tesis_detección de falsos positivos en sistemas de videovigilancia debidos a cambios en la...

7/23/2019 Tesis_Detección de Falsos Positivos en Sistemas de Videovigilancia Debidos a Cambios en La Iluminacion de La Esc…

http://slidepdf.com/reader/full/tesisdeteccion-de-falsos-positivos-en-sistemas-de-videovigilancia-debidos 1/124

UNIVERSIDAD AUTONOMA DE MADRID

ESCUELA POLITECNICA SUPERIOR

PROYECTO FIN DE CARRERA

"Detección de falsos ositi!os en sisteas de

!#deo!i$ilancia de%idos a ca%ios %&'scos en lail'inación de la escena"

Sa&a Rod&#$'e( )on(*le(

Dicie%&e +,-,



"Detección de falsos ositi!os en sisteas de

!#deo!i$ilancia de%idos a ca%ios %&'scos en la

il'inación de la escena"

AUTOR. Sa&a Rod&#$'e( )on(*le(

TUTOR. Man'el A/ S*nc0e(1Monta23s Isla

)&'o de Ne'&oco'tación 4ioló$ica 5)N46

Dto/ de In$enie&#a Info&*tica

Esc'ela Polit3cnica S'e&io&

Uni!e&sidad A'tónoa de Mad&id

No!ie%&e +,-,



Palabras Clave

Videovigilancia, Segmentación, Detección de Movimiento, Sustracción de fondo,

Modelo de fondo, Foreground , Background , Falsos Positivos, Cambios deIluminación, Detección de intrusos.

Resumen

Este trabajo a sido reali!ado en el conte"to de I#$E%&', (ro)ecto financiado(or el CD$I dentro del (rograma CE#I$. El Programa CE#I$, cu)as siglascorres(onden a *Consorcios Estrat+gicos #acionales en Investigación $+cnica*,contem(la la financiación de grandes (ro)ectos integrados de investigación

industrial de carcter estrat+gico, gran dimensión ) largo alcance cient-ficot+cnicoorientados a una investigación (lanificada en reas tecnológicas de futuro ) con(otencial (ro)ección internacional.

El objetivo (rinci(al ser reducir las falsas alarmas /ue ocasionan las variacionesde iluminación en sistemas de videovigilancia basados en detección demovimiento utili!ados (ara la detección de intrusos, teniendo en cuenta /ue lasolución /ue se (ro(onga no (uede afectar a dica detección de intrusos u otrassituaciones consideradas como alarmas verdaderas. 'dems se debe tener encuenta la necesidad de encontrar soluciones de bajo coste com(utacional (ara(oder a(licarlas en tiem(o real, )a /ue el fin 0ltimo ser integrarlas en un sistema

con a(licaciones comerciales en el cam(o de la seguridad.

Con este fin, se an estudiado, im(lementado ) evaluado diferentes algoritmosa(licados a secuencias de imgenes (rovenientes de escenarios tanto interiores1indoor 2 como e"teriores 1outdoor 2, ) en diferentes condiciones de iluminación.Para ello se a eco uso de erramientas (ara el (rocesamiento ) segmentaciónde video basadas en t+cnicas de sustracción de fondo 1Background Subtraction2.

3os e"(erimentos llevados a cabo, as- como las (ruebas de validación deresultados an arrojado cifras mu) favorables, abi+ndose reducido la tasa defalsos (ositivos en un 4556 (ara secuencias ca(turadas en condiciones deiluminación alta o media ) en un 756 (ara secuencias ca(turadas en condicionesde baja iluminación o en condiciones nocturnas, manteniendo la tasa de detecciónde verdaderos (ositivos en un 4556.

'lgunos de los resultados obtenidos en este (ro)ecto sern convenientementeintegrados en un sistema comercial. Con el fin de (roteger la investigaciónreali!ada se a solicitado una (atente con el t-tulo 8M+todo ) dis(ositivo dedetcción de cambio de iluminación (ara sistemas de visión9 ) n0mero de solicitudEP 10382281.3.

Como resultado este (ro)ecto a contribuido a la mejora de los sistemas actualesde videovigilancia basados en detección de movimiento.

I



Key Words

Video Surveillance, Video Segmentation, Motion etection S!"tem, BackgroundSubtraction, Foreground, Background, Fal"e Po"itive, #ig$ting c$ange", %uman

&ntru"ion etection.

Abstract

'$i" (ork (a" carried out in t$e conte)t o* &+'E- /-e"earc$ in tec$nologie"*or migration management, a roect *inanced b! t$e '&, ($ic$ i" art o* t$e

E+&' rogram. '$e E+&' /+ational Strategic on"ortium" *or 'ec$nological-e"earc$ rogram "eek" to *inance large4"cale, broad4ba"ed "trategic indu"trialre"earc$ roect" in tec$nological area" o* t$e *uture (it$ otential international rominence.

'$e main obective o* t$i" Ma"ter '$e"i" /PF i" to reduce *al"e alarm" cau"edb! lig$ting c$ange" in motion detection ba"ed "urveillance "!"tem" *ocu"ed onintru"ion detection, con"idering t$at t$e roo"ed "olution can not a**ect to t$eabove intru"ion detection roce"". &t i" al"o nece""ar! to *ind out lo(comutational co"t met$od" *or real4time alication", in order to be able tointegrate t$em into a commercial "!"tem *or "ecurit! alication".

For t$i" uro"e, (e $ave "tudied, imlemented and evaluated di**erentalgorit$m" alied to image" *rom bot$ indoor and outdoor "cenario" in di**erentlig$ting condition". Background Subtraction tec$ni5ue" $ave been u"ed *or image roce""ing and video "egmentation.

'$e e)eriment" e)ecuted a" (ell a" t$e cro"" validation te"t" o* t$e re"ult"reorted *avorable re"ult", $aving reduced t$e rate o* *al"e o"itive" to 1006 *or"e5uence" catured in $ig$ or medium lig$t condition" and to 706 *or t$o"ecatured in lo( lig$tnig$t condition", maintaining a 1006 o* true o"itive rate

detection.

Some o* ac$ieved re"ult" in t$i" roect (ill be convenientl! integrated in acommercial "!"tem. &n order to rotect t$e e)ecuted re"earc$ a atent, (it$alication number EP 10382281.3. and intitled9 Met$od and device to detectlig$ting c$ange" *or vi"ion "!"tem, $a" been alied *or.

" a re"ult, t$i" roect $a" contributed to t$e imrovement o* e)i"ting video"urveillance "!"tem" ba"ed on motion detection.

II



III



Agradecimientos

Manuel Sánchez-Montañés: %racias (or darme la o(ortunidad de reali!ar este (ro)ecto )aber confiado en mi, (or la a)uda ) (or el a(o)o (restado durante estos meses. Luis

Fernando Lago: %racias (or toda tu colaboración, tus (ro(uestas ) tu a)uda (ara /ue este(ro)ecto a)a llegado a buen (uerto. PS: %racias a todos los (rofesores, (or/ue cada unome ense:ó algo ) de algunos a(rend- muco 1incluso de mi misma2.

duardo Cermeño: %racias (or darme la o(ortunidad de colaborar con vosotros de formatan cercana. %racias (or los consejos, las 8lecciones magistrales9, (or tratarme tan bien ) (orofrecerme tu amistad. $ambi+n (or las cro/uetas...!na" Silvana" !lba # Luc$a: %racias (oresas tardes geniales de 8transferencia de conocimientos varios9, incluido conocimientos deM'$3'; < 2 Ra%i" &orge" Ra%a" Carlos # &osé: %racias (or acerme re-r tanto, (or acer msagradables las tardes ) (or recordarme 8mis frases de coronación9. Mil gracias a todos===

!na"'era" Roc$o # Mar$a: %racias (or caminar a mi lado todos estos a:os ) (or /uererme

8defectuosa9, me e sentido mu) afortunada a vuestro lado.

!lmu: %racias (or tu generosidad, (or tu com(a:-a, (or tu amistad ) (or tirar de mi en losmomentos malos. >a sido genial encontrarte en el camino de la vida= (or)a: %racias (or serun gran com(a:ero de clase, de (rcticas, de viajes, de salidas nocturnas, de erasmus, detrabajo ) sobre todo (or ser un gran amigo. !li : %racias (or las miles de oras /ue emos(asado juntas, (or estar a- ) (or seguir a-. !lberto: %racias (or alegrar mis ma:anas caf+en mano ) (or (reocu(arte (or mi 1aun/ue te metas con &afa...2. (ader: M?C>'S gracias(or M?C>'S cosas, sobre todo (or ser as-. *sa: %racias (or esos momentos 8@a no a)tortuga, ni caracola9 /ue recuerdan lo genial /ue (uede ser la vida. &ulita: %racias (orescucarme SIEMP&E 1inclu)endo monólogos ) tonter-as2. +lvaro: %racias (or todo lo /uenos emos re-do, lo /ue emos 8discutido9, lo /ue emos ablado ) lo /ue no. Sara: %racias

(or ver la (el-cula de mi vida...) varias veces. ,avid: %racias (or todos los e"menes /ueemos (asado juntos, (or/ue algunos (rovocaban la risa ) otros el llanto, (ero los recuerdotodos. du: %racias (or todo lo /ue me as eco re-r 1a (esar de nuestros comien!os...2.Clau: %racias (or las meriendascenas de biblioteca donde arreglbamos el mundo. !le:%racias (or...la tortilla de (atata ) la amburguesa de 83a Manga9... Silvia: %racias (orcontagiarme la risa asta el dolor de tri(a. Ramiro" !l%onso" Laura # Luisito: %racias (oresas reuniones /ue a veces se convierten en el 8oAtoberfest de ma)o9. Luis: %racias (or /ueun d-a decidiste estudiar teleco, llegar con tu viol-n ) tu moto, ) as- (asar (or mi vida aun/uefuera (oco tiem(o. Mucas gracias a todos (or acom(a:arme asta a/u- con la mejor de lassonrisas.

Laura" .ania # !le: %racias (or estar a- desde siem(re ) (or conseguir /ue (are!ca /uenos vemos todos los d-as.

Paola" /uada" (ea # Sara: %racias (or convertiros en mi familia ) (or todo lo /ue vivimosdurante ese gran a:o. 3?#%'&#B %I&3S==

0ito # Lol#: %racias (or todo lo /ue me ab+is dado, lo /ue me ab+is ense:ado ) lo /ueac+is (or mi cada d-a.

Familia: %racias a mis abuelos (or ser ';?E3BS. %racias a mis t-os /ue me an dadosiem(re buenos consejos ) de los /ue e a(rendido muco. %racias (or vuestra generosidad.%racias a mis (rimos ) mis P&IM'S, (or/ue )o nunca e sido ija 0nica. !ntonio: %racias(or aber sido ese ermano ma)or /ue toda familia /uisiera tener. !ntonio: %racias 'buelito(or creer en m- ms /ue nadie. Manuel: %racias (or todas las conversaciones, (or(reocu(arte, (or 8los elados9, (or cuidarme toda la vida...De todas las (ersonas a/u- citadas

s+ /ue ser-as el ms contento al ver este (ro)ecto. %racias (adrino.

IV



V



1ndice de contenidoPalabras Clave.........................................................................................................................I

Resumen.................................................................................................................................I Key Words............................................................................................................................II

Abstract.................................................................................................................................II

Agradecimientos..................................................................................................................IV

1 Introducción.........................................................................................................................1

1.1 Motivación..............................................................................................................1

1.2 b!etivos.................................................................................................................2

1." rgani#ación de la memoria..................................................................................."

2 $stado del arte.....................................................................................................................%

2.1 An&lisis de los sistemas de videovigilancia............................................................%

2.1.1 Introducción ...............................................................................................%

2.1.2 $volución tecnológica de los sistemas de videovigilancia.........................'2.1." Clasi(icación (uncional de los sistemas de videovigilancia.......................)

2.2 *+cnicas de an&lisis y segmentación de videos .....................................................,

2.2.1 -egmentación mediante t+cnicas de ac/ground -ubtraction ..................,

2.2.2 Modelado de (ondo...................................................................................10

2.2.2.2 Modelos ue estiman una distribución de robabilidad........................1"

2.2." 3etección de (rente...................................................................................1'

2." 4imitaciones de los sistemas de videovigilancia autom&ticos basados en detección

de movimiento............................................................................................................15

2.".1 *iolog6a de los roblemas derivados de la etaa de segmentación........15

2.".2 Aro7imaciones e7istentes al roblema de la iluminación......................18

2."." Prouestas actuales ara la reducción de los roblemas debidos a cambios deiluminación........................................................................................................1,

" 3etección de intrusos y roblemas debidos a los cambios de iluminación en sistemas de

videovigilancia.....................................................................................................................21

".1 Alicaciones en las ue se en(ocar& este royecto................................................21

".2 -istemas de videovigilancia basados en detección de movimiento.....................22

"." 9eneración de alarmas en sistemas basados en detección de movimiento...........2"

".% $(ectos de los cambios de iluminación y (alsas alarmas debidas a estos e(ectos

negativos.....................................................................................................................2%

".%.1 $(ectos en escenarios Indoor....................................................................2'

".%.2 $(ectos en escenarios utdoor.................................................................2)

".%.2.1 9rabaciones diurnas..............................................................................28

".%.2.2 9rabaciones nocturnas..........................................................................."0

".' Conclusiones................................................................................................"'

% 3ise:o................................................................................................................................"5

%.1 $taa reliminar...................................................................................................."5

%.1.1 -egmentación de v6deos .........................................................................."5

%.1.2 $lección del modelo de color...................................................................")

%.1." $lección de ;erramientas de desarrollo...................................................."8

%.2 $strategias de dise:o.............................................................................................",

%.2.1 Medida de 3eendencias< Correlación.....................................................",

%.2.2 Aruitectura del sistema...........................................................................%0%." 3ise:o de algoritmos base....................................................................................%2

VI



%.".1 &sico.......................................................................................................%2

%.".2 $n cuadrantes............................................................................................%2

%."." $n bounding bo7es comletos..................................................................%"

%.".% $n labeling 67eles dentro del bounding bo7...........................................%'

%.".' Adición de un tiemo de guarda antes de la generación de alarma..........%5

%.% 3ise:o de algoritmos me!orados ara condiciones de ba!a iluminación o nocturnidad.....................................................................................................................................%)

%.%.1 $studio de otras regiones de c&lculo........................................................%)

%.%.2 $liminar gradiente de iluminación =versión1>..........................................%)

%.%." $liminar gradiente de iluminación =versión2>..........................................%8

%.%.% $liminar gradiente de iluminación en el bounding bo7 =versión1>..........%8

%.%.' $liminar gradiente de iluminación en el bounding bo7 =versión2>..........%,

%.%.5 $liminación de 67eles con valores saturados a blancos dentro del bounding

bo7.....................................................................................................................%,

%.%.) Cambios de escala....................................................................................'0

%.%.8 C&lculo de intensidad media de los 67eles vecinos.................................'1

%.%., $studio de otros (actores..........................................................................'1' Pruebas y resultados e7erimentales.................................................................................'"

'.1 Curvas RC..........................................................................................................'"

'.1.1 Introducción..............................................................................................'"

'.1.2 Clasi(icadores binarios.............................................................................'"

'.1." $l esacio RC........................................................................................''

'.2 3ise:o de ruebas e7erimentales........................................................................'5

'.2.1 Procedimiento 1? clasi(icación del evento en cada (rame de la secuencia =P1>.'5

'.2.2 Procedimiento 2? clasi(icación del evento en cada (rame de la secuencia ?

anali#ando W (rames sucesivos =P2>.................................................................')

'.2." Procedimiento "? clasi(icación del evento dada una secuencia comleta =P">..'8

'.2.% Procedimiento %? clasi(icación del evento dada una secuencia comleta?

anali#ando W (rames sucesivos =P%>.................................................................',

'." Resultados caso Indoor.........................................................................................50

'.".1 -ecuencias utili#adas ara las ruebas.....................................................50

'.".2 Curvas RC..............................................................................................50

'."." Curvas RC comarativas.......................................................................5'

'.".% *abla de clasi(icación...............................................................................58

'.% Resultados caso utdoor diurno...........................................................................5,

'.%.1 -ecuencias utili#adas ara las ruebas.....................................................5,

'.%.2 Curvas RC..............................................................................................5,

'.%." Curvas RC comarativas.......................................................................)"'.%.% *abla de clasi(icación...............................................................................)5

'.' Resultados caso utdoor nocturno.......................................................................))

'.'.1 -ecuencias utili#adas ara las ruebas.....................................................))

'.'.2 Curvas RC de di(erentes m+todos robados ara condiciones nocturnas))

'.'." Curvas RC del m+todo con resultados m&s (avorables..........................8%

'.'.% *abla de clasi(icación...............................................................................8)

'.5 Validación de Resultados......................................................................................8)

'.5.1 M+todos de validación cru#ada................................................................8)

'.5.2 3ise:o de ruebas ara la validación de resultados.................................88

'.5." Validación de resultados del caso Indoor.................................................,0

'.5.% Validación de resultados del caso utdoor diurno...................................,1'.5.' Validación de resultados del caso utdoor nocturno................................,2

VII



5 Conclusiones y traba!o (uturo............................................................................................,"

5.1 Conclusiones.........................................................................................................,"

5.2 *raba!o (uturo........................................................................................................,'

Re(erencias..............................................................................................................................I

A@$ A< Presuuesto .......................................................................................................V

A@$ < Pliego de Condiciones ....................................................................................VIA@$ C< Acreditación de m+ritos....................................................................................I

1ndice de ilustracionesFigura 44 Ejem(lo de detección de intruso en un rea videovigilada 4...............4

Figura 4 Sistema CC$V con VC&........................................................................GFigura Sistema CC$V con DV&........................................................................GFigura H Sistema CC$V con DV& de red............................................................Figura J Sistemas de video IP con cmaras analógicas......................................Figura G Sistemas de video IP con cmaras IP....................................................Figure VideoKall controlado (or o(erador.........................................................7Figure 7 VideoKall de sistema con detección de movimiento..............................LFigura L Diagrama de blo/ues de la t+cnica de sustracción de fondo. t $iem(o.+ #0mero de imgenes. B Imagen de fondo. & Imagen actual 4G....................45Figura Modelado de fondo mediante Mo%.....................................................4JFigura 45 Detector de frente basado en diferencia............................................4

Figura 44 $+cnicas de (ost(rocesado (ara la detección de sombras..............47Figura 4 Ejem(lo de cambio de iluminación debido al (aso de nubes............4LFigura 4H Detección de cambios de iluminación utili!ando dos vistas..............5Figura H4 'r/uitectura bsica de un sistema de videovigilancia basado endetección de movimiento.......................................................................................Figura H Falsa alarma (rovocada (or el movimiento de una telara:a situadadelante del objetivo de la cmara...........................................................................HFigura HH Muestra de la falsas alarmas (rovocadas (or insectos.......................GFigura HJ &es(uesta del sistema ante cambio iluminación leve.........................Figura HG &es(uesta del sistema ante cambio iluminación brusco.....................7Figura H &es(uesta del sistema ante cambio iluminación mu) brusco.............LFigura H7 &es(uesta del sistema ante un caso de alarma real...........................LFigura HL &es(uesta del sistema ante cambio iluminación natural.....................Figura H &es(uesta del sistema ante la desa(arición de una fuente luminosa.Figura H45 &es(uesta del sistema ante un caso de alarma real.........................H5Figura H44 Escena grabada con una cmara sin iluminación infrarroja ) coniluminación infrarrroja .........................................................................................H5Figura H4 Ejem(lo de cmara I& utili!ada en escenarios e"teriores.................H4Figura H4H Efectos sobre la escena de la iluminación en movimiento................H4Figura H4J Cambio de la cmara a modo diurno (or cul(a de un alumbradointenso. %eneración de alarma de ti(o 8obstrucción9.............................................HH

Figura H4G Dificultades de detección de verdaderos (ositivos............................HJFigura H4 Verdadero (ositivo con caracter-sticas similares a un falso (ositivo

VIII



debido a un cambio de iluminación.........................................................................HGFigura J4 Modelo de fondo e imagen del instante actual....................................HFigura J Imgenes de salida del simulador........................................................H7Figura JH %rfico Matlab con imagen original ) los tres (lanos de color.............HLFigura JJ 'r/uitectura del sistema.......................................................................J4

Figura JG Imagen ejem(lo del algoritmo base (or cuadrantes............................JHFigura J De(endencias entre el elemento detectado ) el modelo de fondo......JGFigura J7 Diferencias entre el efecto (rovocado (or cambios de iluminación ) laa(arición de intrusos en escena.............................................................................JFigura JL 'utoregulación de la cmara tras un cambio brusco de iluminación enescenario indoor......................................................................................................J7Figura J Imagen original e imagen tras la corrección del gradiente deiluminación..............................................................................................................JLFigura J45 Imagen re(resentativa del efecto de la iluminación de ve-culossobre el escenario ) su istograma........................................................................G5Figura J44 Escala logar-tmica ) escala e"(onencial 1aNH2..................................G4

Figura J4 Com(arativa de masa, dimensiones ) (ro(orciones de un blobcausante de falsa alarma con uno de alarma verdadera.......................................GFigura G4 Ejem(los de curvas &BC....................................................................GGFigura G Caso Indoor, curvas &BC P4...............................................................Figura GH Caso Indoor, curvas &BC P...............................................................Figura GJ Caso Indoor, curvas &BC PH...............................................................HFigura GG Caso Indoor, curvas &BC PH...............................................................HFigura G Caso Indoor, curvas &BC PJ...............................................................JFigura G7 Caso Indoor, curvas &BC PJ...............................................................JFigura GL Caso Indoor, curvas &BC com(arativas P4 ) (.................................Figura G Caso Indoor, curvas &BC com(arativas PH ) (J.................................7Figura G45 Caso Butdoor diurno, curvas &BC P4...............................................75Figura G44 Caso Butdoor diurno, curvas &BC P...............................................75Figura G4 Caso Butdoor diurno, curvas &BC PH...............................................74Figura G4H Caso Butdoor diurno, curvas &BC PH...............................................74Figura G4J Caso Butdoor diurno, curvas &BC PJ...............................................7Figura G4G Caso Butdoor diurno, curvas &BC PJ...............................................7Figura G4 Caso Butdoor d-urno, curvas &BC com(arativas P4 ) P................7JFigura G47 Caso Indoor, curvas &BC com(arativas PH ) PJ..............................7GFigura G4L Caso Butdoor nocturno. Sin correcciones.........................................7LFigura G4 Caso Butdoor nocturno. Eliminación del gradiente de iluminación en

el bounding bo"......................................................................................................7Figura G5 Caso Butdoor nocturno. Eliminación de (-"eles blancos..................L5Figura G4 Caso Butdoor nocturno. Cambio de escala logar-tmico....................L4Figura G Caso Butdoor nocturno. Cambio de escala e"(onencial ..................LFigura GH Caso Butdoor nocturno. Clculo de la intensidad media de los(-"eles vecinos........................................................................................................LHFigura GJ Caso Butdoor nocturno, curvas &BC P4...........................................LJFigura GG Caso Butdoor nocturno, curvas &BC P...........................................LGFigura G Caso Butdoor nocturno, curvas &BC PH...........................................LGFigura G7 Caso Butdoor nocturno, curvas &BC PJ...........................................LFigura GL Procedimiento (ara la validación de resultados.................................L

Figura G Validación de resultados (ara caso Indoor........................................5Figura GH5 Validación de resultados (ara caso Butdoor Diurno..........................4

I



Figura GH4 Validación de resultados (ara caso Butdoor #octurno...................... '#EOB C.................................................................................................................OI '#EOB C................................................................................................................OII

1ndice de tablas$abla 4 Clasificación inicial de secuencias Indoor................................................5$abla Clasificación final de secuencias Indoor...................................................L$abla H Clasificación inicial de secuencias Butdoor diurnas.................................$abla J Clasificación final de secuencias Butdoor diurnas...................................7$abla G Clasificación inicial de secuencias Butdoor nocturnas.............................77$abla Clasificación final de secuencias Butdoor nocturnas...............................L7

$abla 7 Validación de las tasas de reducción de falsos (ositivos en secuenciasIndoor nocturnas.....................................................................................................5$abla L Validación de las tasas de reducción de falsos (ositivos en secuenciasButdoor diurnas.......................................................................................................4$abla Validación de las tasas de reducción de falsos (ositivos en secuenciasButdoor nocturnas..................................................................................................



2 *ntroducci3n

1.1 Motivación

En los 0ltimos a:os a abido un desarrollo creciente en el cam(o de lossistemas inteligentes de videovigilancia. Estos logran detectar, reconocer ) seguirobjetos de manera automtica a (artir de secuencias de imgenes obtenidas (oruna cmara 4. Este rea tiene una am(lia diversidad de (otenciales a(licacionescomo la seguridad en edificios, vigilancia de trfico en ciudades ) carreteras,control de fronteras, etc ,H,J ) G.

?na de las a(licaciones ms im(ortantes de estos sistemas es detectar intrusosen !onas de seguridad. Para ello, dicos sistemas suelen utili!ar estrategias

basadas en la detección de movimiento en la escena .

Figura 2-2: )em4lo de técnicas de background subtraction 4ara ladetecci3n de intruso en un área videovigilada 526

Dado /ue dicas estrategias se basan en detectar cambios en la imagen, estossistemas (ueden generar falsos (ositivos en situaciones donde el cambio en laimagen se debe a cambios de iluminación ) no a movimientos reales en la escena7.

En la literatura se an (ro(uesto m+todos /ue utili!an modelos ada(tativos defondo 7,L ) otras t+cnicas de (ost(rocesado de alto coste com(utacional ,45,(ara tener en cuenta estos cambios de iluminación, (ero en general fallan antevariaciones mu) bruscas de lu! como las (rovocadas (or el onoff de luces,coces /ue (asan cerca de la escena con los faros encendidos, etc.

El (roblema /ue ocasionan los cambios de iluminación en los sistemas devideovigilancia, as- como el estudio de las a(ro"imaciones e"istentes a dico(roblema a sido lo /ue a motivado la intención de (ro(oner una solucióna(licable en tiem(o real, innovadora ) eficiente, /ue consiga reducir la tasa defalsas alarmas /ue se generan en estos sistemas basados en detección demovimiento.

1



1.2 Objetivos

El (rinci(al objetivo de este PFC es la reducción de falsos (ositivos debidos a

cambios de iluminación en los sistemas de videovigilancia automticos basadosen detección de movimiento (ara la detección de intrusos. Para ello se debe teneren cuenta /ue esta reducción no debe afectar a la detección de intrusos, siendouna (rioridad mantener la tasa de verdaderos (ositivos al 4556.

En este (ro)ecto se reali!ar un anlisis del com(ortamiento de dicos sistemasfrente a los cambios bruscos de iluminación. Se com(ararn las caracter-sticas dedicos cambios en función del escenario, las condiciones e"ternas de iluminación) el ti(o de fuente de lu! /ue los (rovoca.

En este PFC se usar como (unto de (artida algunas de las t+cnicas ) algoritmosim(lementados (reviamente en el sistema comercial de la com(a:-a de visiónartificial colaboradora. Estos m+todos reducen sólo (arte de las falsas alarmasdebidas a variaciones lum-nicas. El objetivo ser mejorar las t+cnicas iniciales, deforma /ue se (uedan eliminar o reducir considerablemente estos falsos (ositivos. Para alcan!ar los objetivos /ue se (lantean en este (ro)ecto, las tareas /ue sellevarn a cabo son las siguientes

• studio del estado del arte: En (rimer lugar, se ar un breve resumen

de la istoria de los sistemas de v-deovigilancia, desde sus comien!osasta los sistemas actuales. Se reali!ar un estudio del estado del arte delas diferentes t+cnicas de segmentación basadas en modelado de fondo/ue se utili!an en los sistemas de videovigilancia automticos.Centraremos nuestra atención en la (roblemtica derivada de esta eta(a,/ue (rovocar falsas alarmas. Se estudiar el enfo/ue actual de lassoluciones (ro(uestas (or diferentes autores (ara estos (roblemas< en(articular (ara el (roblema derivado de los cambios de iluminación.

• studio de la casu$stica ?na ve! estudiado el funcionamiento de lossistemas de videovigilancia inteligentes, (asaremos al estudio de diferentes

situaciones en las /ue los cambios de iluminación generan falsas alarmas.De esta forma se intentar reali!ar una clasificación inicial de la casu-stica) se intentar com(render el funcionamiento del sistema ante estos casos.@a con una visión general del (roblema real, lo desglosaremos en(roblemas de menor com(lejidad (ara (oder abordarlo de forma sencilla )eficiente.

• tracci3n de caracter$sticas e im4lementaci3n de algoritmos ?nave! conocida la (roblemtica, intentaremos e"traer caracter-sticasrelevantes /ue nos (ermitan diferenciar las falsas alarmas de lasverdaderas. ' (artir de la información obtenida se (asar a laim(lementación de algoritmos /ue clasifi/uen el ma)or n0mero de falsasalarmas como tales, reduciendo as- la tasa de falsos (ositivos.

2



• !da4taci3n de algoritmos a la casu$stica: Con el conocimiento deciertos resultados (arciales, se intentar ada(tar a/uellos algoritmos /uefuncionan relativamente bien a cada uno de los sub(roblemas. El objetivo

de esto ser alcan!ar tasas de reducción de falsos (ositivos msfavorables.

• !nálisis de resultados # conclusiones: Se anali!arn los resultadosobtenidos (or medio de curvas &BC. ' (artir de ellos com(araremos lasdiferentes (ro(uestas. Se utili!ar tambi+n el m+todo de validación cru!ada#eave one out (ara estimar el error de generali!ación en base a losresultados de los e"(erimentos anteriores. Con estos datos se e"traernlas conclusiones de las diferentes soluciones en las /ue se a trabajado eneste (ro)ecto. En función de la reducción de la tasa de falsos (ositivos , as-como en el com(ortamiento en tiem(o real se decidir si convendr-a

integrar alguno de los m+todos en un sistema comercial.

1.3 Organización de la memoria

3a memoria consta de los siguientes ca(-tulos

QCa4$tulo 2: Introducción, motivación ) objetivos del (ro)ecto.

Q Ca4$tulo 7: ;reve resumen de la evolución de los sistemas dev-deovigilancia. Estudio del estado del arte de los algoritmos desegmentación de video utili!ados en sistemas de videovigilanciaautomticos, las limitaciones de estos sistemas, ) las soluciones(ro(uestas en la literatura (ara los cambios de iluminación.

Q Ca4$tulo 8: 'nlisis del com(ortamiento de un sistema comercial frente alos cambios de iluminación, estudio de la casu-stica ) desglose del(roblema.

Q Ca4$tulo 9: Dise:o e im(lementación de algoritmos /ue (ermitan reducirla tasa de falsos (ositivos debidos a cambios de iluminación. 'dición demejoras a los algoritmos anteriores (ara alcan!ar tasas ms favorables.

Q Ca4$tulo : Pruebas, resultados e"(erimentales ) anlisis com(arativoentre los diferentes m+todos.

Q Ca4$tulo ;: Conclusiones ) trabajo futuro.

"



7 stado del arte

2.1 Anlisis de los sistemas de videovigilancia

7<2<2 *ntroducci3n

El t+rmino videovigilancia (roviene de la traducción del ingl+s de :video"urveillance; , ) seg0n la &eal 'cademia Es(a:ola de la lengua se define como8Vigilancia a trav+s de un sistema de cmaras, fijas o móviles 9. 3os sistemas devigilancia (or v-deo e"isten desde ace ms de tres d+cadas, (ero en los 0ltimosa:os se a avan!ado muco en este cam(o. Esto se debe a tres motivos(rinci(ales< el desarrollo tecnológico, la demanda de ma)ores niveles deseguridad ) el estudio de t+cnicas de anlisis de v-deo.

Se a avan!ado muco desde la a(arición de las (rimeras cmaras analógicascon tubo conectadas a VC& 1video ca"ette recorder 2 asta los nuevos sistemassemiautomticos. 3as nuevas tecnolog-as ) los avances de las 0ltimas d+cadasan (ermitido conseguir sistemas con elevadas (restaciones. 3as cmarasactuales tienen grandes (restaciones como alta resolución, !oom ) una buenacantidad de lentes /ue nos (ermite tener una am(lia (anormica de lo /ueestamos vigilando. 'dems, con su(lementos como los infrarrojos, se (uede tenervisión nocturna .

En un (rinci(io, las cintas de grabación ) los (rimeros DV& 1digital video recorder 2limitaban la duración de las grabaciones , lo /ue obligaba a utili!ar un *rame ratebajo. El enorme desarrollo de los sistemas de almacenamiento ace /ueactualmente el es(acio (ara la grabación )a no su(onga un (roblema. Btra de las(restaciones /ue se ofrece es el acceso remoto (or (arte del usuario, aciendouso de la tecnolog-a IP 1&nternet Protocol 2.

3os avances citados an venido acom(a:ados de un im(ortante abaratamiento delos sistemas, lo /ue a (rovocado una continua subida de la demanda enseguridad 44. 'ctualmente se instalan sistemas de videoseguridad en entornostradicionalmente (rotegidos como bases militares, edificios gubernamentales,aero(uertos, estaciones, bancos, etc< (ero tambi+n en otros entornos como v-as

(0blicas, estadios, instalaciones industriales, oficinas, todo ti(o de comercios )establecimientos, ogares ) otros recintos (rivados 4.

Este aumento de la variedad de escenarios a generado la necesidad de mejorarlos sistemas ) ada(tarlos a las necesidades es(ec-ficas de cada uno de ellos.Esto a motivado el estudio e investigación de t+cnicas de anlisis de video, visiónartificial ) automati!ación de sistemas (ara /ue sean ca(aces de detectarsituaciones relevantes de forma automtica. 3as reas claves de estudio son ladetección ) seguimiento de objetos, identificación de (ersonas, identificación deeventos ) reconocimiento de (atrones de com(ortamiento. El (rinci(al objetivo deeste cam(o de investigación a sido dotar de inteligencia a estos sistemas, de

forma /ue sean ca(aces de inter(retar automticamente las escenas 4.

%



7<2<7 voluci3n tecnol3gica de los sistemas de videovigilancia

Como se a comentado en el a(artado anterior la evolución tecnológica a sido el(rinci(al motor del desarrollo de los sistemas de videovigilancia, siendo lasa(licaciones de seguridad las de ma)or e"(ansión comercial.

3os (rimeros sistemas de CC$V 1circuito cerrado de televisión2 eran 4556analógicos, siendo en la actualidad com(letamente digitales. Sin embargo, entrelos sistemas com(letamente analógicos ) los com(letamente digitales e"istendiversas soluciones (arcialmente digitales .

7<2<7<2 Sistemas com4letamente anal3gicos

Sistemas de circuito cerrado de $V analógicos usando VC&Se trata de sistemas CC$V con cmaras analógicas /ue se conectan mediantecables coa"iales ) utili!an un VC& 1grabador de video ca"ette2. El video no secom(rime ) (or tanto la duración de la grabación ser mu) limitada.Se (uede acer uso de un multi(le"or entre la cmara ) el VC&, /ue (ermitegrabar videos de diferentes cmaras. 3a monitori!ación del video se ar en unmonitor analógico.

Figura 7-2: Sistema CC.0 con 0CR 5;6

7<2<7<7 Sistemas 4arcialmente digitales

Sistemas de circuito cerrado de $V analógicos usando DV&Se trata de un sistema analógico con grabación digital. Para la grabación de v-deo

en los discos duros es necesario /ue el v-deo se digitalice ) com(rima (araalmacenar la m"ima cantidad de imgenes. El DV&, al tener varias entradas,(uede actuar a la ve! de multi(le"or.

Figura 7-7: Sistema CC.0 con ,0R 5;6

'



Sistemas de circuito cerrado de $V analógicos usando DV& de redEn este caso adems de todos los (rocesos citados en el a(artado anterior, elDV& IP tiene un (uerto Eternet (ara conectividad de red. Como el v-deo sedigitali!a ) com(rime, se (uede transmitir a trav+s de una red ) as- se (uedemonitori!ar en un PC remoto. En algunos sistemas de este ti(o se (uede

monitori!ar tanto video grabado como en directo.

Figura 7-8: Sistema CC.0 con ,0R de red 5;6

7<2<7<8 Sistemas com4letamente digitales

Sistemas de v-deo IP /ue utili!an servidores de v-deoEn este caso se utili!a un servidor de v-deo, un conmutador de red ) un PC consoftKare de gestión de v-deo. El v-deo se digitali!a ) se transmite a trav+s de unconmutador de red a un PC, donde se almacena. Se trata de un sistemaescalable ) /ue (uede am(liarse con facilidad.

Figura 7-9: Sistemas de video *P con cámaras anal3gicas 5;6

Sistemas de v-deo IP /ue utili!an cmaras IP?na cmara IP combina una cmara ) un ordenador en una unidad, lo /ue inclu)ela digitali!ación ) la com(resión del v-deo as- como un conector de red. El v-deose transmite a trav+s de una red IP, mediante los conmutadores de red. Este ti(o

de sistema tiene numerosas ventajas como alta resolución ) calidad de imagen,funcionalidad inalmbrica, funciones de movimiento de la cmara P$R 1 an4 tilt4<oom2, etc.

Figura 7-: Sistemas de video *P con cámaras *P 5;6

5



7<2<8 Clasi%icaci3n %uncional de los sistemas de videovigilancia

Dentro de los sistemas de videovigilancia utili!ados actualmente en seguridad se

distinguen dos formas claras de llevar a cabo el control de los recintosvideovigilados< una de carcter tradicional ) otra basada en t+cnicas de visiónartificial. 3a (rinci(al diferencia es el uso de sistemas dotados de inteligencia )autonom-a /ue anali!an los video ca(turados en tiem(o real, frente a sistemasdonde toda la labor recae en el o(erador 4.

7<2<8<2 Sistemas controlados 4or o4eradores

En los sistemas bsicos de CC$V las cmaras cubren una o varias !onas deinter+s. 3as imgenes ca(tadas se graban ) se monitori!an en un mural:video(all; del centro de control.

Es un o(erador el /ue su(ervisa los videos en los monitores. Cada controlador(uede atender a varias decenas de cmaras, ) el tiem(o dedicado a cada escenaser de 4H segundos cada 4 minutos< (oco tiem(o (ara detectar una situaciónde riesgo. 'dems, si el n0mero de cmaras es elevado, se monitori!arn lasescenas en turno rotatorio, lo /ue (uede (rovocar desorientación 44.

En estos sistemas e"isten numerosas limitaciones derivadas de la intervenciónumana. 'dems resulta ineficiente e inadecuado cuando se /uiere cubrir

grandes reas.

Figure 7-;: 0ideo=all controlado 4or o4erador

)



7<2<8<7 Sistemas de videovigilancia automáticos

El objetivo de estos sistemas automticos de videovigilancia no es sólo 8vigilar9,

sino tambi+n e"traer de forma automtica ) en tiem(o real la informaciónrelevante, facilitando con ello la labor (osterior del o(erador.

En estos sistemas se intenta evitar la subjetividad del ojo umano< de forma /uela secuencia /ue visuali!a el o(erador contiene alg0n elemento detectadoconsiderado motivo de alarma 44.

Con esta información detallada ) en tiem(o real, el o(erador (uede actuar deforma eficiente. Dentro de estos sucesos u objetos en movimiento detectados (orel sistema, algunos sern falsas alarmas /ue el o(erador descartar.

Sin embargo, la evolución de estos sistemas a (ermitido /ue no sólo se eliminenalgunas falsas alarmas de forma automtica, sino tambi+n clasificar, seguir oreconocer la actividad del objeto en movimiento detectado 4.

Figure 7->: 0ideo=all de un sistema con detecci3n de movimiento

$ambi+n es mu) com0n el uso de estos sistemas automticos sin la su(ervisiónde un o(erador en tiem(o real. En esta situación sólo se almacenarn a/uellassecuencias donde se detectó alg0n elemento, evitando as- la (osterior

su(ervisión de largas oras de grabación 44,G.

8



2.2 !"cnicas de anlisis y segmentación de videos

El anlisis de video en videovigilancia es un rea en continuo desarrollo )evolución. Es (recisamente este (unto el /ue dota de inteligencia ) automatismoa los sistemas de seguridad ms utili!ados en la actualidad.

3a investigación en el cam(o de videovigilancia se centra fundamentalmente entres eta(as detección de objetos en movimiento, su seguimiento 1tracAing2, )anlisis de (armetros ) de com(ortamiento del elemento detectado 4. 3os(ró"imos a(artados se centrarn en esta (rimera eta(a de detección, )a /ue esa- donde comien!an a verse afectados los sistemas de videovigilanciaautomticos (or los efectos negativos de los cambios de iluminación.

En mucos de los sistemas de seguridad actuales, las t+cnicas (ara la detecciónde elementos móviles ms utili!adas son las basadas en el modelado ) (osteriorsustracción de fondo 4,4H. Est es la t+cnica de segmentación de video /ue seutili!ar en este (ro)ecto, (ara simular el com(ortamiento de un sistema real devideovigilancia.

7<7<2 Segmentaci3n mediante técnicas de #ackground $ubtraction

Seg0n lo anterior, el (rimer (aso en el anlisis de secuencias de videovigilanciaes diferenciar los elementos en movimiento 1aun/ue en algunos casos (ueden serde inter+s objetos estticos2 de lo /ue ser-an regiones u objetos /ue (ermanecenestticos en la escena, como (or ejem(lo el suelo o las (aredes del rea

videovigilada. 3a e"tracción de estos objetos en movimiento o regiones de inter+sde la secuencia anali!ada se conoce com0nmente como segmentación.

3a t+cnica de segmentación de video basada en la sustracción de fondo tambi+nes conocida com0nmente (or el t+rmino ingl+s :Background "ubtraction; . Debesu nombre al (rocedimiento de a(licar una sustracción (-"el a (-"el entre laimagen actual observada ) la imagen estimada como fondo, ) la umbrali!ación delresultado (ara obtener los objetos de inter+s 4H tal /ue

? *mage t - (ac@ground t ? A .hreshold

En este ti(o de (ro(uestas de segmentación de video, en la eta(a de detecciónde objetos en movimiento debemos destacar los tres com(onentes siguientes

• Background N (artes estticas de las escena /ue (ermanecen visibles.• BbjetosN elementos de inter+s, (or ejem(lo intrusos.• 'rtefactosN cambios en la imagen como sombras, brillos, luces,etc

3a combinación de objetos ) artefactos, es decir, todo a/uello /ue no esbackground , es lo /ue se conoce como *oreground 4J. Para lograr la (osteriorse(aración del *oreground ) obtener sólo los objetos ser necesaria la a(licación

de t+cnicas de (rocesado de imgenes /ue eliminen dicos artefactos.

,



Figura 7-B: ,iagrama de bloues de la técnica de sustracci3n de %ondo< t :.iem4o< % : DEmero de imágenes< #: *magen de %ondo< & : *magen actual 526

3as t+cnicas de :Background "ubtraction;, a (esar de ser mu) utili!adas, no estn

e"entas de dificultades. 3as ms significativas son la estimación de la imagen omodelo de fondo 1Background &nitiali<ation and Maintenance, ver Figura 7-B2 ) ladefinición de lo /ue se considera un cambio im(ortante res(ecto al fondo1Foreground etection2< cuestiones /ue se describirn en los siguientesa(artados.

7<7<7 Modelado de %ondo

El modelado de fondo es la eta(a central de cual/uier algoritmo de sustracción defondo. Se trata de obtener de forma automtica una imagen de fondo /uere(resente las regiones estticas de la escena.

' lo largo del tiem(o se an (ro(uesto diferentes m+todos, como vemos en larevisión de Piccardi en 4. Sin embargo todos ellos (arten de un objetivo com0ndise:ar un modelo de fondo /ue tenga ca(acidad de ada(tación (ara acer frentea algunos cambios (ro(ios del entorno.

En sistemas de videovigilancia lo /ue se (retende es obtener un modelo de fondorobusto ) eficiente /ue evite en esta fase inicial el ma)or n0mero de falsasalarmas (osibles. En este sentido, un buen modelo debe ada(tarse a ciertos

cambios (ro(ios del entorno como Perturbaciones o movimientos: des(la!amientos leves de la cmara

debidos al viento, movimientos continuados como en las ojas de losrboles, ondulaciones en el agua, etc.

Cambios en la escena de %ondo: inclusión de nuevos objetos comococes a(arcados, objetos abandonados, /ue des(u+s un tiem(ora!onable en escena se deben considerar como fondo ) no como motivode alarma.

!da4taci3n a los cambios de iluminaci3n: lentos ) graduales, como lavariación lum-nica del d-a< ) a ser (osible tambi+n a cambios r(idos )

bruscos.

10



'dems, (ara lograr ma)or robuste! a) /ue tener en cuenta la velocidad o laduración en escena de dicos cambios. Para conseguir esto se introduce un(armetro al modelo de fondo generalmente llamado factor de actuali!ación.En las 0ltimas d+cadas an a(arecido numerosos algoritmos de sustracción defondo enfocados a diferentes a(licaciones. Por ello, en este resumen del estado

del arte comentaremos a/uellos /ue a nivel de tiem(o de (rocesamiento o decoste com(utacional (ermiten a(licaciones en tiem(o real, re/uisito fundamental(ara los sistemas de videovigilancia.

En función de lo anterior se (ro(one la siguiente clasificación de m+todos demodelado de fondo 4

0LC*,!, ,PRCS!M*D.

M,LS(+S*CS

M,LSP!R!MG.R*CS

M,LS DP!R!MG.R*CS

'lta Promedio

tem(oral,mediana,media móvil

Intermedia Me!cla de/aussianas

1Mo%2

ernel densit)estimators 1DS2

7<7<7<2 Modelos (ásicos

En este caso el valor de cada (-"el del modelo de fondo se calcula en función delos valores recientes de dico (-"el. Se utili!an modelos matemticos sencilloscomo la diferencia entre imgenes, valores (romedios, m"imos ) m-nimos, etc.

En la ma)or-a de los modelos (ro(uestos el valor istórico se calcula a (artir delos # frames anteriores HFigura 7-BI" donde # es una constante elegida (ara el(roblema. 'lgunos modelos utili!an una media (onderada del valor de los (-"eles,donde las 0ltimas imgenes tienen ma)or (eso.

Filtro Promedio $em(oral 1 verage 2

En este modelo se calcula una imagen de fondo esttica asta /ue se (roducealg0n cambio. En ese momento el valor del fondo se corres(onde con el (romediode # frames consecutivos. El modelo de fondo 1; t2 se calcula tal /ue

∣ I t − Bt ∣Th Bt =

1

N ⋅∑

n=t

n= N −t

I n

∣ I t − Bt ∣Th Bt = I t

11



donde I t ≡imagen de entrada en el instante t

Bt ≡imagende fondo estimadaenel instante t

Este m+todo no resulta eficiente cuando a) varios objetos, o estos se mueven

lentamente. Esto se debe a /ue es la información de movimiento la /ue se utili!a(ara actuali!ar el fondo, (or lo /ue si un elemento se mueve lentamente no sedetectar. ?na (osible solución ser-a tener en cuenta tambi+n los (-"eles nomarcados como objetos móviles a la ora de generar el modelo de fondo.

• Filtro Mediana 1Median 2

El filtro mediana es una de las t+cnicas de modelado de fondo ms utili!adas. Elfondo se estima como la mediana de los (-"eles almacenados en un bu**er de #frames anteriores. ?no de los (roblemas de este m+todo es /ue cuando se(roduce alg0n cambio el fondo se ada(ta mu) lentamente, como se menciona en47.

3a (rinci(al ventaja de los dos m+todos anteriores es /ue son bastante r(idos anivel de coste com(utacional. Sin embargo los re/uisitos de memoria son altos,del orden de +="i<eo*/*rame

• Filtro de media móvil 1-unning verage 2

Este ti(o de filtros evita los (roblemas de memoria de los m+todos anteriores, )a/ue no es necesario un bu**er de almacenamiento. En este m+todo se calcula unamedia (onderada entre la 0ltima imagen de background ) la imagen actual 1I t2 .Se ace uso del (armetro T, denominado factor de actuali!ación, con valores delorden de 10

−2 . El valor de cada (-"el del fondo se calcula tal /ue

Bt =∗ I t −11−⋅ Bt −1

En numerosas a(licaciones se utili!a el modelo anterior acom(a:ado de la(ro(iedad de selectividad, come se describe en 4. Para ello se clasifica cada

uno de los (-"eles como backgroung si ∣ I t − Bt ∣Th o *oreground 1F t2 si∣ I t − Bt ∣Th de manera /ue

Si p x , y esbackground <

Bt x , y =∗ I t −1 x , y1−⋅ Bt −1 x , y

Si p x , y es foreground <

Bt x , y = Bt −1 x , y

12



Con la modificación anterior lo /ue se consigue es evitar /ue el modelo de fondose corrom(a con (-"eles /ue no (ertenecen realmente a la escena. Sin embargo,en algunas a(licaciones de videovigilancia (uede resultar interesante e inclusonecesario incluir información relativa al *oreground . En este sentido se ace uso

de un modelado de fondo con las siguientes caracter-sticas

Si p x , y esbackground <

Bt x , y =back ⋅ I t −1 x , y1−back ⋅ Bt −1 x , y

Si p x , y es foreground <

Bt x , y = fore⋅ I t −1 x , y 1− fore ⋅ Bt −1

x , y

Se utili!arn (ara este m+todo valores t-(icos de back ≈10−2

y fore≈10−"

Se consigue en este caso una solución intermedia, de forma /ue el modelo defondo no se corrom(a fcilmente (ero /ue sea ada(table a cambios. De estaforma, a/uellos objetos en movimiento detectados /ue (ermane!can un tiem(ora!onable en escena formarn (arte del fondo.

7<7<7<7 Modelos ue estiman una distribuci3n de 4robabilidad

7<7<7<7<2 Modelos Paramétricos

3os modelos (aram+tricos basan el modelo de fondo en una distribuciónestad-stica estndar de la cual a) /ue estimar los (armetros. Se trata dem+todos ms com(lejos con ms ca(acidades ada(tativas frente a cambiosleves, al ruido, etc. 3a com(lejidad com(utacional se traduce en una menorvelocidad de cóm(uto en com(aración con los modelos bsicos, sin embargoestos m+todos funcionan bien sin la necesidad de almacenar tantas imgenescomo el filtro media o mediana 4.

• Me!cla de %aussianas 1Mi)ture o* au""ian" 2

Estos m+todos trabajan con fondos multimodales 4. Se utili!an generalmenteen escenarios donde a) (-"eles cu)a intensidad fluct0a constantemente< talescomo ojas de rboles, cmaras de baja calidad, agua en movimiento, etc.

Debido a estos cambios de intensidad acer uso de una 0nica gaussiana (or (-"el1media ) varian!a de las intensidades2 no es suficiente. 3o /ue (retende estem+todo es caracteri!ar cada (-"el como una me!cla de gaussianas 1Mo%2.3a distribución de cada (-"el f I t =u se modela con A gaussianas de la forma

1"



f I t =u=∑i=t

K

wi , t ⋅u ;i , t ,i , t

Donde u ;i , t ,i , t es la com(onente gaussiana i+sima, con media deintensidad i , t , cu)a desviación estandar es i , t ) con un (eso w i , t /uedetermina la cantidad de distribución utili!ada en dica com(onente. 3os valorest-(icos de var-an entre H ) G. Esta descri(ción de Mo% se basa en el es/uemade amat ) Ceung 47.

Para actuali!ar el modelo de fondo se com(ara la intensidad de cada (-"el delframe actual con sus (osibles distribuciones en la imagen de fondo. Si el valor del(-"el no su(era el de alguna media i , t en ms de la desviación i , t seconsiderar un (-"el de fondo ) se actuali!arn los (armetros (ara ese (-"el. Siel (-"el no se (arece a ninguna de sus distribuciones asociadas se actuali!ar elmodelo sustitu)endo la distribución de menor (eso.

'l igual /ue en los m+todos bsicos, e"isten diferentes modalidades de Mo% enfunción de la a(licación concreta. En los 0ltimos a:os se an eco numerososestudios relacionados con el modelado de fondo basado en me!cla de gaussianaslogrando ma)or ada(tabilidad a los cambios, mejoras en seguimiento o detecciónde automóviles. Sin embargo estos modelos tienen alta carga com(utacional 4) no son robustos a cambios r(idos de iluminación 4L, factores en controversiacon los objetivos de este (ro)ecto.

Figura 7-J: Modelado de %ondo mediante Mo/

1De D. ;loisi, 3. Iocci, %.&. 3eone and &. Pigliacam(o, : di"tributed vi"ion "!"tem *or boat tra**ic

monitoring in t$e Venice rand anal ; , '&%BS (roject2

1%



7<7<7<7<7 Modelos Do Paramétricos

Estos m+todos se basan en una estimación no (aram+trica de la función densidadde (robabilidad de una variable aleatoria. 3os modelos no (aram+tricos sonm+todos com(lejos en los /ue no se asumen distribuciones estndar de

(robabilidad.

• ernel Densit) Estimators 1DE2

Este modelo estima la (robabilidad de la intensidad de cada (-"el en función deuna serie de muestras de intensidad anteriores (ara dico (-"el. 3a funcióndensidad de (robabilidad viene dada (or el istograma de los # 0ltimos valores,/ue se an almacenado en el buffer.

Seg0n Elgammal et al. en 4L la (ertenencia al fondo de un (-"el concreto se

calcula de la forma siguiente dada la muestra del valor istórico del (-"el x

1 , x

2 , ... , xn , la función densidad de (robabilidad de /ue ese (-"el tome valor xt

en el instante t (uede ser estimada de forma no (aram+trica utili!ando un kernele"timator > /. tal /ue

Pr x t =1

n∑i=1

N

K xt − xi

El (-"el se considerar fondo si Pr xt Th , en caso contrario ser frente.

Este m+todo so(orta cambios leves en la escena, movimientos en las ojas derboles ) es robusto al ruido. Sin embargo tiene alta carga com(utacional, (or lo/ue ser ms lento /ue otros m+todos de los citados anteriormente.

7<7<8 ,etecci3n de %rente

Seg0n las t+cnicas de Background Subtraction, la detección de frente o*oreground se obtiene tras com(arar la imagen original con el modelo de fondogenerado. Se trata de una t+cnica basada en diferencia. Es un m+todo sencillo )efica! en la detección de elementos en movimiento.

Como emos visto )a en el a4artado 7<7<2, se reali!a una sustracción entreambas imgenes ) los (-"eles se clasifican como *oreground si la diferenciasu(era un umbral fijado. ' (artir de esto tendremos una mscara binaria de(-"eles candidatos a ser objeto en movimiento.

∣ I t x , y − B t x , y ∣Th t =1

∣ I t x , y − B t x , y∣Th t =0

1'



Figura 7-2K: ,etector de %rente basado en di%erencia<

Para la detección de frente en este caso se utili!a la diferencia absoluta. Esta(ro(orciona objetos de a(ariencia sólida ) bordes gruesos, lo /ue (uede resultar0til en las eta(as (osteriores de anlisis o seguimiento del objeto detectado.

?no de los (rinci(ales (roblemas es la fijación del umbral 8'$; 4, )a /uede(ende de varios factores como las condiciones de iluminación, la sensibilidadde la cmara o el ruido /ue +sta introduce.

Este es un (unto cr-tico en la detección de objetos en movimiento. 'un/ue se(uede establecer el umbral de forma em(-rica, en videovigilancia se suele ada(tara una serie de restricciones como no (erder ning0n verdadero (ositivo o reducirlas falsas alarmas.

2.3 'imitaciones de los sistemas de videovigilanciaautomticos basados en detección de movimiento

7<8<2 .i4olog$a de los 4roblemas derivados de la eta4a desegmentaci3n

3a eta(a de segmentación de video es uno de los (rocesos ms com(licados

dentro de los sistemas de seguridad automticos. ?n buen sistema debe (odersu(erar ciertos obstculos, )a /ue ni las secuencias de video son ideales ni el(roceso de sustracción de fondo es (erfecto.

Como se:ala McIvor et al. en 4J, el frente o foreground est com(uesto (orobjetos de inter+s ) (or artefactos /ue dificultan la siguiente eta(a de (roceso1detección, tracAing, conteo automtico de ve-culos o (ersonas2< o /ue generanfalsas alarmas en los sistemas de vigilancia (ara la detección de intrusos.

15



En los 0ltimos a:os mucos autores an trabajado en este cam(o, con el objetivode acer ms robustos los sistemas de videovigilancia. Se citan a continuación los(roblemas /ue encontramos con ma)or frecuencia en la literatura< algunos deellos )a mencionados en este resumen del estado del arte.

*nicializaci3n # actualizaci3n del %ondo de la escena: Como )a se amencionado en el a(artado anterior, la generación ) mantenimiento delmodelo de fondo debe ada(tarse a la a(licación concreta. 'dems lainiciali!ación del modelo de fondo no siem(re es un (roceso sencillo.

Fondos multimodales: Son modelos de fondo /ue se usan en escenariosdonde se (roducen cambios lentos ) (eriódicos /ue se deben incluir endico fondo< como el movimiento del agua del %ran Canal de Venecia de laFigura 7-J.

,eterminaci3n de los 4arámetros 34timos de %uncionamiento de los

algoritmos: 'justar de forma adecuada los (armetros de estos sistemasautomticos resulta una tarea com(licada. 3a modificación de umbrales,(esos, factor de actuali!ación u otros (armetros (uede alterarsignificativamente el funcionamiento del sistema.

Ruido: Se considera ruido cuando el valor de un (-"el de una imagen estdistorsionado res(ecto del valor re(resentativo de la intensidad real. Esmu) t-(ico en imgenes de videoseguridad, debido a /ue los sistemas deca(tación introducen bastante ruido.

Sombras # re%le)os: 3as diferentes fuentes de lu! (resentes en unaescena generan una iluminación (oco omog+nea. Esto (rovoca sombras) reflejos /ue nos im(iden distinguir los objetos de inter+s de los artefactosluminosos. Sern necesarias t+cnicas de (ost(rocesado (ara eliminar lassombras o reflejos del foreground ) as- /uedarnos sólo con el elementoreal.

Figura 7-22: )em4lo de .écnicas de 4ost-4rocesado 4ara la detecci3n desombras

1De Cucciara &, %rana C, Piccardi M, Prati '. Detecting moving objects, gosts and sadoKs invideo streams. IEEE $rans. Patt 'nal Mac Intell, P'MI 55H< G14524HH74HJ.2

1)



Cambios de iluminaci3n en la escena: 3a variación de la iluminación(rovoca cambios significativos en la secuencia obtenida. Se (uede tratarde cambios graduales a lo largo del dia, o r(idos (rovocados (or el (asode una nube cuando estamos en escenarios e"teriores 1outdoor 2. En elcaso de escenarios interiores 1indoor 2 los cambios de iluminación se deben

(rinci(almente a las diferentes fuentes artificiales de lu!. Este ti(o decambios (rovocan numerosas falsas alarmas en los sistemas de seguridadbasados en detección de movimiento 7, )a /ue se inter(retan comoobjetos en movimiento.

Figura 7-27: )em4lo de cambio de iluminaci3n debido al 4aso de nubes

7<8<7 !4roimaciones eistentes al 4roblema de la iluminaci3n

3os sistemas automticos de videovigilancia necesitan detectar de forma (recisalos objetos móviles /ue a(arecen en la escena (ara lograr unos objetivoses(ec-ficos, como (ueden ser detección de intrusos, conteo de (ersonas,detección de objetos robados u abandonados, seguimiento 1Utracking 2 de objetosen movimiento o anlisis de com(ortamientos, entre otros 4.

Como emos mencionado, las t+cnicas de segmentación de video no

(ro(orcionan resultados suficientemente eficientes. Por ello ser necesarioa(licar t+cnicas de (ost(rocesado /ue redu!can los (roblemas /ue (uedenafectar al funcionamiento deseable del sistema como son las variaciones de lu!.

3os (roblemas citados en el a4aratado 7<8<2 son el (rinci(al objetivo de last+cnicas de (ost(rocesado /ue an (ro(uesto algunos autores, destacando (orsu elevada com(lejidad la eliminación de sombras o el tratamiento de los cambiosde iluminación 1Figuras 7-22 # 7-272.

Mucos de los investigadores an dise:ado algoritmos /ue aun/ue no solventan(or com(leto el (roblema de la iluminación, lo reducen en gran medida. Se trata

de reducir los efectos negativos de la variaciones de lu! mediante t+cnicas deBackground Subtraction robustas a cambios de iluminación.

18



7<8<8 Pro4uestas actuales 4ara la reducci3n de los 4roblemas debidosa cambios de iluminaci3n<

3a com(lejidad en la reducción de los efectos debidos a cambios de iluminaciónradica en /ue estos son mu) diferentes entre s- ) estn fuertemente ligados a lascondiciones del escenario donde se encuentra el sistema de ca(tación.

E"isten cambios lentos, graduales, bruscos, r(idos, debidos a fuentes naturaleso artificiales, cambios dinmicos donde la fuente de iluminación se des(la!a,variaciones de iluminación tan intensas /ue saturan la imagen, etc. Debido a estavariedad es dif-cil encontrar una (ro(uesta 0nica ca(a! de solucionar el (roblemaen todos los casos.

3os cambios de iluminación graduales /ue se (roducen a lo largo del d-a si lacmara se encuentra al aire libre se (ueden solucionar de forma sencillautili!ando t+cnicas de modelado de fondo. Sin embargo (ara los dems cambiosde iluminación la solución no es tan evidente.

3a ma)or-a de las t+cnicas (ro(uestas en la literatura (ara abordar el (roblemade la iluminación se basan en de(urar los algoritmos de sustracción de fondo, deforma /ue funcionen correctamente ante los cambios de lu! 7.

En este sentido se an (ro(uesto numerosos m+todos de sustracción de fondobasados en me!cla de gaussianas, como el trabajo de Stauffer and %rimson 5<o se an a:adido algunas variantes ) modificaciones a lo anterior como $ian et al.4.

Btros estudios se centran en el anlisis de la información e"tra-da del gradientede la imagen, como describen lare ) SarAar en L o de la te"tura del fondo como(ro(onen Ding et al. en .

En el trabajo de Waved et al. , se ace uso del valor ) de la orientación delgradiente en combinación con la intensidad de los (lanos &%; (ara crear unalgoritmo de me!cla de gaussianas de cinco dimensiones. Con esto se acercan aun mecanismo de background "ubtraction robusto ante cambios de iluminaciónsin (erder de vista otros (roblemas, como la iniciali!ación del fondo o el efecto delas sombras.

'lgunos autores 45, H intentan acer uso del filtro de alman (ara conseguir unmodelo de fondo ada(tativo /ue tenga en cuenta los cambios de iluminación.

E"isten otros mucos estudios /ue intentan solventar el (roblema de los cambiosde iluminación (or medio de la (redicción tem(oral J o mediante cambios dees(acio de color , G.

1,



Btra de las (ro(uestas con resultados notables es el uso de varias cmaras (aragenerar un modelo de fondo de referencia donde se tenga información de lageometr-a de la escena como en el trabajo de Ivanov et al o en el de 3im etal. 7. De este 0ltimo destacamos la imagen siguiente /ue ilustra tanto el

(roblema, como la solución /ue (ro(onen.

Figura 7-28: ,etecci3n de cambios de iluminaci3n utilizando dos vistas< ,eizuierda a derecha: vista de re%erencia" segunda vista" detecci3n con una

cámara # detecci3n con dos cámaras< 57>6

20



8 ,etecci3n de intrusos # 4roblemas debidosa los cambios de iluminaci3n en sistemasde videovigilancia

En este ca(-tulo se describe en (rimer lugar el conte"to en el /ue se a reali!adoeste (ro)ecto. ' continuación se detalla el (rocedimiento general de los sistemasde videovigilancia basados en detección de movimiento (ara la detección deintrusos ) el (roceso de generación de alarmas.

?na ve! conocida esta actividad, (asaremos a la e"(licación de los efectos /ue(rovocan los cambios de iluminación. De esta forma se intentar reali!ar unaclasificación inicial de la casu-stica< as- como com(render el funcionamiento delsistema ante estos casos.

El fin de este ca(-tulo es tener una visión general del (roblema real, de forma /ue(odamos desglosarlo en a(artados de menor com(lejidad (ara (oder abordarlode manera sencilla ) eficiente.

3.1 A(licaciones en las )ue se en*ocar este (royecto

El (rinci(al objetivo de los sistemas de videovigilancia inteligentes es e"traer deforma automtica ) en tiem(o real la información relevante /ue est aconteciendoen un escenario videovigilado.

3as (osibilidades de los sistemas de videovigilancia automticos son mu)numerosas, tales como control de flujo de (ersonas en aglomeraciones, entrada )salida en recintos, conteo de ve-culos, detección de objetos abandonados orobados, locali!ación de incendios, detección de infracciones de trfico, control defronteras, vigilancia de instalaciones, etc.

En este (ro)ecto nos centraremos en a/uellas a(licaciones ms enfocadas a laseguridad, donde (rinci(almente interesa detectar (ersonas o ve-culos /ue

entran en el rea /ue se intenta controlar. 3a motivación del uso de sistemasautomticos en seguridad es evitar la subjetividad del ojo umano< de forma /ueel mecanismo de alarma sea un (roceso inteligente e inde(endiente del o(erador. 'dems se (retende evitar la fatiga ) distracción /ue (rovoca en los o(eradoresla continuidad de falsas alarmas, as- como la (osibilidad de vigilar !onas mse"tensas mediante un n0mero de cmaras ma)or.

21



3.2 $istemas de videovigilancia basados en detección demovimiento

El (rimer (aso en el anlisis de secuencias de videovigilancia de estascaracter-sticas es diferenciar los elementos en movimiento de lo /ue ser-anregiones u objetos (ertenecientes a las escena. 3a e"tracción de estos objetos enmovimiento o regiones de inter+s de la secuencia anali!ada se conocecom0nmente como segmentación 4.

En mucos de los sistemas de seguridad actuales, las t+cnicas de segmentaciónde video ms utili!adas son las basadas en el modelado ) (osterior sustracciónde fondo 1Background Subtraction2. Est es la t+cnica de segmentación de video/ue utili!a la erramienta de (rocesamiento /ue se a utili!ado en este (ro)ecto,(ara simular el com(ortamiento de un sistema real de videovigilancia.

Figura 8-2: !ruitectura básica de un sistema de videovigilancia basado endetecci3n de movimiento<

Se muestra en la Figura 8-2 el funcionamiento de esta erramienta< donde ladetección de cambios se obtiene tras reali!ar el (roceso de sustracción de fondo.

3a erramienta utili!ada tambi+n reali!a los (rocesos de labeling ) grouing /ueson eta(as de (ost(rocesado /ue se utili!an (ara definir mejor ) delimitar loselementos detectados, lo /ue se conoce como connected comonent". Este(roceso se lleva a cabo (ara facilitar las eta(as (osteriores de seguimiento deobjetos 1tracking 2, como (ro(onen Stauffer ) %rimson en 5. Por lo tanto, enesta simulación de un sistema de videovigilancia, cada ve! /ue se detecte alg0ncambio res(ecto al modelo de fondo, a la salida tendremos una imagen con loselementos detectados. Se considera /ue si a) alg0n elemento detectado segenerar una alarma en el sistema.

22



3.3 +eneración de alarmas en sistemas basados en detecciónde movimiento

Como emos mencionado antes, a la salida de la eta(a de sustracción de fondotendremos todo a/uello /ue es diferente al bacAground< ) si es diferente seconsidera /ue se a movido. Sin embargo, es mu) im(ortante tener en cuenta/ue no todo lo /ue 8se mueve9 es necesariamente un objeto de inter+s.

Por lo tanto, en sistemas basados en detección de movimiento la generación dealarmas se (roducir tanto en situaciones de inter+s como en situacioneserróneas< es decir, abr alarmas verdaderas ) alarmas falsas.

En la ma)or-a de escenarios donde se instalan este ti(o de sistemas deseguridad, las alarmas /ue se catalogan como verdaderas son las a(ariciones deintrusos, ) a veces tambi+n ve-culos, en la !ona a vigilar. Sin embargo el n0mero

de falsas alarmas suele ser grande, reduciendo considerablemente la eficienciadel sistema. En algunos casos este (roblema se traduce en la necesidad de uno(erador /ue su(ervise las alarmas /ue arroja el sistema ) determine si sonfalsas o verdaderas 1ver a(artado 7<2<8<72.

Se citan a continuación algunos casos t-(icos de falsas alarmas

• Des(la!amientos leves de la cmara debidos al viento.• Movimientos continuados como en el de las ojas de los rboles,

ondulaciones en el agua o la lluvia.• &uido e"cesivo en la imgenes.• '(arición de sombras (ertenecientes a objetos /ue no estn dentro

de escena.• 'nimales /ue (asan (or la !ona de seguridad como gatos u otros.• $elas de ara:a /ue ocultan el objetivo de la cmara generando

falsas alarmas cuando ondulan con el viento, ver Figura 8-7<• Insectos /ue cru!an a corta distancia del objetivo. Este efecto se

(uede ver el la Figura 8-8.• Cambios de iluminación debidos al (aso de nubes, faros de coces

o encendido de nuevas fuentes de lu! como (or ejem(lo elalumbrado (0blico.

Figura 8-7: Falsa alarma 4rovocada 4or el movimiento de una telarañasituada delante del ob)etivo de la cámara

2"



Figura 8-8: Muestra de la %alsas alarmas 4rovocadas 4or insectos

3., -*ectos de los cambios de iluminación y *alsas alarmasdebidas a estos e*ectos negativos

En este (ro)ecto, interesa reducir los falsos (ositivos debidos a cambios deiluminación. En este a(artado se intentar describir e ilustrar de forma detalladalos efectos /ue (rovoca la alteración de la iluminación en los sistemas devideovigilancia inteligentes, as- como las diferencias con la a(arición de intrusos.

E"isten diversos ti(os de variaciones de lu! /ue causan efectos mu) distintosentre s-, como (ueden ser encendidoa(agado de luces, destellos de faros decoces o el movimiento de nubes. Para reali!ar una (rimera clasificaciónconsideramos /ue los cambios de iluminación alteran el escenario de forma

diferente seg0n el ti(o de fuente de la /ue (roviene la iluminación< en este sentidodividiremos inicialmente el (roblema en función del escenario.

Se muestran a continuación una serie de imgenes /ue ilustran el (roblema /uese a abordado en este (ro)ecto, atendiendo a la se(aración en escenariosindoor o interiores ) escenarios outdoor o e"teriores. 'lgunas de estas imgenestienen (rinci(almente carcter ilustrativo, (uesto /ue no estn ca(tadas con unacmara de altas (restaciones, como las /ue se utili!an en videovigilancia. Sinembargo adems de estas imgenes, se dis(one tambi+n de una base de datos,con una am(lia casu-stica (ara desarrollar algoritmos, reali!ar clculos, obtenerestad-sticas ) evaluar resultados con secuencias de video ca(turadas en sistemas

reales.

2%



8<9<2 %ectos en escenarios *ndoor

En (rimer lugar, consideramos escenarios indoor a/uellos donde las cmarasestn situadas en un recinto interior< donde en general las variaciones luminosasse deben al encendidoa(agado de las fuentes de lu! el+ctricas.

Dentro de este ti(o de escenario tendremos verdaderos (ositivos (rovocados (orla intrusión de (ersonas ) falsos (ositivos originados (or el encendidoa(agadode luces. Dado /ue en este caso el es(acio ca(tado (or la cmara suele serlimitado L, un onoff de luces causar un cambio global en toda la imagen ) una(ersona ser un cambio muco ms locali!ado. Estos efectos se (ueden a(reciaren los siguientes ejem(los grficos.

8<9<2<2 Falso 4ositivo debido a un cambio de iluminaci3n leve:

Figura 8-9: Res4uesta del sistema ante un cambio de iluminaci3n leve

2'



8<9<2<7 Falso 4ositivo debido a un cambio de iluminaci3n brusco" on-o%% deluces:

Figura 8-: Res4uesta del sistema ante un cambio de iluminaci3n brusco

8<9<2<8 Falso 4ositivo debido a un cambio de iluminaci3n mu# brusco" on-o%%

de luces:

Figura 8-;: Res4uesta del sistema ante un cambio de iluminaci3n mu#brusco

25



8<9<2<9 0erdadero 4ositivo debido a un intruso corriendo:

Figura 8->: Res4uesta del sistema ante un caso de alarma real

Como se (uede ver en todas las figuras anteriores el im(acto /ue causa elencendidoa(agado de luces en un escenario indoor afecta a casi toda la imagen.

El sistema generar una falsa alarma cada ve! /ue suceda un evento de esteti(o. Sin embargo sólo observando esta muestra )a se ven grandes diferenciasres(ecto al efecto /ue causa una (ersona.

8<9<7 %ectos en escenarios utdoor

Consideramos escenarios outdoor a/uellos donde las cmaras estn situadas enun recinto e"terior tales como carreteras, a(arcamientos, fincas (rivadas o

recintos industriales.En este caso el es(acio ca(tado (or la cmara suele tener ms am(litud )(rofundidad (or lo /ue los cambios se (ueden (roducir en !onas ms (ró"imas ala cmara o en un (lano ms lejano L. Esto aumenta la com(lejidad del(roblema frente al caso indoor.

Dentro de este escenario se debe destacar /ue el efecto (rovocado (or los farosde los ve-culos es muco ms intenso /ue el encendido de una farola o el (asode una nube /ue oculta el sol. Sin embargo este (roblema se (roducefundamentalmente de noce, donde adems la sensibilidad de las cmaras es

muco menor. Es (or este motivo /ue se subdivide el (roblema en función de silas secuencias se an tomado en condiciones diurnas o nocturnas.

2)



8<9<7<2 /rabaciones diurnasEn condiciones diurnas la cmara ca(tar imgenes con buena calidad ) a color,lo /ue (ermite /ue el sistema inteligente detecte cual/uier elemento móvil sindificultad mediante las t+cnicas de sustracción de fondo.

Dentro de este ti(o de escenario se generan alarmas verdaderas (rovocadas (orla intrusión de (ersonas ) ve-culos, ) falsas alarmas (rovocadas (or elencendidoa(agado de luces cercanas a la cmara, variaciones bruscas de lailuminación natural o luces (rovenientes de faros de coce.

'l igual /ue en el a(artado 8<9<2 de este ca(-tulo, intentaremos ilustrar lasconsecuencias de los cambios de iluminación en escenarios e"teriores, as- comola res(uesta del sistema de detección. Se mostrarn tambi+n casos de alarmasverdaderas (ara a(reciar las diferencias.

8<9<7<2<2 Falso 4ositivo debido a un cambio brusco de la luz naturalHmovimiento de nubes ue ocultaban el solI

Figura 8-B: Res4uesta del sistema ante un cambio de iluminaci3n natural

Btro ejem(lo de este ti(o de variaciones de luminosidad natural (uede verse en la

imagen i!/uierda de la Figura 9-><

28



8<9<7<2<7 Falso 4ositivo debido al encendido-a4agado de una %uente de luz<

Figura 8-J: Res4uesta del sistema ante la desa4arici3n de una %uenteluminosa

En la Figura 8-J se observa /ue otro de los (roblemas a tratar es /ue la a(aricióno desa(arición de alg0n foco o la iluminación de una ventana (ró"ima a la cmaragenerar una alarma. En mucos de los recintos donde se instalan sistemas devideovigilancia automticos resulta im(osible evitar /ue ventanas o farolas est+nfuera de la escena< de a- la necesidad de intentar reducir los falsos (ositivos deeste ti(o.

8<9<7<2<8 0erdadero 4ositivo debido a la a4arici3n en escena de una 4ersona<

Figura 8-2K: Res4uesta del sistema ante un caso de alarma real

2,



8<9<7<7 /rabaciones nocturnas

3as gran ma)or-a de las cmaras utili!adas en videovigilancia tienen dosmodalidades de trabajo, una (ara el d-a ) otra (ara la noce o condiciones mu)bajas de iluminación. Este ti(o de cmaras conocidas como &-4"en"itive camera"

inclu)en una iluminación infrarroja 1de longitud de onda alrededor de LG5nm2. Encondiciones nocturnas la cmara ca(tar imgenes en niveles de gris con unacalidad ace(table /ue (ermiten visuali!ar el rea a vigilar a (esar de la (ocailuminación e"terna. 3a Figura 8-22 muestra la diferencia entre una imagenca(tada (or una cmara sin iluminación infrarroja ) otra con una cmaraacom(a:ada con un foco infrarrojo, &-4illumintor .

Figura 8-22: scena grabada con una cámara sin un %oco *R in%rarro)a # coniluminaci3n in%rarro)a 5;6<

Sin embargo mucas de las cmaras /ue se colocan en escenarios e"teriores noca(tan imgenes tan n-tidas como la de la figura anterior. Esto se debe a /ue enlugar de un gran foco I& tienen es una corona alrededor del objetivo, (or lo /ue notienen tanta sensibilidad HFigura 8-27I . Esto se traduce en imgenes de (eorcalidad ) ms afectadas (or el ruido, lo /ue ocasiona /ue el sistema inteligente noconsiga segmentar los elementos móviles con la misma efectividad /ue encondiciones diurnas o si se tuviera un sistema de ca(tación de alto nivel.

Figura 8-27: )em4lo de cámara *R utilizada en escenarios eteriores

"0



Debido a lo comentado en el (rrafo anterior, el es(acio ca(tado (or la cmarasuele tener una !ona ms iluminada en las regiones (ró"imas a la cmara 1dondealcan!a el I&2 ) en el (lano ms lejano, la imagen ser muco ms oscura. Poreste motivo, el sistema tiene ms dificultades )a /ue los objetos lejanos semimeti!an bien con el entorno, situación /ue se describir mejor ms adelante.

Btro (roblema a:adido se debe a /ue las grabaciones nocturnas estarn msafectadas (or el ruido /ue introducen los sistemas de ca(tación en condiciones debaja iluminación.

Dentro de los escenario outdoor tambi+n tendremos alarmas verdaderas(rovocadas (or la intrusión de (ersonas ) ve-culos, ) falsas alarmas (rovocadas(or el encendidoa(agado de luces contiguas a la cmara, como se ve en laFigura 8-J, o luces (rovenientes de faros de automóviles.

En los (ró"imos a(artados se intentar es(ecificar algunas de las consecuenciasde las variaciones de iluminación cuando se trabaja de noce. En estas

circunstancias se encuentran efectos nuevos /ue no se observaban en lassecuencias indoor, ni en tam(oco en las outdoor durante el d-a.

8<9<7<7<2 Falso 4ositivo debido a los %aros de los veh$culos<

En estas condiciones de baja iluminación o nocturnidad los efectos (rovocados(or los cambios de lu! son muco ms intensos /ue en las circunstanciasanteriormente descritas. ?na de las alteraciones ms bruscas son los causadas(or las rfagas de lu! de automóviles, donde abr regiones de la imagensaturadas (or la iluminación.

Cuando se abla de faros de ve-culos otro (roblema a:adido es el movimiento.3a iluminación se mueve (or toda la escena, se refleja en algunas su(erficiescomo en cristales de ventanas o en la ca(a de otros coces a(arcados,transformando la imagen de tal forma /ue se dificulta tanto el (roceso desegmentación, como el de tracking . Se muestra en la Figura 8-28 una brevesecuencia donde a(arece sólo la iluminación de un ve-culo /ue se des(la!a.Podemos ver en la imgenes de la dereca el efecto mencionado< donde losreflejos acen /ue el sistema detecte asta tres elementos diferentes, cuando el

suceso real es sim(lemente una variación de lu!.

"1



Figura 8-28: %ectos sobre la escena de la iluminaci3n en movimiento

En algunas ocasiones, la gran magnitud de estas variaciones (uede llegar a

(rovocar una falsa alarma de ti(o 8obstrucción9. ?na alarma de estascaracter-sticas sucede cuando la iluminación es tan intensa /ue la cmara cambiaa modo diurno< es decir (asa de ca(tar imgenes en niveles de gris a imgenes acolor. Se consideran alarmas (or obstrucción a/uellas donde la mscara de*oreground tiene marcado un (orcentaje de (-"eles mu) alto< generalmente(or/ue un intruso intenta ta(ar el objetivo o sabotear la cmara. Sin embargocuando la cmara cambia de modo (or cul(a de la nueva iluminación se marcarngrandes reas como si ubieran cambiado, siendo el efecto confundible con unintento de obstruir la grabación.

"2



Figura 8-29: Cambio de la cámara a modo diurno causado 4or un alumbrado

intenso< /eneraci3n de alarma de ti4o obstrucci3n

8<9<7<7<7 0erdadero 4ositivo debido a la a4arici3n en escena de veh$culos<

Como se a mencionado anteriormente, en mucas reas donde se colocansistemas de videovigilancia automticos la a(arición de un ve-culo en escena seconsidera un motivo de alarma verdadera. Por lo tanto se debe tener mu) encuenta /ue una secuencia donde solamente a(arece la iluminación de unautomóvil ser un falso (ositivo< mientras /ue si a(arece tambi+n en la escena elve-culo ser un verdadero (ositivo.

De esta circunstancia surge un nuevo obstculo en el intento de reducir los falsos(ositivos debidos a variaciones lum-nicas. Si re(aramos nuevamente en lasimgenes de las Figuras 8-28 ) 8-29 (odemos ver la dificultad de distinguir si el

ve-culo est en escena o es sólo la iluminación. En mucas situaciones eldestello de los faros (uede ser tan intenso /ue a(enas se a(recia el automóvil< )si se trabaja 0nicamente con la información del elemento detectado o a nivel de(-"el, las caracter-sticas de una u otra situación son (rcticamente indistinguibles.

8<9<7<7<8 0erdadero 4ositivo debido a la a4arici3n en escena de una 4ersona<

3as grabaciones nocturnas conllevan dificultades relacionadas con el (ro(iofuncionamiento del sistema ) con la baja calidad de las imgenes, /ue como )a

se mencionó dificultan el (roceso de detección de verdaderos (ositivos. En lasregiones de la imagen ms lejanas, donde no llega el infrarrojo de la cmara,resulta com(licado detectar a los intrusos, )a /ue la sensibilidad del sistema esmenor /ue en el caso diurno.

'dems, si el intruso lleva vestimentas oscuras ) se mimeti!a bien con el fondoes (osible /ue no se genere una alarma verdadera si intentamos reali!ar cambiosen el sistema (ara reducir las falsas alarmas (or iluminación. En la ma)or-a de losescenarios videovigilados no interesar (erder verdaderos (ositivos a costa dereducir los falsos (ositivos.

""



En la Figura 8-2 se a(recia este (roblema< donde la imagen su(erior i!/uierdase corres(onde con la entrada de una (ersona. 3a imagen su(erior derecamuestra los (-"eles /ue el sistema abr-a detectado como diferentes al fondo trasel (roceso de bacAground subtraction, donde vemos regiones con una masa1n0mero de (-"eles /ue conforman el elemento2 mu) (e/ue:a e incone"as entre

s-. Por 0ltimo, la imagen inferior es una am(liación del rea recuadrada en rojo dela (rimera imagen. En +sta 0ltima, intentamos destacar las ca(acidades del ojoumano /ue (erciben (erfectamente al intruso. Sin embargo, tambi+n se ve /ueal trabajar a nivel de (-"el es muco ms dif-cil detectar a la (ersona, )a /ue lasintensidades de gris son mu) similares a las del fondo.

3a ma)or-a de los sistemas comerciales descartar-an esta situación en las eta(asde anlisis (osteriores a la de sustracción de fondo, donde es mu) com0nim(oner condiciones de dimensiones m-nimas, masa o conectividad entreregiones (ara considerar un elemento como motivo de alarma o considerar /ue sedebe seguir su tra)ectoria 1tracAing2, ver Figura 8-2. Esta (rctica se reali!a (ara

evitar otras de las falsas alarmas mencionadas en el a4artado 8<8, como (orejem(lo la entrada de un gato, el (roblema de los insectos o el ruido dead/uisición. Sin embargo, en este caso se estar-a ignorando un caso de alarmaverdadera.

Figura 8-2: ,i%icultades de detecci3n de verdaderos 4ositivos

Btro efecto indeseable es el falso destello, /ue se (roduce cuando un intruso seacerca demasiado al objetivo. En esta situación el sistema detectar un elemento,cu)as intensidades tienen un valor saturado a blancos, debido a la refle"ión de lailuminación infrarroja sobre el cuer(o del intruso, ver Figura 8-2;. Cuando se(roduce un eco de estas caracter-sticas, el elemento detectado tendr mucassimilitudes con uno e"tra-do tras un mero cambio de iluminación donde no a)ning0n intruso. #uevamente ) junto a los efectos mencionados en los a(artadosanteriores, esto no ar ms /ue com(licar la distinción de falsos (ositivosdebidos a variaciones de lu! frente a verdaderos (ositivos. 'dems, este efecto

limita alguna de las (osibles (ro(uestas de solución (ara el (roblema /ue se trataen este (ro)ecto.

"%



Figura 8-2;: 0erdadero 4ositivo con caracter$sticas similares a un %also4ositivo debido a un cambio de iluminaci3n

8< Conclusiones

' la vista de los ejem(los anteriores )a se em(ie!an a e"traer algunasconclusiones iniciales, como (or ejem(lo

El caso nocturno tiene ma)or com(lejidad. 3as luces de ve-culos en movimiento suelen generar ms de un elemento

(or cul(a de los reflejos. 'lgunos cambios de iluminación son tan bruscos /ue alteran elfuncionamiento normal de la cmara. Si un intruso se acerca demasiado al objetivo (rovocar un efecto mu)similar a un cambio de iluminación, (or lo tanto (odemos concluir /ue no todolo /ue (arece lu! realmente lo es.

Parecer-a ra!onable colocar un foco (otente de lu! (ró"imo a la cmara(ara /ue iluminara mejor la !ona a vigilar ) de esta forma contrarrestar losefectos de las variaciones de iluminación. Sin embargo, a(arte de /ue estono siem(re es (osible, esta solución se traducir-a en algunas situacionesen un aumento de los falsos (ositivos (rovocados (or la nube de insectos/ue atraer-a el foco.

' (artir de la muestra de situaciones (resentadas se (uede reali!ar unaclasificación sencilla de eventos /ue ocurren ) cómo se deber-an identificarrealmente en el sistema

• Cambio de iluminación natural Falso Positivo• BnBff de una fuente de iluminación situada en la escena Falso Positivo• &fagas de faros de ve-culos 1sólo la iluminación en escena2 Falso

Positivo• &fagas de faros de ve-culos 1el automóvil ) la iluminación en escena2

Verdadero Positivo• Intrusos ) ve-culos Verdadero Positivo

?na ve! ilustrado ) entendido el (roblema /ue se trata en este (ro)ecto, )aciendo uso de algunos detalles descubiertos en el anlisis anterior (odremos

em(e!ar a (ro(oner algunas soluciones< lo /ue se reali!ar en el ca(-tulosiguiente.

"'



9 ,iseño

' lo largo de este ca(-tulo se describen los algoritmos (ara la reducción de falsos(ositivos debidos a cambios de iluminación im(lementados en este (ro)ectoclasificndolos en tres categor-as Indoor, Butdoor D-a ) Butdoor noce.

En las siguientes subsecciones se abordar la cuestión de cómo utili!ar lainformación e"tra-da en la eta(a de segmentación. Es decir, aciendo uso de lainformación /ue nos (ro(orciona la erramienta de simulación se (robarn losalgoritmos en las regiones de la imagen donde se encuentran los elementossegmentados.

Posteriormente intentaremos e"traer caracter-sticas relevantes /ue nos (ermitan

diferenciar las falsas alarmas de las verdaderas. ' (artir de la informaciónobtenida se (asar a la im(lementación de nuevos algoritmos /ue redu!can oeliminen la tasa de falsos (ositivos.

,.1 -ta(a (reliminar

9<2<2 Segmentaci3n de v$deos

'ntes de comen!ar con el dise:o de los algoritmos, utili!aremos una erramienta(ara simular el com(ortamiento de un sistema de videovigilancia real de detecciónde movimiento. 's- (odremos segmentar las secuencias de v-deo de las /ue sedis(one (ara reali!ar este trabajo.

En el a4artado 8<7 as- como en la Figura 8-2 se describ-an las eta(as de laar/uitectura de un sistema bsico de videovigilancia basado en detección demovimiento /ue nuestra erramienta de (rocesamiento simula.

Figura 9-2: Modelo de %ondo e imagen del instante actual

"5



Por cada imagen de entrada al sistema, +ste genera tres imgenes nuevas. Estasson la imagen segmentada, la imagen de labeling ) una imagen de grou(ing. 'dems se crea un ficero con datos es(ec-ficos de todos los elementos /ue sean detectado en cada frame.

Figura 9-7: *mágenes de salida del tras el 4rocesamiento de una imagen

En la imagen de grou(ing, como se ve en la Figura 9-7, abr una o varias cajas,denominadas bounding bo)e", /ue delimitan a/uellas regiones donde seencuentran los objetos en movimiento e"tra-dos. El ficero de salida adems deotra información, nos (ro(orciona las coordenadas de estas cajas.

El dise:o ) desarrollo de algoritmos, en su ma)or (arte, se basar en la utili!ación

de estos elementos detectados ) encuadrados en una caja, en lugar de acer usode la imagen entera. Se (retende con esto centrarse solo en lo /ue a cambiadoen la imagen res(ecto al fondo, eludiendo las regiones estticas.

Es mu) com0n en la eta(a de (rocesamiento de datos el uso del t+rmino blob1binar! large obect, (ara referirse a estas masas de (-"eles /ue se corres(ondencon los elementos cambiantes res(ecto al fondo. ' (artir de este (unto se utili!areste t+rmino como sinónimo de elemento detectado.

9<2<7 lecci3n del modelo de color

Si tomamos como (unto de (artida /ue un cambio de iluminación es una variaciónde la intensidad de los (-"eles de la imagen actual res(ecto a la imagen de fondo) entendemos el efecto de la lu! como un fenómeno aditivo, (odemos enfocarnuestro dise:o de algoritmos en el estudio de las de(endencias entre dicasimgenes.

Debido a lo anterior escogeremos el modelo &%;, /ue tambi+n es un modeloaditivo, (ara la re(resentación del color de las imgenes. Sin embargo ) debido a/ue las imgenes nocturnas no tienen color se utili!arn tambi+n imgenes enniveles de gris.

")



9<2<8 lecci3n de herramientas de desarrollo

Dado /ue el material de trabajo de este (ro)ecto son imgenes (rovenientes de

secuencias de videovigilancia reales necesitaremos una erramienta (ara trabajarcon ellas ) (ara (robar diferentes algoritmos.

Se a elegido el (a/uete matemtico M'#B como motor (ara los clculos, )a/ue tiene am(lias librer-as (ara el (rocesamiento de imgenes de diversosformatos, as- como librer-as matemticas de utilidad en este (ro)ecto. 'dems esun (rograma bien conocido en el cam(o de tratamiento de imgenes.

Como se menciona en el a(artado anterior utili!aremos imgenes en &%; eimgenes en niveles de gris. En Matlab tendremos tres matrices &, % ) ; con lasintensidades en rojo, verde ) a!ul de la imagen (ara el caso &%;< ) una matri! Icon las intensidades en niveles de gris (ara el segundo caso. 'dems se dis(onede funciones conversoras entre ambas re(resentaciones ) de otras funciones mu)(rcticas de lectura ) escritura de imgenes.

Este entorno nos facilitar en buena medida la eta(a de dise:o de este (ro)ecto )nos (ermitir obtener ) re(resentar grficamente los resultados /ue se e"(ondrnen el ca(-tulo siguiente.

Figura 9-8: /rá%ico M!.L!( con imagen original # los tres 4lanos de color

"8



,.2 -strategias de diseo

Como se a mencionado en el a(artado anterior, cuando sucede alg0n cambio deiluminación se (roduce una variación en la intensidad de los (-"eles de la imagenactual res(ecto a la imagen de fondo. 'l reali!ar el (roceso de sustracción defondo el sistema confundir esta variación en la imagen con un objeto móvil. Encambio, al no aber ning0n elemento real en la escena, las similitudes )de(endencias de la imagen recibida con el fondo deber-an ser mu) grandes. Se (ro(one una serie de estrategias basadas en el estudio de la correlación entrela imagen actual ) el modelo de fondo (ara comen!ar a dise:ar algoritmos /ue(ermitan reducir los falsos (ositivos. Esto se debe a /ue tras un cambio deiluminación la región segmentada tiene una gran correlación con el fondo,mientras /ue con un objeto esto no es as-.

9<7<2 Medida de ,e4endencias: Correlaci3n

Seg0n la &eal 'cademia Es(a:ola de la lengua el t+rmino :correlaci?n; se definecomo

8Corres(ondencia o relación rec-(roca entre dos o ms cosas o series de cosas.Mat. Medida de la de(endencia e"istente entre variantes aleatorias.9

En nuestro caso atenderemos a esta segunda definición matemtica, )a /ue laestrategia (ro(uesta se basa en el anlisis de las de(endencias /ue e"isten entre

dos imgenes< la de fondo ) la imagen del instante actual.

Dado /ue cuando se (roduce un cambio de iluminación en una escena laa(ariencia de la imagen es bastante similar a la imagen anterior al cambio, seintentar determinar cómo de intensa es la relación entre ellas mediante unanlisis de correlación 4. $ambi+n se (arte del su(uesto /ue a (riori, la relaciónde una imagen donde a(arece un intruso o un ve-culo con la imagen de fondoser menor /ue en el caso de una variación de luminosidad.

'ctualmente, las t+cnicas de Correlación de Imgenes Digitales 1DCI2 son mu)utili!adas en diversos cam(os /ue nada tienen /ue ver con la videovigilancia. Por

ejem(lo (ara com(robar la correcta fabricación de micro ) nanosistemas, calcularla deformación de materiales, tratamiento de imgenes cartogrficas, tomograf-as) mucas otras a(licaciones ,H5.

En M'$3'; (ara obtener la correlación entre imgenes utili!aremos la función8corr9. Esta función im(lementa la correlación de Pearson en matrices de dosdimensiones. Se e"(one a continuación la definición del coeficiente de correlacióndel (roductomomento de Pearson X H4

",



Siendo ! e " dos #ariables aleatorias con medias x= $ ! , y= $ "

y #arian%as finitas x

2=#ar ! y

2=#ar " <

= corr ! ," = co# ! , "

x y

donde co# ! ," = $ [ ! − x" − y] = $ !" − x y

y −11

3a función 8corr9 a(lica la definición anterior a matrices bidimensionales(reviamente convertidas a ti(o 8double9 e inde"adas linealmente. Esta funciónest es(ecialmente desarrollada (ara (rocesar imgenes a nivel de (-"elgeneralmente re(esentadas (or el ti(o de datos 8uintL9 H.

9<7<7 !ruitectura del sistema

'ntes de centrarnos en una descri(ción de los algoritmos (robados,(resentaremos la ar/uitectura general del sistema (ro(uesto. Esto nos (ermitirtener una visión general de la e"tensión (ro(uesta en este (ro)ecto de laar/uitectura bsica 1ver Figura 8-22 ) as- reducir los falsos (ositivos. Estaar/uitectura se com(one de cinco módulos, cu)os (rocesos se reali!an en serie.

Como entrada tenemos una secuencia de video /ue fue motivo de alarma en elsistema real. Cada una de las secuencias se com(one de un n0mero # deframes, en los /ue se a (roducido un evento concreto ) 0nico. Dico evento serun verdadero (ositivo o un falso (ositivo.

En el (rimer módulo se llevar a cabo la eta(a (reliminar donde se reali!a lasegmentación de v-deos ) e"tracción de datos, descrita en el a(artado 9<2<2 deeste ca(-tulo, de forma anloga a como actuar-a el sistema real /ue se estre(licando.

El segundo módulo adecuar a/uellas imgenes /ue estn tomadas en

condiciones de baja iluminación o de noce antes de /ue (asen al tercer módulo,cu)a misión es anali!ar las de(endencias entre las imgenes /ue contienen alg0nblob con la imagen de fondo.

En caso de dis(oner en el sistema real de un tiem(o de guarda antes de lageneración de alarmas, el módulo cuatro anali!ar ) relacionar las de(endenciasde los # frames consecutivos /ue forman dica ventana tem(oral. ?na ve!e"tra-da toda la información, en el módulo G se tomar la decisión de si el evento/ue a sucedido es una alarma falsa o es verdadera, en cu)o caso se generar laalarma (ertinente.

%0



Figura 9-9: !ruitectura del sistema

%1



,.3 /iseo de algoritmos base

En este a(artado detallaremos cómo se an dise:ado los algoritmos (ro(uestos.Se describirn los (rocedimientos, las regiones de la imagen utili!adas en losclculos, la información obtenida del (rocesamiento de las secuencias de video,descri(ción de (armetros necesarios, etc.

Estos algoritmos base estn dise:ados indistintamente (ara los tres casos en /uese a dividido el (roblema< indoor, outdoor d-a ) outdoor noce.

9<8<2 (ásico

Comen!aremos con un anlisis general de los valores de correlación entre la

imagen actual ) el modelo de fondo /ue se obtienen (ara los casos verdaderos,donde a(arecen (ersonas o ve-culos, ) los falsos, donde se (roducen cambiosde iluminación.

Para las (rimeras (ruebas de este m+todo utili!aremos la imagen com(leta. Seobtendr un valor 0nico de correlación (ara cada frame de cada una de lassecuencias de (rueba.

'nali!aremos los (rimeros resultados con el fin de (oder observar una distinciónclara, de forma /ue se (ueda utili!ar esta caracter-stica (ara se(arar los casosverdaderos de los falsos ) as- generar una alarma solamente en el caso correcto.

Este m+todo se a(licar a imgenes en &%; ) se re(etir con las mismasimgenes en niveles de gris, (ara (oder acer una com(arativa ) determinar sie"iste una diferencia clara cuando obviamos la información de color.

Este algoritmo es una (rimera a(ro"imación a las estrategias de (artida de este(ro)ecto.

9<8<7 n cuadrantes

En este segundo estudio comen!aremos restringiendo el rea de la imagenutili!ada (ara los clculos de las de(endencias. Para ello dividimos la imagenoriginal ) la de fondo en cuatro cuadrantes de forma sencilla. Esta división se arde forma (aram+trica aciendo uso de las dimensiones conocidas de lasimgenes, es decir filas ) columnas de las matrices.

Calcularemos la correlación en cada uno de los cuadrantes (or se(arado. Seobtendr en este caso cuatro valores de correlación (or cada frame anali!ado (orel algoritmo.

%2



De nuevo anali!aremos los resultados (ara ver si un clculo ms locali!adoresulta mejor /ue utili!ar toda la imagen ) se (uede utili!ar como caracter-stica dedetección. Se intenta com(robar ) a(o)ar la teor-a de /ue cuando el cambiodetectado se encuentra ma)oritariamente en uno de los cuadrantes lade(endencia de la imagen original con la de fondo ser menor en dico cuadrante

) se mantendr mas o menos constante en los otros.

Btro de los fundamentos de esta (rueba es la generali!ación de /ue cuando una(ersona o ve-culo a(arece en la !ona videovigilada lo ace (or una región de laimagen< /ue en mucos casos (uede corres(onder con uno de los cuadrantescomo se ve en la Figura 9- . Sin embargo los cambios de iluminación suelen sercambios ms globales afectando a todas las regiones.

Este m+todo se a(licar a imgenes en &%; ) se re(etir con las mismasimgenes en niveles de gris, al igual /ue en el caso bsico.

Figura 9-: *magen e)em4lo del algoritmo base 4or cuadrantes

9<8<8 n bounding boes com4letos

Para desarrollar el siguiente algoritmo ser necesario acer uso de los videos

segmentados con la erramienta de simulación /ue comentamos en el a(artado9<2<2 de este ca(-tulo. Esta erramienta nos (ro(orciona un ficero coninformación de cada blob detectado en cada uno de los frames.

Continuamos con la estrategia de restringir el rea de la imagen utili!ada (aracom(utar la correlación entre el frame actual ) el modelo de fondo /ue genera elsistema. '/u- lo /ue se (ro(one es utili!ar 0nicamente a/uellas (artes de laimagen donde el segmentador dice /ue se 8a movido9 algo, eludiendo todosa/uellos (-"eles /ue no an sufrido cambios res(ecto al bacAground.

%"



En (rimer lugar, recabaremos del ficero información referente a la situaciónconcreta del elemento o elementos detectados dentro de la imagen< as- como delrea de la caja o bounding bo" /ue los delimita. Con estos datos truncamos laimagen original ) la de fondo en función de las (osiciones de las cajas resultantesdel (roceso de grou(ing. Se (roceder de igual forma (ara cada frame de la

secuencia /ue se est anali!ando.

En este algoritmo los datos de salida /ue se generan son tantos como blobs sea)an e"tra-do en el anlisis de cada una de las secuencias de (rueba.

Siguiendo el mismo (rocedimiento /ue en las (ruebas anteriores, anali!aremoslos valores obtenidos (ara tener una referencia ) as- describir ciertos resultados(arciales. Estos resultados (arciales nos servirn (ara (ro(oner una tcticadiversa (ara abordar el (roblema o intentar (rofundi!ar ms en la misma l-nea detrabajo.

Este m+todo se a(licar a imgenes en &%; ) se re(etir con las mismasimgenes en niveles de gris, (ara (oder acer una com(arativa.

Figura 9-;: ,e4endencias entre el área del elemento detectado # el mismoárea del modelo de %ondo

%%



9<8<9 n labeling 4$eles dentro del bounding bo

Como se indicó en el a(artado 9<8<7 el estudio de los resultados (arciales nosace (ensar /ue si nos centramos en evaluar las semejan!a de los blobse"tra-dos con la misma región del fondo, en lugar de acer uso de toda la imagen,

em(e!amos a ver )a una gran diferencia del efecto /ue (rovoca una (ersona al/ue (rovocan los cambios de iluminación. Podemos encontrar diferenciassignificativas, (or lo /ue se continuar anali!ando este ti(o de caracter-sticas.

'l igual /ue en el (rocedimiento anterior (ara calcular la de(endencias del blobcon el fondo, truncaremos el fondo ) la imagen actual /uedndonos sólo con elrea del bounding bo". Sin embargo, (ara este m+todo sólo se utili!arn a/uellos(-"eles /ue an su(erado el umbral fijado durante el (roceso de detección defrente ) /ue tras los (rocesos de labeling ) grou(ing conforman el blob.

Para llevar a cabo las (ruebas utili!aremos la imagen resultante del (roceso delabeling /ue obtenemos trs (asar la secuencia (or el simulador. En estasimgenes, al (rocesarlas con Matlab, (odemos diferenciar de forma mu) sencillalos (-"eles /ue (ertenecen al foreground de los /ue se consideran fondo. Esto sedebe a /ue estn marcados con valor m"imo en uno de los (lanos de color )valor de cero en los otros dos (lanos.

Figura 9->: ,i%erencias entre el e%ecto 4rovocado 4or cambios deiluminaci3n # la a4arici3n de intrusos en escena

3a Figura 9-> nos ilustra de nuevo cómo se com(orta un sistema devideovigilancia inteligente ante casos de alarma verdadera ) casos de falsas

alarmas. 'dems, tambi+n muestra /ue restringir el rea de cóm(uto decorrelación 0nicamente a a/uellos (-"eles /ue constitu)en el blob (uede llevarnosa encontrar una caracter-stica realmente diferenciadora ) /ue mediante un umbrala)ude a reducir los falsos (ositivos debidos a cambios de iluminación.

'l igual /ue en los algoritmos anteriores, se anali!arn los resultados obtenidos ala(licar este (rocedimiento antes de (roseguir con el dise:o de otra tctica. 'simismo, al aber (robado con antelación otros dos m+todos sobre la mismacolección de videos (odremos reali!ar una com(arativa viendo las tasas dereducción de falsos (ositivos de cada uno de ellos.

Este m+todo se a(licar a imgenes en &%; ) se re(etir con las mismasimgenes en niveles de gris.

%'



9<8< !dici3n de un tiem4o de guarda antes de la generaci3n de alarma

En algunos casos (uede resultar beneficioso (os(oner unos segundos la

generación de una alarma en el sistema real. De esta manera dis(onemos de untiem(o de guarda antes de tomar la decisión de si un cambio se a debido avariaciones de lu! o la entrada de un e"tra:o.

Esto se debe a /ue en algunas situaciones, sobre todo en escenarios indoordonde las fuentes de lu! son artificiales, un cambio de iluminación (rovoca unaalteración mu) brusca ) tras unos frames la cmara se autoregula en ciertamedida a las nuevas condiciones lum-nicas.

Figura 9-B: !utoregulaci3n de la cámara tras un cambio brusco deiluminaci3n en escenario indoor

Por este motivo se (ro(one un algoritmo donde se a(lican las t+cnicas de anlisisde de(endencias en ciertas regiones de la imagen, descritas en los a(artadosanteriores, (ero teniendo en cuenta lo sucedido en el tiem(o de guarda. En este(roceso se anali!a una ventana tem(oral de Y frames (osteriores al (rimer framedonde se detectó un cambio /ue generó una alarma.

En función de lo /ue suceda en esas imgenes consecutivas se decidir si daralarma u obviarla. En este (ro)ecto se (ro(one un m+todo sim(le (or ma)or-a< side los Y frames sucesivos YZ4 frames estn (or debajo del umbral dede(endencias /ue utili!amos como caracter-stica diferenciadora se (roducir unaalarma. El (armetro Y se ajustar a la tasa de imgenes (or segundo con la /ueo(era el sistema real. Se debe tener en cuenta (ara este ajuste /ue si el tiem(ode es(era es elevado se (odr-a (erder alg0n verdadero (ositivo, lo /ue no esasumible.

Siguiendo la misma metodolog-a de trabajo, anali!aremos ) com(araremos losresultados obtenidos al a(licar un tiem(o de guarda antes de la generación dealarmas, (ara ver los (osibles beneficios en el sistema real.

%5



,., /iseo de algoritmos mejorados (ara condiciones de bajailuminación o nocturnidad

Des(u+s de anali!ar ) estudiar todos los resultados recabados tras la a(licaciónde los algoritmos (ro(uestos anteriormente, (ara el caso outdoor nocenecesitamos ada(tar en cierta medida las imgenes, antes de (oder a(licarlos si/ueremos alcan!ar una tasa de reducción de falsos (ositivos (ara la nocee/ui(arable al caso diurno o al de indoor.

3as imgenes nocturnas tienen regiones con diferentes grados de iluminación,debidas a farolas, luces de edificios e incluso debido al I& de la (ro(ia cmara )esto (uede distorsionar los valores de la correlación /ue se generan tras lacom(arativa de la imagen actual ) el modelo de fondo. Por este motivo se(ro(one eliminar este efecto mediante diferentes t+cnicas.

9<9<2 studio de otras regiones de cálculo

Siguiendo en la l-nea de (ruebas anteriores se a intentado de forma inversa,am(liar el rea de clculo a un n0mero ma)or de (-"eles. Por un lado se anreali!ado los mismos clculos de de(endencias sobre todos los (-"elessegmentados de la imagen com(leta ) tambi+n sobre los (-"eles segmentadosdentro del boundig bo", aun/ue no formen (arte del blob. Para ello se utili!a laimagen de salida del (roceso de segmentación del simulador, en lugar de laimagen resultante del (roceso de labeling como ac-amos antes.

3a reali!ación de esta (rueba se debe a /ue en condiciones nocturnas /ui!interese no concentrar tanto la región de clculo de de(endencias debido a /ue elefecto de los cambios de iluminación es muco ms brusco afectando ageneralmente a toda la imagen. 'dems las imgenes tomadas de noce(ro(orcionan menos información /ue cuando tratbamos imgenes diurnas o deinteriores.

9<9<7 liminar gradiente de iluminaci3n Hversi3n2I

En este nuevo intento trataremos de eliminar el gradiente de iluminación /uee"iste tanto en la imagen actual como en el modelo de fondo /ue genera elsistema. Se trata de eliminar el efecto /ue (rovoca la iluminación e"istente enadición a la /ue se debe al nuevo cambio de iluminación.

Para ello se calcula el (lano de iluminación de cada imagen, frame actual ) fondo,) luego se corrige la iluminación de dicas imgenes de la forma

*magen actual N 4lano iluminaci3n 4ro4io

*magen %ondo N 4lano iluminaci3n 4ro4io

%)



Esto se a(licar de manera global sobre toda la imagen de fondo ) sobre toda laimagen actual de forma inde(endiente antes de reali!ar el cóm(uto de correlaciónentre ambas.

9<9<8 liminar gradiente de iluminaci3n Hversi3n7I

Este m+todo resulta de una sim(le modificación del m+todo de correcciónanterior. En este caso se calcula (ara la imagen de fondo su (lano de iluminación) luego se corregir la iluminación de la imagen actual ) del fondo de la forma

*magen actual N 4lano iluminaci3n %ondo

*magen %ondo N 4lano iluminaci3n %ondo

'simismo, se a(licar de manera global sobre toda la imagen de fondo ) sobretoda la imagen actual de forma inde(endiente antes de reali!ar el cóm(uto decorrelación entre ambas.

9<9<9 liminar gradiente de iluminaci3n en el bounding bo Hversi3n2I

3os resultados obtenidos tras las dos correcciones anteriores mostrarn cierta

mejora en las tasas de reducción de falsos (ositivos< (or lo tanto continuaremosensa)ando con variantes de las (ro(uestas anteriores.

'l igual /ue ici+ramos en el a(aratado 9<8<8 truncamos la imagen de fondo ) laimagen original al rea del bounding bo" de cada uno de los blobs e"tra-dos. Secalcula (ara cada nueva imagen reducida su (lano de iluminación de formainde(endiente ) luego se corrige la iluminación de dica imagen de la forma

*magen actual truncada N 4lano iluminaci3n 4ro4io

*magen %ondo truncada N 4lano iluminaci3n 4ro4io

%8



9<9< liminar gradiente de iluminaci3n en el bounding bo Hversi3n7I

En este nuevo intento modificaremos el m+todo (ro(uesto en el a(artado 9<9<8 dela misma manera /ue en el caso anterior. Para ello truncamos la imagen de fondo) la imagen original al rea del bounding bo" del blob. Se calcula (ara la imagen

reducida de fondo su (lano de iluminación ) luego se corregir la iluminación delas res(ectivas cajas e"tra-das en cada frame de la forma

*magen actual truncada N 4lano iluminaci3n %ondo

*magen %ondo truncada N 4lano iluminaci3n %ondo

Figura 9-J: *magen original e imagen tras la correcci3n del gradiente deiluminaci3n

9<9<; liminaci3n de 4$eles con valores saturados a blancos dentrodel bounding bo

Como se describió en el ca(-tulo tres de este (ro)ecto, los cambios bruscos deiluminación, como (or ejem(lo los fogona!os de los coces generan regiones con

blancos saturados debido a /ue la lu! im(acta sobre su(erficies reflectantes.

Por este motivo se (ro(one eliminar del cóm(uto a/uellos (-"eles cu)os valoresde intensidad estn (ró"imos al valor m"imo ) contenidos en la caja, con el finde reducir un (osible error en el (osterior clculo de la correlación.

En la Figura 9-2K se e"(one una imagen /ue evidencia el efecto /ue (rovocanlos faros de los ve-culos en grabaciones nocturnas ) /ue motiva esta t+cnica decorrección. Inmediatamente des(u+s tenemos el istograma de la imagen, dondese a(recia un (ico en los blancos saturados. El n0mero de los (-"eles con

intensidad GG es del orden de G[45

J

, mientras /ue en valores oscuros el n0merom"imo asciende a 4.H[45

J, siendo la imagen original de dimensiones G7[75.

%,



Figura 9-2K: *magen re4resentativa del e%ecto de la iluminaci3n de veh$culossobre el escenario # su histograma

9<9<> Cambios de escala

Debido a los (roblemas /ue e"isten en escenarios outdoor de noce, sobre todo(or los destellos de los faros de ve-culos como )a se a mencionado, sigue

siendo necesario intentar reducir estos efectos antes de com(robar lasde(endencias entre la imagen actual ) la imagen de fondo. Siguiendo la l-nea delm+todo de ada(tación anterior, se (ro(one a(licar un cambio de escala donde seacent0en una (arte de los valores de intensidad.

Para lo anterior se reali!arn (ruebas con dos ti(os diferentes de cambios deescala, /ue resaltan o bien los valores grises, o bien los blancos

'0



y=log x1 y= xa , a1

Figura 9-22: scala logar$tmica # escala e4onencial HaO8I

9<9<B Cálculo de intensidad media de los 4$eles vecinos

Este m+todo calcular (ara cada (-"el la media de intensidad en función de lasintensidades de los (-"eles vecinos. Se utili!ar una mscara cuadrada de m[m(-"eles, siendo m im(ar.

Este (rocedimiento se llevar a cabo sin relleno de ceros 1 adding 2 en lose"tremos. Es decir, en las es/uinas de la imagen solo com(utarn los (-"elesdentro de la imagen ) se dividir en este caso (or ese n0mero de valores en ve!de dividir entre el tama:o de la mscara. Con este ti(o de clculos obtendremoscierta información de te"turas ) bordes. Estos valores medios se restarn tanto alframe actual como al modelo de fondo, Se trata de una medida de corrección de

las imgenes antes de a(licar cual/uiera de los algoritmos de clculo dede(endencias descritos en el a(artado 9<8.

9<9<J studio de otros %actores

Debido a /ue las variaciones de iluminación (rovocan cambios en la imagen mu)caracter-sticos, e"isten una serie de (armetros /ue en combinación con losalgoritmos anteriores (ueden a)udar a reducir los falsos (ositivos.

'1



Mucas de estas caracter-sticas a(arecen de forma general en secuenciasobtenidas en diferentes lugares, (ero no son a(licables en todo ti(o deescenarios. 'dems de(enden en gran medida de las necesidades ) re/uisitos deseguridad, es decir, de /u+ se /uiere detectar en ese rea concreta. Sin embargoson m+todos de bajo coste com(utacional ) resultan mu) 0tiles en a/uellos casos

donde se (ueden em(lear.

'lgunos de estos (armetros caracter-sticos son (or ejem(lo la masa del blob, lasdimensiones del bounding bo" res(ecto al rea total de la imagen, orientaciónvertical versus ori!ontal de la caja, etc.

En la Figura 9-27, com(uesta (or tres secciones del modelo de fondo, la imagende grou(ing tras a(agar la lu! ) la imagen de grou(ing tras la a(arición de una(ersona< se a(recian estas singularidades /ue tienen los blobs de iluminaciónres(ecto a los de intrusos.

Figura 9-27: Com4arativa de masa" dimensiones # 4ro4orciones de un blobcausante de %alsa alarma con uno de alarma verdadera

'2



Pruebas # resultados e4erimentales

En este ca(-tulo se muestran los resultados e"(erimentales de los algoritmos /uese an desarrollado (ara mejorar los sistemas de videovigilancia e"istentes, antelos cambios de iluminación, )a descritos en el Ca4$tulo 9.

Se anali!arn los resultados obtenidos (or medio de curvas &BC. ' (artir de elloscom(araremos las diferentes (ro(uestas. Con estos datos se e"traern lasconclusiones de las diferentes soluciones en las /ue se a trabajado en este(ro)ecto.

0.1 urvas O

<2<2 *ntroducci3n3as curvas &BC 1-eceiver @erating $aracteri"tic"2 son una t+cnica 0til (araanali!ar sistemas de detección ) visuali!ar su com(ortamiento. Este ti(o degrficos se an utili!ado en los 0ltimos a:os en $eor-a de Detección de Se:alesHH (ara re(resentar el e/uilibrio entre tasas de +"ito ) tasas de falsas alarmasen clasificadores. Se a e"tendido el uso de los anlisis &BC a diversas reas<como (ara visuali!ar ) anali!ar el com(ortamiento del sistema de diagnósticos,donde la comunidad m+dica a contribuido notablemente a la literatura acerca deluso de curvas &BC HJ.

$ambi+n en el cam(o de Mac$ine #earning ) miner-a de datos se a demostradola val-a de las curvas &BC (ara evaluar ) com(arar algoritmos HG, donde en los0ltimos a:os se a generali!ado su uso como erramienta de re(resentacióngrfica. Esto se debe a algunas (ro(iedades es(ecialmente 0tiles cuando setrabaja con distribuciones sesgadas o cuando los diferentes errores declasificación no tienen el mismo coste.

Mucos de los trabajos donde se mencionan las Curvas &BC, sim(lemente acenuna breve descri(ción de esta t+cnica, )a /ue conce(tualmente estos grficos sonbastante sim(les. Sin embargo e"isten algunos conce(tos menos obvios o errores

comunes /ue a(arecen durante la (rctica, (or lo /ue resultar 0til definir algunosconce(tos.

<2<7 Clasi%icadores binarios

?n modelo de clasificación es una función /ue (ermite decidir cules de unconjunto de instancias estn en un gru(o o en otro, donde el l-mite del clasificadorentre cada clase debe determinarse (or un valor umbral.

'"



Si consideramos el (roblema ocasionado (or los cambios de iluminación en lossistemas de videovigilancia inteligentes, tendremos un (roblema de (redicción dedos clases o clasificación binaria, en la /ue los resultados se eti/uetarn como83?R9 o 8#B 3?R9.

En función de lo anterior, a) cuatro (osibles resultados a (artir de un clasificadorbinario como el /ue utili!aremos (ara evaluar los algoritmos (ro(uestos. Si elresultado de una (redicción es (\ ) el valor real es tambi+n (, entonces se conocecomo un Verdadero Positivo 1VP2< sin embargo si el valor real es n entonces seconoce como un Falso Positivo 1FP2. De igual modo, tenemos un Verdadero#egativo 1V#2 cuando tanto la (redicción como el valor real son n, ) un Falso#egativo 1F#2 cuando el resultado de la (redicción es n\ (ero el valor real es (.Estos cuatro (osibles resultados se suelen formular mediante una tabla decontingencia o matri! de confusión como la /ue sigue H

Describiremos a continuación algunos de los t+rminos anteriores, as- como otrosderivados de ellos

0erdadero Positivo H0PI: clasificación con +"ito0erdadero Degativo H0DI: reca!o correctoFalso Positivo HFPI: Error $i(o I o falsa alarma

Falso Degativo HFDI Error $i(o IIRaz3n de 0erdaderos Positivos H0PRI: ra!ón de +"itos, tambi+n denominado

sensibilidad. Viene dado (or la siguiente e"(resión

&P'= &P

&P N

Raz3n de Falsos Positivos HFPRI: ra!ón de falsas alarmas, cu)a e"(resión es

P'= P

P &N

'%



<2<8 l es4acio RCDe la tabla de contingencia se (ueden obtener varias medidas de evaluación, sinembargo (ara dibujar una curva &BC sólo sern necesarias las tasas deVerdaderos Positivos 1VP&2 ) de falsos (ositivos 1FP&2.

3a VP& mide asta /u+ (unto un clasificador es ca(a! de detectar los casos(ositivos correctamente, de entre todos los casos (ositivos dis(onibles durante la(rueba. En este (ro)ecto se considerarn casos (ositivos a/uellas secuencias devideo donde a(are!can intrusos o ve-culos ) /ue generaron una alarmaverdadera.

3a FP& define cuntos resultados (ositivos son incorrectos de entre todos loscasos negativos dis(onibles durante la (rueba. En nuestra evaluación seconsiderarn casos negativos a/uellas secuencias de video donde se a(roducido alg0n ti(o de cambio de iluminación ) /ue fue causa de una falsaalarma.

?n es(acio &BC se define (or VP& ) FP& como eje de ordenadas ) abscisasres(ectivamente, ) re(resenta los intercambios entre verdaderos (ositivos )falsos (ositivos. Cada resultado de la (redicción de una instancia de la matri! deconfusión re(resenta un (unto en el es(acio &BC H.

El m+todo con el mejor resultado (osible de (redicción se situar-a en un (unto enla es/uina su(erior i!/uierda, o coordenada 15,42 del es(acio &BC, lo /ue setraduce en ning0n falso negativo ) ning0n falso (ositivo. Este (unto 15,42 estambi+n llamado una clasificación (erfecta. Por el contrario, una clasificacióntotalmente aleatoria dar-a un (unto a lo largo de la l-nea diagonal, /ue se llamatambi+n l-nea de nodiscriminación, desde el e"tremo i!/uierdo asta la es/uina

su(erior dereca< ver Figura -2.

Figura -2: )em4los de curvas RC

''



0.2 /iseo de (ruebas e(erimentales

Con el objetivo de obtener las tasas de reducción de falsos (ositivos de cada unode los algoritmos (ro(uestos en el ca(-tulo anterior, se an estudiado ) ejecutadodiversas (ruebas e"(erimentales.

&ecordamos /ue el (roblema /ue se trata en este (ro)ecto se dividió en trescategor-as, caso Indoor, caso Butdoor diurno ) caso Butdoor nocturno. Se ancalculado curvas &BC mediante diferentes (rocedimientos (ara cada uno de loscasos aciendo uso de un n0mero am(lio de secuencias reales, cu)a muestra se(udo ver en el Ca4$tulo 8 de este documento.

Se an reali!ado cuatro ti(os diferentes de (ruebas cu)o resultado se e"(resarmediante un grfico &BC. En cada uno de estos grficos estarn re(resentadasvarias curvas corres(ondientes a los diferentes algoritmos. De esta forma se

(odr com(arar el rendimiento de cada uno de los m+todos (ro(uestos. 'ntes de entrar en es(ecificaciones, aclararemos /ue las secuencias de la basede datos de la /ue se dis(one se corres(onden con eventos inde(endientes, obien cambios de iluminación 1FP2 o bien alarmas verdaderas, como la a(ariciónde intrusos 1VP2. Se (arte (or tanto de secuencias eti/uetadas a (riori mediantela variable booleana &+'-AS&+ < de esta forma se com(arar el resultado de laclasificación de cada algoritmo con dica eti/ueta.

Se detalla a continuación la forma en la /ue se an calculado, (ara cada(rocedimiento, las ra!ones de Verdaderos Positivos 1VP&2 ) de falsos (ositivos

1FP&2 /ue (osteriormente se re(resentarn del mismo modo /ue en la Figura -2.

<7<2 Procedimiento 2" clasi%icaci3n del evento en cada %rame de lasecuencia HP2I

Para reali!ar esta (rueba se anali!ar cada uno de los frames de cada una de lassecuencias de forma inde(endiente.

Como se a(recia en la muestra de imgenes del Ca4$tulo 8 el segmentadordetectar cual/uier cambio /ue se a)a (roducido en la escena. En cada framea(arecern uno o varios elementos 1blobs2, sobre los /ue se a(licarn losdiferentes algoritmos de medida de de(endencias con la imagen de fondo. Por lotanto, cuando a(licamos alguno de los algoritmos desarrollados a una secuencia,lo /ue obtenemos es una matri! con los valores de correlación de los blobs /uea(arecen en cada uno de los frames. Se com(ararn estos valores con un umbraltal /ue

Si 'corr Th(ambio de iluminaci)n

Si 'corr Th Intruso o #eh*culo

'5



Se incrementarn los valores de VP, FP, V# o F# en cada frame. 3o /ue significacom(arar la clasificación reali!ada en función del umbral con la eti/ueta de cadasecuencia 1&+'-AS&+ 2 tal /ue

Si 'corr Th e INT'+SIN =1 ⇒ &P =&P 1 ;Si 'corr Th e INT'+SIN =0 ⇒ P = P 1 ;

Si 'corr Th e INT'+SIN =0 ⇒ &N =&N 1 ;

Si 'corr Th e INT'+SIN =1 ⇒ N = N 1.

Se re(etir este (roceso (ara umbrales /'$ com(rendidos en el rango

Th ∈ [−1? 1] donde Th=0.1

' (artir de estos datos se calcularn las ra!ones de Verdaderos Positivos 1VP&2 )

de falsos (ositivos 1FP&2, (ara cada valor del umbral ) (ara cada secuencia de(ruebas. Por 0ltimo se calcular el (romedio de las ra!ones obtenidas des(u+sde (rocesar todas las secuencias, siendo estos valores los /ue se re(resentarnen la curva &BC.

3os grficos de curvas &BC calculadas mediante este (rocedimiento sedenotarn mediante el siguiente t-tulo

P2 RC: alarma 4or %rames

<7<7 Procedimiento 7" clasi%icaci3n del evento en cada %rame de lasecuencia" analizando %rames sucesivos HP7I

Para reali!ar esta (rueba se anali!ar cada uno de los frames de cada una de lassecuencias, al igual /ue en el (rocedimiento P4, descrito en el a(artado anterior.

Sin embargo debemos recordar el a4artado 9<8<" donde se mencionaba elbeneficio de (os(oner unos segundos la generación de una alarma en el sistemareal. De esta manera dis(on-amos de un tiem(o e"tra de anlisis antes de tomarla decisión de si un cambio se ab-a debido a variaciones de lu! o la entrada deun e"tra:o.

Se incrementarn los valores de VP, FP, V# o F# en cada frame, (ero teniendoen cuenta la clasificación en los Y frames consecutivos al /ue se est anali!ando.En este caso com(araremos la clasificación reali!ada en función del umbral con laeti/ueta de cada secuencia 1&+'-AS&+ 2 tal /ue

')



Si 'corr Th , 'corr Th en -

2 1 de los - frames siguientes e INT'+SIN =1 ⇒

⇒ &P =&P 1 ;

Si ' corr Th , 'corr Th en -


⇒ P = P 1 ;

Si ' corr Th , 'corr Th en -


⇒ &N =&N 1 ;

Si 'corr Th , 'corr Th en -


⇒ N = N 1 ;


Th ∈ [−1? 1] donde Th=0.1

' (artir de estos datos se calcularn las ra!ones de Verdaderos Positivos 1VP&2 )de falsos (ositivos 1FP&2, (ara cada valor del umbral ) (ara cada secuencia de(ruebas. Por 0ltimo se calcular el (romedio de las ra!ones obtenidas des(u+sde (rocesar todas las secuencias, siendo estos valores los /ue se re(resentarnen la curva &BC, de forma anloga al (rocedimiento 4.


P7 RC-: alarma 4or %rames" com4robando %rames 4osteriores

<7<8 Procedimiento 8" clasi%icaci3n del evento dada una secuenciacom4leta HP8I

El clculo de &BC] s mediante este (rocedimiento se basa en la clasificación deuna secuencia com(leta como un evento /ue generar alarma o /ue se obviar.

'l final del (rocesamiento, cada secuencia tendr una nueva eti/ueta< larmaC0 o

'larmaC1 en función del umbral. Se (arte (ara todos los casos de larmaC0,situación /ue se mantendr mientras no se encuentre ning0n elemento en lasecuencia cu)o valor -corr sea menor /ue el umbral con el /ue se esttrabajando. Es decir

Si ' corr t Th ∀ t ⇒ .larma=0 ;

Si 'corr t =t 0Th ⇒ .larma=1 ; siendo t 0 un instante cual/uiera dela secuencia

Se com(robar la corres(ondencia de dica eti/ueta de clasificación de evento,con la eti/ueta inicial de cada secuencia a la /ue denominamos I#$&?SI^#.

Seg0n lo anterior, lo /ue aremos ser incrementar los valores de VP, FP, V# oF# tal /ue

'8



Si INT'+SIN =1 y .larma=1 ⇒ &P =&P 1 ;

Si INT'+SIN =0 y .larma=1 ⇒ P = P 1 ;Si INT'+SIN =0 y .larma=0 ⇒ &N =&N 1 ;

Si INT'+SIN =1 y .larma=0 ⇒ N = N 1.


Th ∈ [−1? 1] donde Th=0.1

' (artir de los valores de la matri! construida con los datos anteriores se calcularla ra!ón de Verdaderos Positivos 1VP&2 ) la de falsos (ositivos 1FP&2, (ara cadavalor del umbral ) (ara el conjunto de las secuencias de (ruebas.

3os grficos de curvas &BC calculadas mediante este (rocedimiento se

denotarn mediante el siguiente t-tulo

P8 RC-S: alarma en algEn %rame de la secuencia

<7<9 Procedimiento 9" clasi%icaci3n del evento dada una secuenciacom4leta" analizando %rames sucesivos HP9I

El clculo de &BC] s mediante este (rocedimiento es anlogo al (rocedimiento H1PH2, salvo /ue (ara decidir si un evento se clasifica como alarma o se ignora, seanali!ar lo sucedido en Y frames (osteriores de forma similar al (rocedimiento 1P2.

'l igual /ue antes, se (arte (ara todos los casos de ' larmaC0, situación /ue semantendr mientras no se encuentre ning0n elemento en la secuencia cu)o valor-corr sea menor /ue el umbral con el /ue se est trabajando. Si encontramos enun frame un blob cu)o valor -corr no cum(le la condición anterior secom(robarn los Y frames siguientes antes de establecer /ue 'larmaC1. Esdecir

Si 'corr t Th ∀ t ⇒ .larma=0 ;

Si 'corr t =t 0Th y 'corr Th en -

2 1 de los - frames siguientes ⇒ .larma=1 ;

Si 'corr t =t 0Th y ' corr Th en -

2 1 de los - frames siguientes ⇒ .larma=0 ;

siendo t 0 un instante cual/uiera de la secuencia

Se com(robar la corres(ondencia de dica eti/ueta de clasificación de evento,con la eti/ueta inicial de cada secuencia 1&+'-AS&+ 2 de forma anloga al(rocedimiento H . Se incrementarn los valores de VP, FP, V# o F# tal /ue

',



Si INT'+SIN =1 y .larma=1 ⇒ &P =&P 1 ;

Si INT'+SIN =0 y .larma=1 ⇒ P = P 1 ;Si INT'+SIN =0 y .larma=0 ⇒ &N =&N 1 ;

Si INT'+SIN =1 y .larma=0 ⇒ N = N 1.


Th ∈ [−1? 1] donde Th=0.1

' (artir de los valores de la matri! construida con los datos anteriores se calcularla ra!ón de Verdaderos Positivos 1VP&2 ) la de falsos (ositivos 1FP&2, (ara cadavalor del umbral ) (ara el conjunto de las secuencias de (ruebas.


P9 RC-S: alarma en algEn %rame de la secuencia" com4robando %rames 4osteriores

0.3 esultados caso &ndoor

<8<2 Secuencias utilizadas 4ara las 4ruebas

Se muestra en la tabla siguiente la clasificación inicial de las secuenciasca(turadas en escenarios indoor. Dicas secuencias (ertenecen a tres escenariosinteriores diferentes. Siguiendo la misma nomenclatura /ue se utili!ó en ela(artado anterior (ara la definición de (rocedimientos se denotarn con&+'-AS&+C1 a/uellas secuencias consideradas alarmas verdaderas (or laa(arición de uno o varios intrusos ) con &+'-AS&+C0 las secuencias donde sea (roducido un cambio de iluminación.

Q .otal Secuencias &%!4$&5% O2 &%!4$&5% OK

H 4L 4J

.abla 2: Clasi%icaci3n inicial de secuencias *ndoor

<8<7 Curvas RC

Para este caso se evaluar el funcionamiento de los algoritmos 8En cuadrantes9,8En bounding bo"es com(letos9 ) 8En labeling (-"eles dentro del bounding bo"9,descritos en los a4artados 9<8<7" 9<8<8 # 9<8<9 res(ectivamente. Se re(resentarnde forma conjunta en un mismo grfico (ara obtener los resultados de cadaalgoritmo ) (oder com(ararlos entre s-.

50



Se describe a continuación la nomenclatura de las diferentes curvas /ue sere(resentarn en los grficos &BC.

• O cuadrantes6 curva &BC obtenida a (artir de los datos e"tra-dostras evaluar las de(endencias en los cuatro cuadrantes ) com(arando elvalor m-nimo con el valor del umbral 1ver 9<8<72. En este caso se anali!animgenes en niveles de gris.

• O cuadrantes rgb6 curva anloga a la anterior con la diferencia de/ue en este caso la correlación se calcular de forma inde(endiente encada (lano de color, siendo el valor final de -corr la media de -corrDr,-corrDg ! -corrDb.

• O b7bo6 curva &BC obtenida a (artir de los datos e"tra-dos trasevaluar la correlación del rea de los bounding bo"es /ue delimitan loselementos detectados con la misma rea del modelo de fondo )com(arndolos con el valor umbral 1ver 9<8<82. En este caso se anali!animgenes en niveles de gris.

• O b7bo rgb6 curva anloga a la anterior donde el valor de lacorrelación -corr se calcular como el valor medio de -corrDr, -corrDg !-corrDb.

• O lab7(iel6 curva &BC obtenida a (artir de los datos e"tra-dos tras

(rocesar las secuencias ) evaluar las de(endencias de los elementosdetectados con el modelo de fondo en los labeling (-"eless 1ver 9<8<92. Eneste caso se anali!an imgenes en niveles de gris.

• O lab7(iel rgb6 curva anloga a la anterior donde la correlación secalcular de forma inde(endiente en cada (lano de color, siendo el valorfinal de -corr la media de -corrDr, -corrDg ! -corrDb calculados (aracada uno de los (lanos.

Esta notación (ara las curvas re(resentadas se mantendr en todas las figuras/ue se inclu)en en este ca(-tulo.

Se muestran a continuación las grficas del caso Indoor de los (rocedimientosP2"P7"P8 # P9" en el orden indicado. Para los (rocedimientos H ) J las curvas sedesglosarn en dos grficas diferentes< una (ara las curvas calculadas conimgenes en niveles de gris ) otra (ara las de &%; (ara evitar el sola(e dealgunas de ellas.

51



Figura -7: Caso *ndoor" curvas RC P2

Figura -8: Caso *ndoor" curvas RC P7

52



Figura -9: Caso *ndoor" curvas RC P813a &BC corres(ondiente a lab(i"el es el cuadrado de rea 42

Figura -: Caso *ndoor" curvas RC P813a &BC corres(ondiente a lab(i"el rgb es el cuadrado de rea 42

5"



Figura -;: Caso *ndoor" curvas RC P9

Figura ->: Caso *ndoor" curvas RC P9

5%



• Comentarios

Como se (uede observar en todas las figuras anteriores, inde(endientemente del(rocedimiento de clculo, la curva @-- lab4i)el corres(ondiente al algoritmode clculo de correlación 8En labeling (-"eles dentro del bounding bo"9 es la /ue

muestra mejores resultados, seguida de las curvas CB&& bbo" ) CB&&cuadrantes.

Btra de las conclusiones /ue se e"traen a la vista de los grficos es /ue lascurvas corres(ondientes a imgenes en niveles de gris obtienen resultados mu)similares aun/ue ligeramente su(eriores a las curvas &%;.

Si anali!amos las grficas de las Figura -7 # -8 , donde recordamos /ue lastasas FP& ) VP& se calculaban como si cada frame de una secuencia fueseinde(endiente de los dems, se obtiene una reducción del G56 de la tasa defalsos (ositivos (ara un 56 ) un G6 de acierto en casos verdaderos (ositivos

res(ectivamente.

Sin embargo ning0n evento ca(turado (or una cmara de videovigilancia constade un 0nico frame, se trata de secuencias de imgenes de varios segundos deduración. Incluso en el (eor de los casos, donde un intruso intentase cru!ar elrea videovigilada a gran velocidad ) la tasa de imgenes (or segundo /ue seca(turan fuera mu) reducida se dis(one de ms de un frame donde a(arece elintruso. Seg0n lo anterior (odemos concretar /ue las grficas calculadasmediante los (rocedimientos PH ) PJ, donde se ten-a en cuenta la secuenciacom(leta, re(resentan los resultados /ue se obtendr-an si se im(lementan estosalgoritmos en un sistema real. ' (artir de este (unto ) tras la e"(licación anteriorse comentarn con ma)or detalle las curvas calculadas mediante dicos(rocedimientos.

'nali!ando las grficas de las Figura -9 # - , se observa una reducción del4556 de falsos (ositivos (rovocados (or cambios de iluminación (ara un 4556de acierto en la generación de alarmas verdaderas< una clasificación (erfectaseg0n se vio en el a4artado <2<8 . 3as curvas @-- lab4i)el alcan!an unatasa de reducción del L5LG6 (ara PJ 1ver Figuras -;" ->2, inferior a la anterior,de lo /ue se (uede concluir /ue es(erar un tiem(o (ara la generación de unaalarma resulta menos (rovecoso /ue tomar la decisión en cada instante.

<8<8 Curvas RC com4arativas

En relación con el comentario anterior se (ro(one mostrar las siguientes grficascom(arativas entre los (rocedimientos P4P ) PHPJ. De esta forma se (uedecom(robar la diferencia entre curvas ) as- observar mejor el com(ortamiento delas dos modalidades del (roceso de generación de alarmas.

5'



Figura -B: Caso *ndoor" curvas RC com4arativas P2 # P7

55



Figura -J: Caso *ndoor" curvas RC com4arativas P8 # P9 1En el grfico su(erior, la curva (ara &BC ) &BC rgb es el cuadrado de rea 42

5)



<8<9 .abla de clasi%icaci3n

3a siguiente tabla muestra la clasificación final de las secuencias anali!adas (aralos tres algoritmos evaluados utili!ando el (rocedimiento PH. En función de loanterior se mostrar el (orcentaje de reducción de falsos (ositivos, donde dico

valor se corres(onde con la clasificación obtenida cuando la tasa de verdaderos(ositivos alcan!a el valor m"imo, es decir VP&N4.

Como se mencionó anteriormente, al final del (rocesamiento cada una de lassecuencias se clasifica como larmaC1 o larmaC0. Se com(arar dicaclasificación con la eti/ueta inicial (ara com(utar las tasas finales de VP ) FP.

_ VP _ FP 6 &educción

Inicial 4L 4J 5

CB&& cuadrantes 4L G J.

CB&& bbo" 4L J 74.JH

CB&& lab(i"el 4L 5 455

.abla 7: Clasi%icaci3n %inal de secuencias *ndoor

58



0., esultados caso Outdoor diurno

<9<2 Secuencias utilizadas 4ara las 4ruebasSe muestra en la tabla siguiente la clasificación inicial de las secuenciasca(turadas en escenarios outdoor en condiciones diurnas. Siguiendo la mismanomenclatura /ue se utili!ó en el a(artado anterior (ara la definición de(rocedimientos se denotarn con &+'-AS&+C1 a/uellas secuenciasconsideradas alarmas verdaderas (or la a(arición de intrusos )o ve-culos ) con&+'-AS&+C0 las secuencias donde se a (roducido un cambio de iluminación.


4L 45 L

.abla 8: Clasi%icaci3n inicial de secuencias utdoor diurnas

<9<7 Curvas RC

De igual manera /ue en el caso indoor se evaluar el funcionamiento de losalgoritmos 8En cuadrantes9, 8En bounding bo"es com(letos9 ) 8En labeling (-"elesdentro del bounding bo"9, descritos en los a4artados 9<8<7" 9<8<8 # 9<8<9res(ectivamente. Se re(resentarn de forma conjunta en un mismo grfico (araobtener los resultados de cada algoritmo ) (oder com(ararlos entre s-.

Se muestran a continuación las grficas del caso Butdoor diurno de los(rocedimientos P2" P7" P8 # P9" tal ) como se i!o en el a4artado <8. Para los(rocedimientos H ) J las curvas se desglosarn en dos grficas diferentes< una(ara las curvas calculadas con imgenes en niveles de gris ) otra (ara las de&%; (ara evitar el sola(e de algunas de ellas.

5,



Figura -2K: Caso utdoor diurno" curvas RC P2

Figura -22: Caso utdoor diurno" curvas RC P7

13as curvas (ara CB&& bbo" ) bbo" rgb son (rcticamente iguales. Por otra (arte, la curva (araCB&& cuadrantes coincide (rcticamente con la de CB&& cuadradntes rgb.2

)0



Figura -27: Caso utdoor diurno" curvas RC P813as &BCs corres(ondientes a CB&& lab(i"el ) CB&& bbo" son elcuadrado de rea 4.2

Figura -28: Caso utdoor diurno" curvas RC P813as &BCs corres(ondientes a CB&& lab(i"el rgb ) CB&& bbo" rgb son el cuadrado de rea 42

)1



Figura -29: Caso utdoor diurno" curvas RC P913a &BC corres(ondiente a CB&& lab(i"el es el cuadrado de rea 4.2

Figura -2: Caso utdoor diurno" curvas RC P913a &BC corres(ondiente a CB&& lab(i"el rgb es el cuadrado de rea 4.2

)2



• Comentarios

Si anali!amos las grficas de las Figura -2K # -22 , donde recordamos /ue lastasas FP& ) VP& se calculaban como si cada frame de una secuencia fueseinde(endiente de los dems, el rea bajo las curvas CB&& bbo" es ligeramente

su(erior al rea bajo las curvas @-- lab4i)el a diferencia de lo /ue ocurr-a enel caso Indoor. Se obtiene una reducción del G56 de la tasa de falsos (ositivos(ara un 56 ) un L56 de acierto en casos verdaderos (ositivos res(ectivamente.

3as curvas @-- cuadrante" corres(ondientes al algoritmo de clculo decorrelación 8En Cuadrantes9 nos muestran /ue el com(ortamiento de estealgoritmo es bastante negativo en este escenario )a /ue VP&`FP&, lo /ue nosu(one ninguna mejora. Se trata de una clasificación aleatoria como se comentóen el a4artado <2<8.

De forma anloga a lo /ue suced-a en el caso Indoor, las curvas corres(ondientes

a imgenes en niveles de gris obtienen resultados mu) similares aun/ueligeramente su(eriores a las curvas &%;.

'nali!ando las grficas de las Figura -27 # -28, /ue como )a se comentósimboli!an los resultados reales, se observa una reducción del 4556 de falsos(ositivos (rovocados (or cambios de iluminación (ara un 4556 de acierto en lageneración de alarmas verdaderas (ara las curvas @-- lab4i)el ) (ara lascurvas CB&& bbo". Sin embargo (ara PJ 1ver Figuras -29" -22 las curvas@-- lab4i)el son la 0nicas /ue alcan!an ese mismo (orcentaje de reducción,siendo (ara el algoritmo 8En bounding bo"es com(letos9 del LL6 en lugar del4556. De nuevo se a obtenido una clasificación (erfecta (ara el algoritmo 8Enlabeling (-"eles dentro del bounding bo"9.

3as curvas @-- cuadrante" calculadas mediante PH ) PJ , al igual /ue suced-aen las (rimeras figuras, corroboran /ue el com(ortamiento de este m+todo no esnada satisfactorio.

<9<8 Curvas RC com4arativas

' continuación se muestran las grficas com(arativas entre los (rocedimientosP4P ) PHPJ. De esta forma se (uede com(robar la diferencia entre curvas )as- observar mejor el com(ortamiento de las dos modalidades del (roceso degeneración de alarmas, (ara concluir si interesa incluir un tiem(o de guarda )anali!ar varios frames consecutivos en este escenario.

)"



Figura -2;: Caso utdoor d$urno" curvas RC com4arativas P2 # P7

)%



Figura -2>: Caso *ndoor" curvas RC com4arativas P8 # P9 1%rfico su(erior todas las curvas corres(onden al cuadrado de rea 4. %rfico intermedio lascurvas corres(ondientes a &BC ) &BC rgb son el cuadrado de rea 4.2

)'



<9<9 .abla de clasi%icaci3n

3a siguiente tabla muestra la clasificación final de las secuencias anali!adas (aralos tres algoritmos /ue se an evaluado. En este caso se (rocesa la secuencia deforma global, tal /ue al final se clasifica como larmaC1 o larmaC0 . 3as tasas

finales de VP ) FP se calculan tras com(arar dica clasificación con la eti/uetainicial.

Se mostrar el (orcentaje de reducción de falsos (ositivos corres(ondiente a laclasificación obtenida cuando la tasa de verdaderos (ositivos alcan!a el valorm"imo, es decir VP&N4. Para esta clasificación se utili!a el (rocedimiento PH.


Inicial 45 L 5

CB&& cuadrantes 45 L 5

CB&& bbo" 45 5 455

CB&& lab(i"el 45 5 455

.abla 9: Clasi%icaci3n %inal de secuencias utdoor diurnas

)5



0.0 esultados caso Outdoor nocturno

<<2 Secuencias utilizadas 4ara las 4ruebasSe muestra en la tabla siguiente la clasificación inicial de las secuenciasca(turadas en escenarios outdoor en condiciones nocturnas. Se denotarn con&+'-AS&+C1 a/uellas secuencias consideradas alarmas verdaderas (or laa(arición de intrusos )o ve-culos ) con &+'-AS&+C0 las secuencias donde sea (roducido un cambio de iluminación.


J4 5 4

.abla : Clasi%icaci3n inicial de secuencias utdoor nocturnas

<<7 Curvas RC de di%erentes métodos 4robados 4ara condicionesnocturnas

Para este caso se evaluar el funcionamiento de los algoritmos 8En cuadrantes9,8En bounding bo"es com(letos9 ) 8En labeling (-"eles dentro del bounding bo"9,descritos en los a4artados 9<8<7" 9<8<8 # 9<8<9 res(ectivamente al igual /ue en losdos casos anteriores. Previamente se reali!arn una serie de correcciones )modificaciones a las imgenes, descritas en el a4artado 9<9<

?na de las (ro(uestas es el 8Estudio de otras regiones de clculo9 1ver a4artado9<9<22. Se describe a continuación la nomenclatura de las nuevas curvas incluidasen los grficos &BC donde se a am(liado la región de clculo de la correlación.

• O seg7(iel6 curva &BC obtenida a (artir de los datos e"tra-dos trascalcular la correlación en los (-"eles segmentados dentro de cadaboundingbo" .

• O seg7(iel7imagen6 curva &BC obtenida a (artir de los datos

e"tra-dos tras (rocesar las secuencias ) evaluar las de(endencias de loselementos detectados con el modelo de fondo en todos los (-"elessegmentados de la imagen com(leta.

Esta notación (ara las curvas re(resentadas se mantendr en todas las figuras/ue se inclu)en en este a(artado.

Se muestran a continuación las grficas del caso Butdoor en condicionesnocturnas de los (rocedimientos P2"P7"P8 # P9 en una misma figura. Cada unade las figuras se corres(onde con las diferentes (ro(uestas del a4artado 9<9 (ara

intentar reducir en ma)or medida las tasas de falsos (ositivos.

))



Figura -2B: Caso utdoor nocturno< Sin correcciones

• Comentarios

3as curvas re(resentadas en la Figura -2B se an obtenido del mismo modo /uelas de los casos Indoor ) Butdoor diurno, sin reali!ar ning0n ti(o de modificación alas imgenes de las secuencias utili!adas.

Como se a(recia en la grfica inferior i!/uierda, la tasa de reducción de falsos(ositivos es del 56 frente a la reducción del 4556 /ue ten-amos anteriormente.ueda (atente a la vista de los resultados la necesidad de introducirmodificaciones a los m+todos (ro(uestos (ara intentar reducir de forma mseficiente los falsos (ositivos debidos a cambios de iluminación 1ver a4artado9<92 .

' (esar de /ue las tasas no son mu) favorables se (uede destacar /ue la curva@-- lab4i)el sigue siendo la /ue muestra mejores resultados. 3a curva @--"eg4i)el, /ue com(utaba la correlación en los (-"eles marcados en la mscarade segmentación ) /ue (ertenec-an al rea del bounding bo" del elemento, tieneun com(ortamiento similar a la anterior aun/ue (eor. Sin embargo la curva @--"eg4i)el4imagen, /ue inclu-a en el clculo los (-"eles marcados como diferentesdel fondo de toda la imagen, muestra una tasa de reducción del 56 ) uncom(ortamiento similar al de @-- cuadrante" en los cuatro grficos /ue

com(onen la figura anterior.

)8



Figura -2J: Caso utdoor nocturno< liminaci3n del gradiente deiluminaci3n en el bounding bo

• Comentarios

3a Figura -2J muestra los resultados obtenidos tras eliminar el gradiente deiluminación en el rea del bounding bo" de cada elemento detectado a lo largo dela secuencia. Se elimina el gradiente de la imagen original ) el de la imagen defondo seg0n lo descrito en el a4artado 9<9<9 antes de calcular la correlación. #ose e"(ondrn los resultados de los a4artados 9<9<7" 9<9<8 ) 9<9< )a /ue siendo(rocedimientos mu) similares al de 8Eliminar gradiente de iluminación en elbounding bo" 1versión429, an arrojado (eores resultados.

3as curvas CB&& lab(i"el de las cuatro grficas 1P4,P,PH ) PJ2 de la figuraanterior demuestran /ue la corrección de la iluminación a su(uesto una mejoraconsiderable. En este caso se obtiene una reducción de la tasa de falsos (ositivosdel JH6 ) del J56, (ara los (rocedimientos PH ) PJ res(ectivamente, cuando latasa de verdaderos (ositivos es el 4556.

),



Figura -7K: Caso utdoor nocturno< liminaci3n de 4$eles blancos

• Comentarios

En el a4artado 9<9<; se (ro(on-a eliminar del cóm(uto de la correlación a/uellos(-"eles cu)a intensidad fuese su(erior a un umbral, es decir a/uellos (-"elesblancos saturados. Para las curvas anteriores dico umbral se a fijado en G.

Se muestra la curva @-- lab4i)el ) la misma curva tras eliminar los (-"elessaturados del blob a modo com(arativo. ' la vista de los resultados se (uedeafirmar /ue esta medida correctiva em(eora los resultados frente a no reali!arning0n ti(o de modificación a las imgenes de las secuencias.

80



Figura -72: Caso utdoor nocturno< Cambio de escala logar$tmico

• Comentarios

3a Figura -72 muestra los resultados obtenidos tras a(licar un cambio de escalade ti(o log1"Z42 a la imagen original ) al modelo de fondo (reviamente al clculode de(endencias entre dicas imgenes 1ver a4artado 9<9<>2.

Fijndose en la grfica inferior i!/uierda 1PH2, la tasa de reducción de falsos(ositivos es del 456 frente al 56 inicial cuando no se a(licaba ningunacorrección a las imgenes< no su(one una mejora sino un em(eoramiento.

81



Figura -77: Caso utdoor nocturno< Cambio de escala e4onencial

• Comentarios

3a Figura -77 muestra los resultados obtenidos tras a(licar un cambio de escalade ti(o "a a la imagen original ) al modelo de fondo (reviamente al clculo dede(endencias entre dicas imgenes. Estos resultados se an obtenido (ara aNH1escala c0bica2.

' diferencia de lo mostrado en la Figura -72" la tasa de reducción de falsos(ositivos es del 56, como en el m+todo inicial, al observar la grficacorres(ondiente a PH. Por lo tanto no se (roduce ni mejora ni em(eoramiento. En

cambio, al observar la grfica inferior dereca 1PJ2 s- se obtienen mejoresresultados /ue cuando no se trataban las imgenes de (artida.

82



Figura -78: Caso utdoor nocturno< Cálculo de la intensidad media de los4$eles vecinos

• Comentarios

3os resultados re(resentados en la Figura -78 se corres(onden con lacorrección descrita en el a4artado 9<9<B" donde se calculaba el valor medio deintensidad (ara cada (-"el en función de la intensidad de los (-"eles vecinos. Serestar dico valor medio tanto a la imagen original como a la imagen de fondoantes de evaluar la correlación entre ambas. En este caso se a utili!ado unamscara de 7"7 (-"eles.

3as tasas de reducción de falsos (ositivos son mu) similares a las obtenidas sinreali!ar modificaciones ) a otras de las re(resentadas en este a(artado. Sinembargo esta medida tiene una gran objeción /ue no ten-an las (ro(uestasanteriores, el tiem(o. El coste com(utacional es elevado ) el tiem(o de(rocesamiento de este m+todo no (ermitir-a a(licaciones en tiem(o real. Como sea mencionado en diferentes (untos de este (ro)ecto la solución (ro(uesta sedebe ajustar a las necesidades bsicas de un sistema de videovigilanciainteligente, (or lo tanto es necesario (rocesar como m-nimo JG frames (orsegundo (ara /ue se efectivo.

8"



<<8 Curvas RC del método con resultados más %avorables

Se muestran en este a(artado las grficas del (rocedimiento con el /ue se anobtenido mejores resultados (ara el caso Butdoor nocturno. Des(u+s de reali!arlas (ruebas e"(uestas en el a4artado <<7 se a com(robado la eficiencia de

combinar los diferentes m+todos.

3a Figura -2J demostraba /ue eliminar el gradiente de iluminación de formalocali!ada en el rea donde se encontraban los elementos detectados su(on-auna mejora sustancial. Debido a lo anterior esta medida de corrección se a(robado con todas las otras (ro(uestas. Btro de los m+todos /ue arrojabaresultados ligeramente su(eriores a la situación de (artida era a(licar un cambiode escala de ti(o e"(onencial.

De lo anterior se (uede deducir /ue la combinación de un cambio de escalaseguido de la eliminación del gradiente de iluminación consigue mejorar elcom(ortamiento de los algoritmos de medida de de(endencias (ara imgenesnocturnas o ca(turadas en condiciones de baja iluminación.

Se muestran a continuación las curvas &BC calculadas mediante los(rocedimientos P4, P, PH ) PJ, tal ) como se i!o en los casos Indoor ) Butdoordiurno.

Figura -79: Caso utdoor nocturno" curvas RC P2

8%



Figura -7: Caso utdoor nocturno" curvas RC P7

Figura -7;: Caso utdoor nocturno" curvas RC P8

8'



Figura -7>: Caso utdoor nocturno" curvas RC P9

• Comentarios

3as grficas de las Figura -79 # -7 , donde recordamos /ue las tasas FP& )VP& se calculaban como si cada frame de una secuencia fuese inde(endiente delos dems, el rea bajo las curvas CB&& lab4i)el bbo" es mu) su(erior al reabajo las dems curvas siguiendo la tendencia de los dos casos (revios. Seobtiene una reducción del G56 de la tasa de falsos (ositivos (ara un G6 ) un6 de acierto en casos verdaderos (ositivos res(ectivamente.

3as curvas @-- cuadrante" ) @-- "eg4i)el4imagen corres(ondientes a losm+todos de clculo de correlación en regiones ms e"tensas muestran uncom(ortamiento mu) negativo. Seg0n lo anterior se (uede concluir /ue anali!ar elrea donde se encuentran los elementos detectados resulta ms eficiente /uetrabajar con toda la imagen, (or tanto los resultados obtenidos an corroboradolas estrategias (ro(uestas inicialmente.

'nali!ando la grfica de la Figura -7; se a(recia /ue esta combinación dem+todos (ermite una reducción de casi un 756 de falsos (ositivos (rovocados(or cambios de iluminación (ara un 4556 de acierto en la generación de alarmasverdaderas (ara la curva @-- lab4i)el calculada mediante el (rocedimientoPara PJ 1ver Figura -7>2 la curva @-- lab4i)el muestra una reducción de casi

un J56 de los falsos (ositivos.

85



<<9 .abla de clasi%icaci3n

3a siguiente tabla muestra la clasificación final de las secuencias anali!adas (aralos cinco m+todos evaluados en este caso utili!ando el PH. En función de loanterior se mostrar el (orcentaje de reducción de falsos (ositivos, donde dico

valor se corres(onde con la clasificación obtenida cuando la tasa de verdaderos(ositivos alcan!a el valor m"imo, es decir VP&N4.

'l final del (rocesamiento cada una de las secuencias se clasifica como larmaC1o larmaC0. Se com(arar dica clasificación con la eti/ueta inicial (ara com(utarlas tasas finales de VP ) FP.


Inicial 5 4 5

CB&& cuadrantes 5 4 5

CB&& bbo" 5 47 4.5G

CB&& lab(i"el 5 7 .7

CB&& seg(i"el 5 4L 4J.

CB&& seg(i"elimagen 5 4 5

.abla ;: Clasi%icaci3n %inal de secuencias utdoor nocturnas

0.8 9alidación de esultados

<;<2 Métodos de validaci3n cruzadaPara la validación de resultados se ar uso de t+cnicas de validación cru!ada ocro""4validation. Se trata de una (rctica estad-stica /ue consiste en (artir unamuestra de datos en subconjuntos mutuamente e"clu)entes de tal modo /ue el

anlisis es inicialmente reali!ado en uno de ellos, mientras los otros subconjuntosson retenidos (ara su uso (osterior en la confirmación ) validación del anlisisinicial. Esta t+cnica se utili!a com0nmente en Inteligencia 'rtificial (ara validar losmodelos generados a (artir de un conjunto de datos o muestra ) fue introducida(or M.Stone en 47J H7.

3a validación cru!ada a(lica k veces la validación sim(le. Se divide en k conjuntosla muestra 1k4*old cro""4validation2 . En cada iteración se construir ) evaluar unmodelo, usando uno de los conjuntos como training "et ) el resto como te"t "et(ara medir el ratio de error del modelo construido HL. 'l final obteniendo lamedia aritm+tica de los ratios de error obtenidos conseguiremos el ratio de error

(ara la muestra final. 3a elección del valor A de(ender del tama:o )caracter-sticas de la muestra H.

8)



• Leave one out

En este (ro)ecto se utili!ar el m+todo leave4one4out cro""4validation /#@@V,/ue es un caso es(ecial de k4*old cro""4validation, donde k es igual al n0mero demuestras. Como su nombre sugiere, 8dejando uno fuera9, se deja una muestra

(ara la validación ) el resto de muestras com(onen el set de entrenamiento. Sere(ite el (roceso k veces de forma /ue cada una de las muestras se utilice unave! como test set. Se trata de un m+todo de validación de alto costecom(utacional )a /ue se necesita re(etir el (roceso de entrenamiento un n0meroelevado de veces J5.

<;<7 ,iseño de 4ruebas 4ara la validaci3n de resultados

Se re(resenta (ara cada uno de los tres casos 1Indoor, Butdoor diurno ) Butdoornocturno2 un figura con los valores de correlación de las secuencias ) el umbralresultante del (roceso de validación cru!ada mediante la t+cnica leave4one4out.

En estos grficos se re(resentan cada uno de los valores m-nimos de correlaciónobtenidos en las secuencias de (ruebas del caso Indoor, donde dicos valores sean calculado mediante el algoritmo 8En labeling (-"eles dentro del boundingbo"9. Se re(resenta 0nicamente un valor m-nimo (or secuencia )a /ue seconsidera /ue si dico valor tras com(ararlo con el umbral de correlación (rovocala generación de una alarma ser suficiente información (ara este (roceso de

validación. De igual manera si el valor m-nimo de correlación es su(erior al umbraldica secuencia no generar alarma en ning0n frame.

Se re(resentan mediante circulo verde los valores m-nimos corres(ondientes asecuencias (ertenecientes al conjunto de verdaderos (ositivos, eti/uetadas tal/ue &+'-AS&+ N4 siguiendo la misma nomenclatura /ue en a(artadosanteriores. Para las secuencias corres(ondientes a falsos (ositivos en laclasificación inicial 1&+'-AS&+ N52 se utili!an cruces rojas. Se re(resentantambi+n mediante l-nea continua el valor umbral.

Como se a mencionado en diferentes (untos de este (ro)ecto es necesarioclasificar correctamente todas las secuencias corres(ondientes a alarmasverdaderas. Debido a lo anterior se utili!arn sólo los valores m-nimos decorrelación de las secuencias &+'-AS&+ N4 (ara la determinación del umbral encada iteración. Por lo tanto seg0n el (rocedimiento leave4one4out se utili!arn losvalores m-nimos de correlación como set de entrenamiento dejando en cadaiteración uno fuera como valor de test. Es decir, (ara cada reali!ación el umbralse determina a (artir de los valores m-nimos de secuencias verdaderas /uerestan en el training "et . Por lo tanto cuando el valor de test (ertenece alsubconjunto de secuencias &+'-AS&+ N4 el valor umbral calculado (uede serdiferente al de otras reali!aciones, mientras /ue si el valor de test (ertenece al

subconjunto &+'-AS&+ N5 el umbral ser el /ue clasifica correctamente todoslos verdaderos (ositivos.

88



Para cada reali!ación el valor de test se com(ara con con el umbral determinadode forma /ue si dico valor es su(erior al umbral se clasificar con 'larmaN5 ) sies inferior con 'larmaN4. ' (artir de esta nueva clasificación obtendremos lastasas de verdaderos (ositivos ) falsos negativos de forma e/uivalente a los

(rocedimientos (ara la obtención de resultados descritos en el a4artado <7. Sere(resentarn las tasas de reducción de falsos (ositivos en una tabla com(arativaconjuntamente con las tasas corres(ondientes al algoritmo 8En labeling (-"elesdentro del bounding bo"9 e"tra-das del ca(-tulo de resultados. Esta tabla nosservir (ara validar los resultados obtenidos ) (resentados en a(artadosanteriores.

Se muestra a continuación la Figura -7B donde a(arece un diagramare(resentativo del (rocedimiento de validación de resultados reali!ado. En dicodiagrama se mantiene la nomenclatura utili!ada a lo largo de este ca(-tulo.

Figura -7B: Procedimiento 4ara la validaci3n de resultados

8,



<;<8 0alidaci3n de resultados del caso *ndoor

Figura -7J: 0alidaci3n de resultados 4ara caso *ndoor


CB&& lab(i"el 4L 5 455

$'S' validación 4L 5 455

.abla >: 0alidaci3n de las tasas de reducci3n de %alsos 4ositivos ensecuencias *ndoor

Comentarios

Como se a(recia en la grfica su(erior de la Figura -7J a (artir de los valoresm-nimos de correlación de las secuencias corres(ondientes con verdaderos(ositivos se a determinado un umbral 0nico. $ambi+n se a(recia /ue dicoumbral clasifica (erfectamente los cambios de iluminación, cu)os valores m-nimosestn (or encima del umbral (ara todas las secuencias.

3a tasa de reducción de falsos (ositivos obtenida (ara el umbral calculadomediante leave4one4out re(resenta la validación de los resultados /ue se(resentaban en la Figura -9 donde la curva @-- lab4i)el re(resentaba unareducción del 4556 de falsos (ositivos (ara un 4556 de detección de verdaderos

(ositivos< /uedan (or tanto validados los resultados (ara el caso Indoor.

,0



<;<9 0alidaci3n de resultados del caso utdoor diurno

Figura -8K: 0alidaci3n de resultados 4ara caso utdoor diurno


CB&& lab(i"el 45 5 455

$'S' validación 45 5 455

.abla B: 0alidaci3n de las tasas de reducci3n de %alsos 4ositivos ensecuencias utdoor diurnas

Comentarios

'l igual /ue en el caso Indoor, tras el (roceso de validación cru!ada se adeterminado un umbral 0nico como se muestra en la grfica su(erior de la Figura-8K . De igual modo, este umbral (ermite diferenciar los falsos (ositivos debidosa variaciones de iluminación de los verdaderos (ositivos debidos a la a(arición deintrusos o ve-culos en alg0n instante de la secuencia.

En la tabla anterior la tasa de reducción de falsos (ositivos obtenida (ara el

umbral calculado mediante leave4one4out re(resenta la validación de losresultados /ue se (resentaban en la Figura -27 donde la curva @-- lab4i)elmostraba nuevamente una clasificación (erfecta, con tasas de reducción de falsos(ositivos del 4556. Por lo tanto tras reali!ar el (roceso de leave4one4out (odemosconcretar /ue los resultados e"(uestos anteriormente (ara el caso Butdoor diurnoson fiables.

,1



<;< 0alidaci3n de resultados del caso utdoor nocturno

Figura -82: 0alidaci3n de resultados 4ara caso utdoor nocturno


CB&& lab(i"el 5 7 .7

$'S' validación 5 7 .7

.abla J: 0alidaci3n de las tasas de reducci3n de %alsos 4ositivos ensecuencias utdoor nocturnas

Comentarios

Para el caso Butdoor nocturno se a a(licado el (roceso de validación cru!ada ala combinación de correcciones descritas en el a4artado <<8 seguidas delalgoritmo de clculo de correlación 8En 3abeling (-"eles dentro del boundingbo"9 , )a /ue +ste es el (rocedimiento /ue arrojaba mejores resultados cuando setrabajaba con secuencias nocturnas 1ver Figura -7;2.

En este (roceso de validación tambi+n se a determinado un umbral 0nico comose muestra en la grfica su(erior de la Figura -82 . ' diferencia de los dos casosanteriores este umbral no (ermite clasificar correctamente todos los falsos(ositivos debidos a variaciones de iluminación. 'lgunas secuencias con cambiosde iluminación activarn el (roceso de generación de alarmas como si fueranverdaderos (ositivos debidos a la a(arición de intrusos o ve-culos en alg0ninstante de la secuencia. Debido a lo anterior, la tasa de reducción de falsos(ositivos obtenida (ara este umbral calculado mediante leave4one4out no muestrauna clasificación (erfecta como suced-a en los casos Indoor ) Butdoor diurno. Eneste caso la tasa de reducción de falsos (ositivos alcan!ada es del 76, sinembargo dica tasa es e/uivalente a la tasa de reducción re(resentada en la&BC de la Figura -82 /uedando validados los resultados del caso Butdoornocturno.

,2



; Conclusiones # traba)o %uturo

En este ca(-tulo se e"traern las conclusiones del trabajo reali!ado en este(ro)ecto, as- como (ro(oner algunas directrices (ara trabajos futurosrelacionados con la detección de cambios de iluminación ) b0s/ueda de nuevasa(licaciones en otros cam(os diferentes al de videovigilancia.

3as conclusiones e"(resadas a continuación se e"traen en su ma)or (arte de losresultados obtenidos ) mostrados en el ca4$tulo < Es decir, en función de lareducción de la tasa de falsos (ositivos conseguida, as- como en elcom(ortamiento en tiem(o real de las soluciones (ro(uestas.

8.1 onclusiones

' lo largo de este (ro)ecto se an desarrollado varios algoritmos con el fin dereducir los falsos (ositivos debidos a cambios de iluminación en sistemas dev-deovigilancia basados en detección de movimiento utili!ados (ara la detecciónde intrusos. Para ello, se (rocedió a reali!ar un e"austivo anlisis del (roblema,donde se identificaron los diferentes efectos (rovocados (or los cambios deiluminación ) se reali!ó una com(arativa con los efectos (rovocados (or intrusoso ve-culos /ue entraban en el rea videovigilada. ' (artir de dico estudio sereali!ó una distinción en tres casos Indoor, Butdoor diurno ) Butdoor nocturno.

Para cada uno de estos tres casos se reali!aron estudios de de(endenciasbasados en la correlación entre la imagen de fondo ) los elementos detectados enlas secuencias de video. Para la detección de dicos elementos, se utili!aront+cnicas de sustracción de fondo avan!adas e integradas en una erramienta(ara la segmentación de secuencias de video.

3os algoritmos dise:ados (ara el anlisis de de(endencias se an basadoconcretamente en el clculo del coeficiente de correlación del (roductomomentode Pearson. Se observó tras las (rimeras a(ro"imaciones /ue restringiendo elrea de clculo, los valores obtenidos (ara a/uellos objetos /ue (roven-an de uncambio de iluminación eran su(eriores a los valores de correlación obtenidos (araelementos detectados corres(ondientes con (ersonas )o ve-culos. $ras esto, se(rocedió a restringir el rea de clculo a imgenes truncadas /ue encuadrabanlos elementos o blobs detectados ) a com(utar 0nicamente los (-"eles /ueconformaban dicos blobs. 3os resultados obtenidos (ara estos m+todosmostraban una mejora sustancial, donde los valores de correlación obtenidos(ermit-an distinguir entre cambios de iluminación ) cambios (rovocados (orobjetos reales como (or ejem(lo intrusos.

El m+todo /ue a a(ortado mejores resultados, denominado en este PFC 8En

labeling (-"eles dentro del bounding bo"9, a (ermitido encontrar unacaracter-stica realmente diferenciadora.

,"



Mediante un umbral se a conseguido se(arar correctamente las secuenciasdonde ab-a cambios de iluminación ) las secuencias donde a(arec-an intrusos ove-culos. Es decir se an (odido clasificar las secuencias con cambios deiluminación como verdaderos negativos 1reduciendo as- la tasa de falsos (ositivosinicial2 ) las secuencias con motivos reales (ara la generación de alarma como

verdaderos (ositivos. Por tanto este sistema de reducción de falsos (ositivos noreduce los verdaderos (ositivos.

Para el caso Indoor, cu)os resultados an /uedado reflejados en el a4artado <8"se a alcan!ado una tasa de reducción de falsos (ositivos del 4556 manteniendosimultneamente la tasa de verdaderos (ositivos al 4556 como se a(recia en laFigura -9. Es decir, el algoritmo 8En labeling (-"eles dentro del bounding bo"9(ermitir-a distinguir la intrusión de una (ersona o ve-culo de un cambio deiluminación, de forma /ue no se generar-a ninguna falsa alarma en el sistema. 'dems se a ofrecido una com(arativa con el resto de m+todos im(lementados,un resumen de dica com(arativa /ueda (atente en la .abla 7<

' la vista de los resultados ofrecidos en el a4artado <9 del caso Butdoor diurno"concretamente deteni+ndose en la Figura -27" (odemos concluir /ue la tasa dereducción de falsos (ositivos tambi+n es del 4556 sin (erder ning0n caso deverdadero (ositivo. El m+todo 8En labeling (-"eles dentro del bounding bo"9 afuncionado de forma igualmente satisfactoria /ue en el caso Indoor, consiguiendo/ue el sistema no genere falsas alarmas debidas a cambios de iluminación. En la.abla 9 se mostraba una com(arativa de los diversos algoritmos, donde se a(odido observar /ue en este caso el m+todo 8En bounding bo"es com(letos9tambi+n alcan!aba una tasa de reducción de falsos (ositivos del 4556.

El caso Butdoor nocturno a su(uesto ma)or com(lejidad ) se an reali!ado unn0mero ma)or de (ruebas, )a /ue los m+todos /ue ofrec-an mu) buenosresultados (ara los casos Indoor ) Butdoor diurno no consegu-an reducir a(enasla tasa de falsos (ositivos en condiciones nocturnas. Para este caso se anllevado a cabo diversas t+cnicas de corrección de las imgenes de las secuenciasutili!adas. En el a4artado <<8 se ofrec-an las grficas del m+todo con resultadosms favorables, donde se combinaba un cambio de escala seguido de laeliminación del gradiente de iluminación antes de a(licar el clculo de lacorrelación. Con esto se consiguió mejorar el com(ortamiento de los algoritmosde medida de de(endencias (ara imgenes nocturnas o ca(turadas en

condiciones de baja iluminación. Como se a(recia en la Figura -7; (ara unatasa del 4556 en la detección de verdaderos (ositivos se a alcan!ado una tasade reducción de falsos (ositivos del ,76 mediante el algoritmo 8En labeling(-"eles dentro del bounding bo"9.

$ras la obtención de resultados se decidió utili!ar el m+todo de validación cru!adaleave4one4out (ara estimar las tasas de reducción de falsos (ositivos obtenidasen las (ruebas reali!adas. Este (roceso de validación se a llevado a cabo (arael m+todo 8En labeling (-"eles dentro del bounding bo"9, /ue es el /ue ofrec-amejores resultados, a(licndolo a los tres casos diferentes Indoor, Butdoor diurno) Butdoor nocturno.

,%



En las .ablas >"B # J se mostraba la tasa de reducción obtenida inicialmente ) latasa de reducción obtenida tras utili!ar el umbral calculado mediante leave4one4out (ara cada uno de los tres casos siendo coincidente en todos ellos. Por tanto el(roceso de cro""4validation a (ermitido validar los resultados.

Finalmente toda la labor reali!ada nos a (ermitido obtener resultados mu)favorables /ue an su(uesto el alcance del objetivo inicialmente (lanteado, /uedaba nombre ) motivaba el desarrollo de este (ro)ecto *Detección de falsos(ositivos en sistemas de v-deovigilancia debidos a cambios bruscos en lailuminación de la escena*

Se a logrado adems de detectar cambios de iluminación eliminar las falsasalarmas /ue (rovocan en los sistemas de videovigilancia, concretamente ensistemas inteligentes basados en detección de movimiento ) em(leados (ara ladetección de intrusos o ve-culos con fines de seguridad. 3a solución (ro(uesta(ermite eliminar en su totalidad las falsas alarmas en condiciones de iluminación

alta o media ) reducir considerablemente estas alarmas en condiciones de bajailuminación o en condiciones nocturnas, todo ello en tiem(o real.

El trabajo reali!ado a derivado en un (roceso de transferencia tecnológica )a/ue se integrar convenientemente en un sistema comercial. 's- mismo, estaintegración a suscitado la solicitud de una (atente con el t-tulo 8ME$BDB @DISPBSI$IVB DE DE$ECCI^# DE C'M;IB DE I3?MI#'CI^# P'&' SIS$EM'DE VISI^#9 con n0mero de solicitud EP 10382281.3.

8.2 !rabajo *uturo

' lo largo de este (ro)ecto se a eco inca(i+ en /ue los cambios deiluminación de(enden de varios factores como las diferentes fuentes de lu!e"istentes 1naturales ) artificiales2, el escenario donde se colocan los sistemas deca(tación, la calidad de las imgenes, etc. Esta variabilidad ace /ue los casosa/u- tratados ) los efectos descritos en el ca4$tulo 8 sean re(resentativos de este(roblema (ero no 0nicos. Esto conlleva la necesidad de continuar con esta l-neade trabajo (ara asegurar su valide! en otro ti(o de escenarios ) com(robar su

robuste! frente a situaciones ms e"tremas. Se sugiere tambi+n continuar la investigación utili!ando diferentes sistemas dedetección de movimiento (ara la segmentación de las secuencias, sobre todoa/uellos cu)o modelado de fondo inclu)e el tratamiento de los cambios deiluminación como los mencionados en el a4artado 7<8<8< Esto (odr-a mejorar elcom(ortamiento del sistema en una eta(a anterior a la /ue se (ro(one en este(ro)ecto.

' su ve!, el estudio de ms m+todos (ara el caso nocturno (uede a(ortar nuevasideas ) mejorar las tasas de reducción de falsas alarmas a las a(ortadas en este

documento.

,'



Btra futura l-nea de investigación es la e"tensión del sistema (ro(uesto cont+cnicas de mac$ine learning . Esto se (uede acer de dos formas diferentes (erocom(lementarias

1> usar las t+cnicas (ara descubrir caracter-sticas diferenciadoras de los

intrusos frente a cambio de iluminación, como (or ejem(lo as(ectos de lageometr-a de los blobs 1(ro(uesto en el a4artado 9<9<J de este (ro)ecto2,) entrenar un sistema de decisión usando dicas caracter-sticas<

2> (ara dotar a un sistema de la ca(acidad de a(render de errores (asados1falsas alarmas /ue an sido marcadas a (osteriori (or el usuario comotales2. De tal forma el usuario tendr-a un sistema cu)a eficiencia vamejorando a lo largo del tiem(o.

Por 0ltimo, se (ro(one acer estudios ms e"tensos de los cambios deiluminación atendiendo a sus caracter-sticas no sólo es(aciales sino tem(orales,lo cual (uede ser llevado a cabo tambi+n (or t+cnicas de macine learning /ue

e"traigan caracter-sticas de las secuencias de v-deo.

,5



,)



Re%erencias

4 Intelligent distributed surveillance s)stems a revieKM. Valera and S.'. Velastin. In &EE Proc.4Vi". &mage Signal Proce""., Vol. 12,+o. 2, ril 200

&onetti, #., and Dambra, C. U&ailKa) station surveillance te Italiancase. In Fore"ti, .#., Ma$onen, P., and -ega<<oni, .S. /Ed".9Multimedia Video Ba"ed Surveillance S!"tem"G />lu(er cademic Publi"$er", Bo"ton, 2000, . 13H20

H Pellegrini, M., and $onani, P. U>igKa) traffic monitoring.In -ega<<oni, .S., Fabri, ., and Verna<<a, . /Ed".9 dvanced Video4ba"ed Surveillance S!"tem"G />lu(er cademic Publi"$er",Bo"ton, 1II8

J Po!!obon, '., Sciutto, %., and &ecagno, V. USecurit) in (orts te user re/uirements for surveillance s)stem. In -ega<<oni, .S., Fabri, .,and Verna<<a, . /Ed".9 dvanced Video4ba"ed SurveillanceS!"tem"G />lu(er cademic Publi"$er", Bo"ton, 1II8

G & W Evans, E 3 ;rassington, 8Video Motion Processing For Event Detection 'nd Bter '((lications9. In &EE nnual on*erence on Vi"ual &mage Engineering,

V&E2003, Aniver"it! o* Surre!.

Intelligent netKorA video. ?nderstanding modern video surveillance s)stems.FredriA #ilsson, '"is Communications. C&C Press, 55L

7 Ou, M., and Ellis, $.UColourInvariant Motion Detection under fast IlluminationCanges. In -emagnino, P., Jone", .., Paragio", +., and -ega<<oni, .S. /Ed".9 Video4ba"ed Surveillance S!"tem"G />lu(er cademic Publi"$er", Bo"ton, 2002, . 101H120

L ;. lare and S. SarAar. ;acAground subtraction in var)ing illuminations using

an ensemble based on an enlarged feature set. In &EEE omuter Societ!on*erence on omuter Vi"ion and Pattern -ecognition Kork"$o", 200I

B. Waved, . Safi/ue, and M. Sa. ' ierarcical a((roac to robustbacAground subtraction using color and gradient information. In Motion and Videoomuting, Proceeding" o* Kork"$o on, (ages 7, 55.

45 S. Messelodi, C. Modena, #. Segata, and M. Ranin. '. alman filter basedbacAground u(dating algoritm robust to sar( illumination canges. In &&P200, 13t$ &nternational on*erence on &mage nal!"i" and Proce""ing , (ages4H475, 55G.

44 CC$V for securit) (rofessionals. 'lan &. Matcett. ;utterKort>einemann.

I



4 ;rodsA), $., Coen, &., CoenSolal, E., %utta, S., 3)ons, D.,Pilomin, V., and $rajAovic, M. UVisual surveillance in retail storesand in te ome. In dvanced Video4ba"ed Surveillance S!"tem"G />lu(er cademic Publi"$er", Bo"ton, 2001, $ater L, . 0H1

4H McIvor, '. 555. U;acAground subtraction tecni/ues. In Proceeding" o*&mage N Vi"ion omuting +e( Oealand 2000 &V+OG00 , &eveal 3imited, 'ucAland, #eK Realand.

4J '. McIvor, V. Rang, &. lette. U$e ;acAground Subtraction Problem for VideoSurveillance S)stems. &nternational Kork"$o -obot Vi"ion 2001, uckland, +e(Oealand, Februar! 2001.

4G Fida El ;af and $ierr) ;ouKmans. U&obust fu!!) statistical modeling ofd)namic bacAgrounds. In &- video".13 +ovember 200I, SP&E +e("room. @&9

10.11172.1200I11.18L2

4 M. Piccardi. U;acAground subtraction tecni/ues a revieK. In Proc. o* &EEESM 200L &nternational on*erence on S!"tem", Man and !bernetic", '$e%ague, '$e +et$erland", @ctober 200L.

47 Ceung S.C. and amat C. U&obust tecni/ues for bacAground subtraction inurban traffic video. Video ommunication" and &mage Proce""ing, SP&EElectronic &maging, San Jo"e, 200L.

4L'med M. Elgammal, David >arKood, and 3arr) S. Davis. U#on(arametricmodel for bacAground subtraction. &n Proceeding" o* t$e t$ Euroeanon*erence on omuter Vi"ion4Part &&, age" 71H77. Sringer4Verlag, 2000.

4 Com(uter Vision and Image (rocessing. S. #agabusana. #eK 'geInternational Publisers

5 C. Stauffer and Y. %rimson. U'da(tive bacAground mi"turemodels for realtime tracAing. In &EEE on*erence on omuter Vi"ion and Pattern -ecognition, volume , 4.

4 @ing3i $ian, Ma" 3u, and 'run >am(a(ur. U&obust and Efficient Foreground 'nal)sis for &ealtime Video Surveillance. In Proceeding" o* t$e 200 &EEEomuter Societ! on*erence on omuter Vi"ion and Pattern -ecognition/VP-0 4 Volume 1 4 Volume 01

Ding @ing, 3i Yenui, Fan Wingtao and @ang >uamin. U&obust moving objectdetection under com(le" bacAground. In omuter Science and &n*ormationS!"tem" omS&S , 2010, vol. 7, br. 1, "tr. 2014210

H C. &idder, B. MunAelt, and >. ircner. U'da(tive bacAground estimation andforeground detection using Aalman filtering. In Proc. &M , (ages 4H4, 4G.

II



J CvetAovic, S.D., ;aAAer, Peter, Scirris, W., Yit, P.>.#. de 1552.U;acAground estimation and ada(tation model Kit ligtcange removal foreavil) coKnsam(led video surveillance signals. In Proceeding" o* t$e &EEE&nternational on*erence on &mage Proce""ing /&&P 200, @ctober 8411, 200,

tlanta, eorgia. /. 182I41832.

G %. %ordon, $. Darrell, M. >arville, W. Yoodfill. U;acAground estimation andremoval based on range and color. In Proceeding" o* t$e &EEE omuter Societ!on*erence on omuter Vi"ion and Pattern -ecognition, 1Fort Collins, CB2, Wune4.

@uri Ivanov, 'aron ;obicA and Won 3iu . UFast 3igting Inde(endent;acAground Subtraction. In &nternational Journal o* omuter Vi"ion, volume 37,number 2, /. 1II4207, June 2000

7 Sernam 3im, 'nurag Mittal, 3arr) S. Davis, and #iAos Paragios. UFastilluminationinvariant bacAground subtraction using tKo vieKs Error anal)sis,sensor (lacement and a((lications. In &EEE on*erence on omuter Vi"ion and Pattern -ecognition /VP-G0, 191071H1078, 200.

L Paulidis, I., and Morellas, V. U$Ko e"am(les of indoor and outdoorsurveillance s)stems. In -emagnino, P., Jone", .., Paragio", +., and-ega<<oni, .S. /Ed".9 Video4ba"ed Surveillance S!"tem"G />lu(er cademicPubli"$er", Bo"ton, 2002, . 3IH1

Yiset(anicAij, S., Dejan, ., Ceevasuvit, F., Mitata S., >an(i(at(ongsa,S. U'n im(rovement of geometric correlation of satellite image, 1It$ "ianon*erence on -emote Sen"ing ,4L.

H5 >. 3u and P.D. Car). UDeformation measurements b) digital image correlationIm(lementation of a secondorder dis(lacement gradient. In E)erimentalMec$anic" Volume L0, +umber L, 3I34L00

H4 . Pearson, UMatematical contributions to te teor) of evolution. III.&egression, eredit) and (anmi"ia. Pilos. $rans. &o)al Soc. 3ondon Ser. ' , 4L714L2 ((. GHH4L

H tt(KKK.matKorAs.com

HH. Egan, W. P. 147G2. Signal Detection $eor) and &BC 'nal)sis. Series inognitition and Percetion. cademic Pre"", #eK @orA.

HJ. SKets, W. 14LL2. UMeasuring te accurac) of diagnostic s)stems. Science,2L0 , 4LG4H.

HG. S(acAman, . '. 14L2. USignal detection teor) Valuable tools forevaluating inductive learning . In Proceeding" o* t$e Si)t$ &nternational Kork"$o

on Mac$ine #earning , ((. 454H San Mateo, C'. Morgan aufman.

III



H. FaKcett, $. 155J2 U&BC %ra(s #otes and Practical Considerations forData Mining &esearcers . 'ec$nical reort. Palo lto, AS9 %P #aboratorie".

H7 Stone, M. 147J2. UCrossvalidator) coice and assessment of statistical

(rediction. J.-o!al Stati"tical Societ!, B, 3, 11141L7.

HL Stone M. 147L2 UCrossvalidation a revieK, Mat$. @eration*or"c$. Stati"t.,Ser. Stati"tic", , 474H.

H oavi, &on 14G2 U' stud) of crossvalidation and bootstra( for accurac)estimation and model selection. In Proceeding" o* t$e Fourteent$ &nternationalJoint on*erence on rti*icial &ntelligence 2 /12. . 1137411L3. /San Mateo,Morgan >au*man

J5 'ndreK Y. Moore. UCrossvalidation for detecting and (reventing overfitting.

Sc$ool o* omuter Science. arnegie Mellon Aniver"it!.$tt9(((.c".cmu.eduQa(mtutorial"

IV



!D !: Presu4uesto

4. Material

• Com(ra de ordenador (ersonal 555 • Material de oficina 4G5 • $otal de ejecución material 4G5

. %astos generales

• 4L 6 sobre Ejecución Material HL7

H. ;eneficio Industrial

• 6 sobre Ejecución Material 4

J. >onorarios Pro)ecto

• 755 oras a 4G ora 45.G55

G. Material fungible

• %astos de im(resión 45 • Encuadernación 5 • $otal de Material fungible 4L5

. Subtotal del (resu(uesto

• Subtotal Presu(uesto 4H.HJ

7. $otal (resu(uesto

• 4L6 Subtotal Presu(uesto J5,L • $otal Presu(uesto 4G7JL,L

Madrid, #oviembre de 5453a Ingeniera Wefa del Pro)ecto

Fdo. Sara &odr-gue! %on!le!Ingeniera Su(erior de $elecomunicación

V



!D (: Pliego de Condiciones

Este documento contiene las condiciones legales /ue guiarn la reali!ación, eneste (ro)ecto, de etecci?n de *al"o" o"itivo" en "i"tema" de vRdeovigilanciadebido" a cambio" bru"co" en la iluminaci?n de la e"cena . En lo /ue sigue, sesu(ondr /ue el (ro)ecto a sido encargado (or una em(resa cliente a unaem(resa consultora con la finalidad de reali!ar dico sistema. Dica em(resa adebido desarrollar una l-nea de investigación con objeto de elaborar el (ro)ecto.Esta l-nea de investigación, junto con el (osterior desarrollo de los (rogramas estam(arada (or las condiciones (articulares del siguiente (liego.Su(uesto /ue la utili!ación industrial de los m+todos recogidos en el (resente(ro)ecto a sido decidida (or (arte de la em(resa cliente o de otras, la obra areali!ar se regular (or las siguientes

Condiciones generales

4. 3a modalidad de contratación ser el concurso. 3a adjudicación se ar,(or tanto, a la (ro(osición ms favorable sin atender e"clusivamente alvalor económico, de(endiendo de las ma)ores garant-as ofrecidas. 3aem(resa /ue somete el (ro)ecto a concurso se reserva el dereco adeclararlo desierto.

. El montaje ) mecani!ación com(leta de los e/ui(os /ue intervengan

ser reali!ado totalmente (or la em(resa licitadora.

H. En la oferta, se ar constar el (recio total (or el /ue se com(romete areali!ar la obra ) el tanto (or ciento de baja /ue su(one este (recio enrelación con un im(orte l-mite si este se ubiera fijado.

J. 3a obra se reali!ar bajo la dirección t+cnica de un Ingeniero Su(erior de$elecomunicación, au"iliado (or el n0mero de Ingenieros $+cnicos )Programadores /ue se estime (reciso (ara el desarrollo de la misma.

G. '(arte del Ingeniero Director, el contratista tendr dereco a contratar al

resto del (ersonal, (udiendo ceder esta (rerrogativa a favor del IngenieroDirector, /uien no estar obligado a ace(tarla.

. El contratista tiene dereco a sacar co(ias a su costa de los (lanos,(liego de condiciones ) (resu(uestos. El Ingeniero autor del (ro)ectoautori!ar con su firma las co(ias solicitadas (or el contratista des(u+s deconfrontarlas.

7. Se abonar al contratista la obra /ue realmente ejecute con sujeción al(ro)ecto /ue sirvió de base (ara la contratación, a las modificacionesautori!adas (or la su(erioridad o a las órdenes /ue con arreglo a susfacultades le a)an comunicado (or escrito al Ingeniero Director de obrassiem(re /ue dica obra se a)a ajustado a los (rece(tos de los (liegos de

VI



condiciones, con arreglo a los cuales, se arn las modificaciones ) lavaloración de las diversas unidades sin /ue el im(orte total (ueda e"cederde los (resu(uestos a(robados. Por consiguiente, el n0mero de unidades/ue se consignan en el (ro)ecto o en el (resu(uesto, no (odr servirle defundamento (ara entablar reclamaciones de ninguna clase, salvo en los

casos de rescisión.

L. $anto en las certificaciones de obras como en la li/uidación final, seabonarn los trabajos reali!ados (or el contratista a los (recios deejecución material /ue figuran en el (resu(uesto (ara cada unidad de laobra.

. Si e"ce(cionalmente se ubiera ejecutado alg0n trabajo /ue no seajustase a las condiciones de la contrata (ero /ue sin embargo esadmisible a juicio del Ingeniero Director de obras, se dar conocimiento a laDirección, (ro(oniendo a la ve! la rebaja de (recios /ue el Ingeniero

estime justa ) si la Dirección resolviera ace(tar la obra, /uedar elcontratista obligado a conformarse con la rebaja acordada.

45. Cuando se ju!gue necesario em(lear materiales o ejecutar obras /ueno figuren en el (resu(uesto de la contrata, se evaluar su im(orte a los(recios asignados a otras obras o materiales anlogos si los ubiere )cuando no, se discutirn entre el Ingeniero Director ) el contratista,someti+ndolos a la a(robación de la Dirección. 3os nuevos (reciosconvenidos (or uno u otro (rocedimiento, se sujetarn siem(re alestablecido en el (unto anterior.

44. Cuando el contratista, con autori!ación del Ingeniero Director de obras,em(lee materiales de calidad ms elevada o de ma)ores dimensiones de loesti(ulado en el (ro)ecto, o sustitu)a una clase de fabricación (or otra /uetenga asignado ma)or (recio o ejecute con ma)ores dimensiones cual/uierotra (arte de las obras, o en general, introdu!ca en ellas cual/uiermodificación /ue sea beneficiosa a juicio del Ingeniero Director de obras,no tendr dereco sin embargo, sino a lo /ue le corres(onder-a si ubierareali!ado la obra con estricta sujeción a lo (ro)ectado ) contratado.

4. 3as cantidades calculadas (ara obras accesorias, aun/ue figuren (or

(artida al!ada en el (resu(uesto final 1general2, no sern abonadas sino alos (recios de la contrata, seg0n las condiciones de la misma ) los(ro)ectos (articulares /ue (ara ellas se formen, o en su defecto, (or lo /ueresulte de su medición final.

4H. El contratista /ueda obligado a abonar al Ingeniero autor del (ro)ecto )director de obras as- como a los Ingenieros $+cnicos, el im(orte de susres(ectivos onorarios facultativos (or formación del (ro)ecto, direcciónt+cnica ) administración en su caso, con arreglo a las tarifas ) onorariosvigentes.

4J. Concluida la ejecución de la obra, ser reconocida (or el IngenieroDirector /ue a tal efecto designe la em(resa.

VII



4G. 3a garant-a definitiva ser del J6 del (resu(uesto ) la (rovisional del6.4. 3a forma de (ago ser (or certificaciones mensuales de la obraejecutada, de acuerdo con los (recios del (resu(uesto, deducida la baja si

la ubiera.

47. 3a feca de comien!o de las obras ser a (artir de los 4G d-asnaturales del re(lanteo oficial de las mismas ) la definitiva, al a:o de aberejecutado la (rovisional, (rocedi+ndose si no e"iste reclamación alguna, ala reclamación de la fian!a.

4L. Si el contratista al efectuar el re(lanteo, observase alg0n error en el(ro)ecto, deber comunicarlo en el (la!o de /uince d-as al IngenieroDirector de obras, (ues transcurrido ese (la!o ser res(onsable de lae"actitud del (ro)ecto.

4. El contratista est obligado a designar una (ersona res(onsable /ue seentender con el Ingeniero Director de obras, o con el delegado /ue +stedesigne, (ara todo relacionado con ella. 'l ser el Ingeniero Director deobras el /ue inter(reta el (ro)ecto, el contratista deber consultarlecual/uier duda /ue surja en su reali!ación.

5. Durante la reali!ación de la obra, se girarn visitas de ins(ección (or(ersonal facultativo de la em(resa cliente, (ara acer las com(robaciones/ue se crean o(ortunas. Es obligación del contratista, la conservación de laobra )a ejecutada asta la rece(ción de la misma (or lo /ue el deterioro(arcial o total de ella, aun/ue sea (or agentes atmosf+ricos u otras causas,deber ser re(arado o reconstruido (or su cuenta.

4. El contratista, deber reali!ar la obra en el (la!o mencionado a (artir dela feca del contrato, incurriendo en multa, (or retraso de la ejecuciónsiem(re /ue +ste no sea debido a causas de fuer!a ma)or. ' la terminaciónde la obra, se ar una rece(ción (rovisional (revio reconocimiento )e"amen (or la dirección t+cnica, el de(ositario de efectos, el interventor ) el jefe de servicio o un re(resentante, estam(ando su conformidad elcontratista.

. >eca la rece(ción (rovisional, se certificar al contratista el resto de laobra, reservndose la administración el im(orte de los gastos deconservación de la misma asta su rece(ción definitiva ) la fian!a duranteel tiem(o se:alado como (la!o de garant-a. 3a rece(ción definitiva se aren las mismas condiciones /ue la (rovisional, e"tendi+ndose el actacorres(ondiente. El Director $+cnico (ro(ondr a la Wunta Económica ladevolución de la fian!a al contratista de acuerdo con las condicioneseconómicas legales establecidas.

H. 3as tarifas (ara la determinación de onorarios, reguladas (or orden de

la Presidencia del %obierno el 4 de Bctubre de 44, se a(licarn sobre eldenominado en la actualidad 8Presu(uesto de Ejecución de Contrata9 )

VIII



anteriormente llamado 9Presu(uesto de Ejecución Material9 /ue o)designa otro conce(to.

Condiciones 4articulares

3a em(resa consultora, /ue a desarrollado el (resente (ro)ecto, lo entregar ala em(resa cliente bajo las condiciones generales )a formuladas, debiendoa:adirse las siguientes condiciones (articulares

4. 3a (ro(iedad intelectual de los (rocesos descritos ) anali!ados en el(resente trabajo, (ertenece (or entero a la em(resa consultorare(resentada (or el Ingeniero Director del Pro)ecto.

. 3a em(resa consultora se reserva el dereco a la utili!ación total o(arcial de los resultados de la investigación reali!ada (ara desarrollar el

siguiente (ro)ecto, bien (ara su (ublicación o bien (ara su uso en trabajoso (ro)ectos (osteriores, (ara la misma em(resa cliente o (ara otra.

H. Cual/uier ti(o de re(roducción a(arte de las rese:adas en lascondiciones generales, bien sea (ara uso (articular de la em(resa cliente,o (ara cual/uier otra a(licación, contar con autori!ación e"(resa ) (orescrito del Ingeniero Director del Pro)ecto, /ue actuar en re(resentaciónde la em(resa consultora.

J. En la autori!ación se a de acer constar la a(licación a /ue se destinansus re(roducciones as- como su cantidad.

G. En todas las re(roducciones se indicar su (rocedencia, e"(licitando elnombre del (ro)ecto, nombre del Ingeniero Director ) de la em(resaconsultora.

. Si el (ro)ecto (asa la eta(a de desarrollo, cual/uier modificación /ue serealice sobre +l, deber ser notificada al Ingeniero Director del Pro)ecto ) acriterio de +ste, la em(resa consultora decidir ace(tar o no la modificación(ro(uesta.

7. Si la modificación se ace(ta, la em(resa consultora se ar res(onsableal mismo nivel /ue el (ro)ecto inicial del /ue resulta el a:adirla.

L. Si la modificación no es ace(tada, (or el contrario, la em(resa consultoradeclinar toda res(onsabilidad /ue se derive de la a(licación o influenciade la misma.

. Si la em(resa cliente decide desarrollar industrialmente uno o varios(roductos en los /ue resulte (arcial o totalmente a(licable el estudio deeste (ro)ecto, deber comunicarlo a la em(resa consultora.

45. 3a em(resa consultora no se res(onsabili!a de los efectos laterales/ue se (uedan (roducir en el momento en /ue se utilice la erramienta

I



objeto del (resente (ro)ecto (ara la reali!ación de otras a(licaciones.

44. 3a em(resa consultora tendr (rioridad res(ecto a otras en laelaboración de los (ro)ectos au"iliares /ue fuese necesario desarrollar(ara dica a(licación industrial, siem(re /ue no aga e"(l-cita renuncia a

este eco. En este caso, deber autori!ar e"(resamente los (ro)ectos(resentados (or otros.

4. El Ingeniero Director del (resente (ro)ecto, ser el res(onsable de ladirección de la a(licación industrial siem(re /ue la em(resa consultora loestime o(ortuno. En caso contrario, la (ersona designada deber contarcon la autori!ación del mismo, /uien delegar en +l las res(onsabilidades/ue ostente.



!D C: !creditaci3n de méritos

I



II

tesis_detección de falsos positivos en sistemas de videovigilancia debidos a cambios en la...

Documents