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.las vistas de cada cámara se solapan, están muy distantes, etc. Puede integrar un modeloque detecte la actividad que aparece en la escena observada. El método está basado enuna correspondencia en la detección de los objetos captados por las distintas vistas de lascámaras. El método permite comunicarse con las cámaras adyacentes, aunque las vistasde éstas no se solapen. También proporciona posibles movimientos de objetos en aquellosespacios o huecos entre las distintas vistas de la cámara.La detección automática de actividades sospechosas es el mayor requisito de lossistemas de videovigilancia, debido a la incapacidad del se humano de mantener su atenciónante un monitor y detectar las situaciones sospechosas durante un largo período de tiempo.Se realiza un modelado de las trayectorias normales y aprende situaciones normalesutilizando un modelo probabilístico. Posteriormente se relaciona el comportamiento atípicocon situaciones anormales en la escena. El modelado de la escena se construye dependiendode las acciones que se produzcan en la escena después de un período de observación.Posteriormente se asignan patrones de comportamientos típicos o normales. Se incorporaun método de detección automática de situaciones atípicas que pueden ser sospechosabasándose en trayectorias descritas por los modelos ocultos de Markov (RBHMM).Los estados de un RBHMM son definidos como los nodos de todos los modelos detrayectorias aceptados, añadiendo dos estados extra:“Estado fuera de cualquier nodo”: Este estado indica que la situación reconocidano se encuentra entre las situaciones modeladas anteriormente.“Estado final”: Estado que indica la conclusión de la monitorización de la escena.Esto permite derivar los nodos en trayectorias unidireccionales, de manera que permiteincorporar la información de direccionalidad a cada nodo.3.7.6. Interpretación semántica de actividades de objetos en sistemasdedeo vigilancia.Jiangung Lou, Qifeng Liu, Tieniu Tan and Weiming Hu [JLH02], propusieron unframework de interpretación semántica del comportamiento de peatones y vehículos. Lastrayectorias tanto de peatones como de vehículos son almacenadas tras un proceso deseguimiento (tracking) y se realiza un análisis utilizando una clasificación dinámica queestá basada en una interpretación semántica de alto nivel.En un sistema de videovigilancia, las trayectorias son adquiridas utilizando algoritmosde seguimiento de bajo nivel. En este modelo se centra únicamente en la interpretación68

CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas dedeo vigilancia.semántica de las situaciones. Las trayectorias se generan almacenando la posición yvelocidad de los objetos en cada frame.El análisis de patrones de trayectorias, junto con la clasificación automática de lastrayectorias en patrones, es una tarea muy importante para la correcta interpretación delas situaciones detectadas. A menudo se puede analizar la actividad de una trayectoriareconocida, comparandola con los patrones de trayectorias reconocidos, analizando lavelocidad y otra información dinámica contenida en la trayectoria del objeto. El sistemarealiza una clasificación en árbol, tal y como muestra la figura 3.26.FIGURA 3.26: Clasificación de las trayectorias en árbol.Se obtiene la información espacial de cada trayectoria para clasificarlas de formadinámica en diferentes patrones que representan situaciones de diferentes tipos. Para estaclasificación se utilizan algoritmos de comparación.Uno de los principales problemas que se presenta es cómo obtener el grado de similitudentre dos trayectorias. Se puede realizar un análisis espacial y dinámico de las trayectorias.En [NS00] y [JH96] utilizan vectores cuantificados para realizar una correspondencia en elespacio euclídeo, el cual viene determinado por las caracterísiticas del objeto y la velocidadde éste. EL algoritmo no utiliza la información global de las trayectorias, sino que realizauna correspondencia de las características en el espacio. En [J.F00] los autores utilizan unporcentaje de solapamiento de píxeles como medida de similitud entre dos trayectorias; ysi existe un solapamiento del 80% entonces es clasificada como idéntica a la trayectoria ala que se parece. Esta técnica puede ser denominada como una clasificación global de las69

CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas <strong>de</strong> ví<strong>de</strong>o vigilancia.semántica <strong>de</strong> las situaciones. Las trayectorias se generan almacenando la posición yvelocidad <strong>de</strong> los objetos en cada frame.El análisis <strong>de</strong> patrones <strong>de</strong> trayectorias, junto con la clasificación automática <strong>de</strong> lastrayectorias en patrones, es una tarea muy importante para la correcta interpretación <strong>de</strong>las situaciones <strong>de</strong>tectadas. A menudo se pue<strong>de</strong> analizar la actividad <strong>de</strong> una trayectoriareconocida, comparandola con los patrones <strong>de</strong> trayectorias reconocidos, analizando lavelocidad y otra información dinámica contenida en la trayectoria <strong>de</strong>l objeto. El sistemarealiza una clasificación en árbol, tal y como muestra la figura 3.26.FIGURA 3.26: Clasificación <strong>de</strong> las trayectorias en árbol.Se obtiene la información espacial <strong>de</strong> cada trayectoria para clasificarlas <strong>de</strong> formadinámica en diferentes patrones que representan situaciones <strong>de</strong> diferentes tipos. Para estaclasificación se utilizan algoritmos <strong>de</strong> comparación.Uno <strong>de</strong> los principales problemas que se presenta es cómo obtener el grado <strong>de</strong> similitu<strong>de</strong>ntre dos trayectorias. Se pue<strong>de</strong> realizar un análisis espacial y dinámico <strong>de</strong> las trayectorias.En [NS00] y [JH96] utilizan vectores cuantificados para realizar una correspon<strong>de</strong>ncia en elespacio euclí<strong>de</strong>o, el cual viene <strong>de</strong>terminado por las caracterísiticas <strong>de</strong>l objeto y la velocidad<strong>de</strong> éste. EL algoritmo no utiliza la información global <strong>de</strong> las trayectorias, sino que realizauna correspon<strong>de</strong>ncia <strong>de</strong> las características en el espacio. En [J.F00] los autores utilizan unporcentaje <strong>de</strong> solapamiento <strong>de</strong> píxeles como medida <strong>de</strong> similitud entre dos trayectorias; ysi existe un solapamiento <strong>de</strong>l 80% entonces es clasificada como idéntica a la trayectoria ala que se parece. Esta técnica pue<strong>de</strong> ser <strong>de</strong>nominada como una clasificación global <strong>de</strong> las69

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

Saved successfully!

Ooh no, something went wrong!