Behavior detection models using computer vision applied to security systems
Manuel Alvar Miró · Dialnet (Universidad de la Rioja) · 2014
Esta tesis propone un modelo completo para la deteccion de comportamientos anomalos usando tecnicas de Vision por Computador. Como resultado de ella se presenta el modelo basico de todo sistema de seguridad enfocado a la deteccion de anomalias compuesto por tres grandes bloques: deteccion de movimiento, seguimiento de objetos interesantes y analisis del comportamiento. El trabajo de investigacion comienza abordando el problema de la deteccion de movimiento. Se revisan los algoritmos mas ampliamente usados en la literatura tecnica analizando los mas interesantes, asi como sus ventajas e inconvenientes. A continuacion se proponen dos modelos originales para la deteccion de movimiento de manera eficiente, centrados en la reduccion del tiempo de calculo consumido: los modelos SDGM y MMGA. El primero, partiendo de la informacion de donde se encuentran las entradas y salidas de la escena analizada, reduce ampliamente el espacio de busqueda a las zonas de interes. El segundo, a traves de la aplicacion innovadora del proceso de actualizacion del RTDENN a los modelos de sustraccion de fondo, disminuye el tiempo de actualizacion considerablemente. Estas reducciones de tiempo se consiguen sin perder precision en la deteccion, al mantener constante la tasa de fallos. El tiempo ahorrado gracias a dichos modelos esta disponible para el modelo de analisis del comportamiento, permitiendo asi que el modelo completo de deteccion de anomalias se pueda ejecutar en tiempo real, esencial en una aplicacion de vigilancia o seguridad. La salida del modelo de deteccion de movimiento se usa en el apartado de seguimiento. Cada conjunto de pixeles, denominados blobs, debe ser analizado para obtener de manera robusta las trayectorias de los diferentes objetos y personas que han atravesado la escena bajo vigilancia. Por una parte, el algoritmo propuesto construye unos histogramas que almacenan la informacion sobre los colores de los cuales esta compuesto cada blob. Por otra parte, se descomponen los posibles problemas a afrontar en seis casos. De esta manera, se automatiza la solucion de cada uno de ellos, permitiendo una resolucion rapida. Los casos se diferencian en el numero de blobs existentes en el fotograma actual, y el numero de objetos que se habian detectado en el fotograma anterior. Tanto los unos como los otros se casan entre si usando la informacion guardada en los histogramas mencionados, obteniendo asi todos los puntos por donde cada objeto ha pasado. Los problemas de oclusiones se resuelven guardando la informacion de los objetos ocluidos por otros objetos, de manera que pueda ser usada mas adelante cuando vuelvan a aparecer los objetos ocluidos. El algoritmo permite, pues, construir la trayectoria de los objetos visibles, y una red de posibles trayectorias con diferentes probabilidades para cada objeto ocluido. Por ultimo, la tesis presenta un modelo de deteccion de anomalias usando la informacion recogida durante el seguimiento de personas. A partir de una muestra de trayectorias no supervisadas, el modelo se entrena para formar los conjuntos de comportamientos considerados normales. Por primera vez se usan los Dominant Sets (DS) como tecnica de creacion de conjuntos en una aplicacion de analisis del comportamiento, permitiendo crear un sistema de seguridad de facil instalacion. Una vez entrenado, el modelo es capaz de detectar que comportamientos son normales, y hacer saltar una alarma en caso de observar un comportamiento desconocido. Los resultados obtenidos muestran que la aplicacion de DS a un sistema de vigilancia supera otros metodos para la deteccion de anomalias.