los datos obtenidos por el sistema durante un extenso período<strong>de</strong> tiempo.El aprendizaje automático se pue<strong>de</strong> utilizar para crear mo<strong>de</strong>los diferentes <strong>de</strong> cadaobjetos (es <strong>de</strong>cir, peatones, vehículos,camiones, etc) e i<strong>de</strong>ntificar automáticamente el tipo<strong>de</strong> situación que se produce en un lugar particular <strong>de</strong> la escena.La geometría <strong>de</strong> la escena condiciona los movimientos <strong>de</strong> los objetos. A<strong>de</strong>más lostipos <strong>de</strong> eventos que se producen se pue<strong>de</strong>n asociar con regiones específicas. Por ejemplo,restringir la circulación <strong>de</strong> vehículos que circulan por un carril específico con unadirección específica. El método <strong>de</strong> aprendizaje semántico que atien<strong>de</strong> a los mecanismos<strong>de</strong> <strong>de</strong>tección <strong>de</strong> movimientos <strong>de</strong> los objetos empleados en el mo<strong>de</strong>lo KUES es actualmenteun enfoque <strong>de</strong> ingeniería inversa para la i<strong>de</strong>ntificación <strong>de</strong> estas regiones (ver figura 3.25).Este mo<strong>de</strong>lo hace una libre correspon<strong>de</strong>ncia con el método [Joh98], que pue<strong>de</strong> apren<strong>de</strong>rFIGURA 3.25: Reconstrucción <strong>de</strong> la actividad <strong>de</strong> la escena.automáticamente el posicionamiento <strong>de</strong> cámaras que componen una red, <strong>de</strong>terminando si67