Estudio de un Sistema de Videovigilancia con Imágenes de Baja Calidad

Abstract

Uno de los objetivos principales de la videovigilancia inteligente es la detección de personas para tratar de entender, aprender y reconocer sus comportamientos normales y anormales. Con este propósito, en esta tesis se presenta un sistema de videovigilancia que tiene la capacidad de describir los objetos presentes en imágenes reales de escala pequeña y de baja calidad, en ambientes de exteriores; con la finalidad de localizar e identificar la presencia de seres humanos y detectar trayectorias con comportamientos diferentes. En esta tesis se propone la modificación y mejora de dos técnicas. La primera de ellas es un detector local alternativo a los actuales, capaz de extraer características locales y representar a los objetos presentes en regiones pequeñas. La técnica propuesta se denominó detector local GSIFT ya que se basa en la combinación de los filtros Gabor y el descriptor local SIFT. La segunda técnica propuesta es un algoritmo de agrupamiento denominado pamTOK (pam Tree Out K), el cual estima de manera automática el número de categorías en que es conveniente separar el conjunto de datos analizado; encontrando los modelos correspondientes a un comportamiento normal, para detectar comportamientos anormales. El rendimiento del detector local propuesto GSIFT se evaluó en relación a la extracción de características y su poder de descripción, en una tarea compleja como lo es la detección de la figura humana en imágenes con escala pequeña. Los resultados son validados y replicados en cuatro conjuntos de entrenamiento y prueba diferentes de ambientes urbanos no controlados, y comparados con seis de las principales técnicas de descripción local. Como soporte a las características locales extraídas, se llevó a cabo una descripción holística de los puntos de interés detectados mediante los momentos de Hu. Los resultados obtenidos de la fusión de ambos descriptores son mejores a los logrados de manera individual por la descripción local y global. Finalmente, los resultados alcanzados muestran que el detector local GSIFT es una buena opción para realizar la detección local de puntos de interés, de manera estable y robusta, en regiones con un número de píxeles menor a 30. El algoritmo de agrupamiento pamTOK, desarrollado en esta tesis, estima el número de grupos en que es conveniente separar el conjunto de datos, mediante la especificación de un índice de agrupamiento que evalúa la relación entre homogeneidad interna de los grupos y su distancia con respecto a los otros clústeres; sin estar limitado a un número de categorías específicas. La evaluación se realizó con ocho bases de datos públicas y los resultados obtenidos demostraron que el algoritmo de agrupamiento en combinación con la distancia Longest Common SubSequence (LCSS) tiene un buen rendimiento; permitiendo la detección de comportamientos anormales.