Iván Gómez CondeDavid Olivieri Cecchi, Xosé Antón Vila Sobrino, Leandro Rodríguez Liñares

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)

Software C++

OpenCV (Open Source Computer Vision)

Qt

Octave

¿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

Monitorización mediante vídeo

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]

Running average

Nf = 150 frames

Gaussian Mixture Model

Método de P. KadewTraKuPong and R. Bowden (2001)

Comparativa (% píxeles de error)

Falsos negativos en los frames capturados

Comparativa (% píxeles de error)

Falsos positivos en los frames capturados

Comparativa (mejores casos)

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

Seguimiento (tracking) Posición desde t a t+1

x = xo + vt

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

ConclusionesSeguimiento

Sustracción de fondo (running average, mixture gaussianmodel…)

Necesidad de continuo movimiento

Ajuste de parámetros manualmente

Basado en histogramas de color

Acciones

Discriminación mediante histogramas

Rápida ejecución

No es robusto