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

CAPÍTULO 3. ANTECEDENTES.Ejemplos Sistemas de vídeo vigilancia.trayectorias conocidas. Esto puede venir dado por una ecuación diferencial estocástica opor un robot, etc.Este modelo pone de manifiesto la importancia de pre-procesamiento de los datos, yproporciona una solución para el problema de análisis de trayectorias en circuitos cerrados.Esto implica que el comienzo y el final de cada trayectoria estaba totalmente definido (1vuelta) pero esto no podría resultar tan fácil, especialmente en espacios abiertos. Lo mismose aplica para la información del dominio temporal porque los tiempos de las vueltaseran similares vuelta tras vuelta, pero contenían información relevante, para analizar porejemplo, el estilo de conducción de cada piloto.3.7.8. Aprendizaje de patrones de movimiento realizando una clasificaciónbasada en los Modelos Ocultos de Markov(HMM).Cuando una escena es supervisada durante todo el tiempo, la detección de patronesde movimiento puede ser aprendida y utilizada para detectar actividad atípica. El primerdesafío conlleva a la fragmentación de las trayectorias, la dispersión de datos para elentrenamiento, y la localización en el tiempo de una desviación. Eran Swears, AnthonyHoogs and A.G. Amitha Perera en [ESP] presentan un enfoque de aprendizaje de patronesde movimiento y deteccion de situaciones anómalas utilizando la jerarquía de clasificaciónde los modelos ocultos de Markov(HMMs). En contínuo flujo de vídeo obtenido esutilizado para la estructura de aprendizaje y entrenamiento de los modelos HMMs,donde las trayectorias pueden ser de longitud muy variable, y las escenas pueden sermuy complejas compuestas por un número desconocido de patrones de movimiento. LosHMM son utilizados para clasificar las trayectorias reconocidas tanto para la clasificaciónde trayectorias que representan comportamientos normales, como para aquellas querepresentan comportamientos extraños. El algoritmo de clasificación de trayectorias utilizauna jerarquía de agrupación que utiliza la técnica de HMM teniendo en cuenta todos losparámetros de HMM(incluído el número de estados) utilizando un algoritmo de Máximaexpectactiva(EM) y los criterio de Akaike[KB04].Se han realizado múltiples propuestas utilizando HMM para clasificar las secuenciasde datos. Smyth[Smy97] y Li y Biswas[CL99] proponen técnicas de clasificación detrayectorias estáticas en las que es necesario realizar un exhaustivo número de iteracionesde las distintas clases y estados, lo cuál resulta inviable para cuando es necesario tratarun gran número de datos. Otros han utilizado técnicas de clasificación para el aprendizajede patrones de movimiento en vídeo [DM02] y [JLH02]. Para modelar un conjunto detrayectorias similares, ellos hacen una media de todas las trayectorias similares y modelan73