Ivan gomez cisti2010
-
Upload
ivangomezconde -
Category
Technology
-
view
1.617 -
download
3
Transcript of Ivan gomez cisti2010
Índice ¿Cuál es la problemática que existe en la actualidad?
¿Qué pretendemos resolver?
¿Qué existe hoy en día para conseguirlo?
¿Cuál ha sido nuestra contribución?
Conclusiones
Problemática actual El envejecimiento actual de la población no tiene
precedentes en la historia.
o % personas (60 años y más)
o % niños (menos de 15 años)
o Año 2050, % mayores % niños
o Problemas:
Sociológico
Económico
Computer Vision puede ser la solución!!Monitorización en el hogar para detectar eventos anormales
Teleasistencia Es un campo que abarca múltiples tecnologías:
Audio
Localización en interiores (bluetooth, RFID…)
Monitorización de signos
vitales (temperatura, ritmocardíaco…)
Vídeo (detección de eventos, no se almacenan las imágenes)
¿Qué aporta la monitorización? Detección de eventos anormales en hogares de personas
de avanzada edad.
Monitorización, teleasistencia
Procesamiento mediante “machine learning”
Captar información y conocimiento
Inferencia de acciones y comportamientos
Monitorización mediante vídeo Computer Vision (CV) aplicada a videovigilancia y
monitorización es un campo muy activo en investigación.
Detección de movimiento
Segmentación de objetos
y seguimiento
Determinar acciones
Sustracción de fondo El primer problema a resolver es extraer el fondo
Existen problemas derivados de cambios de iluminación, sombras, fondos dinámicos (nubes, hojas moviéndose, tráfico)…
Fondo estático
Diferenciación
temporal
Flujo óptico
Diferenciación temporal La diferenciación temporal (running average): media de
los fondos de los Nf frames anteriores al actual.
At(Nf) = (1-α) At-1(Nf) + α It
A = Matriz de pixelsacumulados
I = Imagen
Nf = nº de frames utilizados
α = ponderación Є [0,1]
Detección de personas Diferentes métodos para la detección de personas en el
vídeo.
Regiones estáticas
Contornos activos
Vector de Características
Modelos humanos
Detección de personas Los objetos de primer plano “blobs” rectangulares.
detectar blob
mientras (∃ blob) hacer
aplicar máscara
crear histograma de color
aproximar mediante gauss
crear vector de características
detectar blob
fin mientras
Detección de personas
Vector de características
Tamaño y coordenadas del
centro
Componentes RGB
Vector de movimiento
Discriminación de objetos
Diferencia normalizada del canal rojo
Dif
eren
cia
nor
ma
liza
da
del
ca
na
l ver
de
Seguimiento (tracking) Una vez caracterizados los blobs, realizamos el tracking.
Problemas:
Entrada y salida del campo de visión
Cambio de perspectiva
Cruce de objetos
Gráfica de tiempos
Bg-Fg Seg. Blob Detection Normal Video Video con Qt
Frame 1 28.3 ms 168.5 ms 33.2 ms 2.5 ms
Frame 30 847.5 ms 5065.4 ms 997.2 ms 75.82 ms
Frame 361 10198.2 ms 60954.1 ms 12000 ms 912.36 ms
Detección de acciones
Posiciones básicas del cuerpo
Estar de pie
Tumbado en el
suelo
Histograma normalizado
Detección de acciones Posiciones de los
brazos
Basados en la distribución de masas
Suma de todos los colores verticalmente
∑i=1 PixeliNp
Np = nº total de píxels
i = índice en el eje Y de la imagen
Discriminación de acciones
Figure 1 Figure 2 Figure 3
µ 0.54 0.33 0.44
σ 0.21 0.17 0.21
µ3
0.17 3.99 3.12