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

Ejemplos Sistemas de vídeo vigilancia.CAPÍTULO 3. ANTECEDENTES.el patrón definiendo una trayectoria central y su envoltura que está definida por los límitesmás extensos de todas las trayectorias clasificadas. Sin embargo, este método no puededetectar anomalías en la velocidad y dirección de los objetos detectados.El enfoque presentado por [ESP] trata de aprender los movimientos normales de lastrayectorias y velocidades observados utilizando HMMs[ES08]. Se utilizan HMM paraaprender comportamientos normales en la escena, sin definir modelos, etiquetas, fuertessuposiciones, y con pocas trayectorias. Las trayectorias reconocidas son modeladas almismo tiempo en el que se van detectando. Para ello, se utiliza un algoritmo de clasificaciónde HMM que combina las trayectorias que son similares con los modelos HMM, creandonuevos modelos o actualizando modelos anteriormente definidos. Más concretamente, elalgoritmo compara cada posición de la trayectoria observada y su velocidad con los modelosHMM existentes(sólo con aquéllos que tengan unas características similares, en cuanto aposición y velocidad) que tengan mayor proximidad espacial con la trayectoria que hansido recibidas. Si la nueva trayectoria observada no coincide con ningún modelo HMMde los existentes, entonces es considerada como una situación anómala, y posiblementepuede ser agrupada como un nuevo patrón de movimiento HMM o se clasifica conaqueĺ modelo HMM al que más se asemeje. El modelo global de la escena se modifica,cuando los patrones HMMs cambian, bien por la detección de una nueva trayectoria norecogida anteriormente o bien por la modificación de algún patrón HMM debido a nuevainformación reconcida. Las trayectorias fragmentadas pueden iniciar su análisis en algunode los estados ocultos de HMMs realizandose por una extensión del algoritmo. Existen unaserie de desafíos que deben abordarse en la utilización de HMM para el modelado de losmovimientos normales.1. Determinar la utilización de los HMMs para modelar los diferentes grupos o patronesde trayectorias.2. Calcular el número de estados óptimos en cada HMM.3. Estimas los parámetros de cada HMM.Estas etapas deben ser realizadas de manera conjunta para lograr un rendimiento razonablesobre flujos de datos complejos.En la figura 3.27 se puede observar las diferentes etapas del aprendizaje de patrones demovimiento en una compleja escena.La estructura de la escena y los HMMs son aprendidos automáticamente por laevolución de las trayectorias, y cada HMM corresponde a una única ruta. En la figura 3.2774