Iván Gómez Conde
David 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 par...
Problemática actual
 El envejecimiento actual de la población no tiene
  precedentes en la historia.
  o % personas (60 a...
Teleasistencia
 Es un campo que abarca múltiples tecnologías:
    Audio

    Localización en interiores
    (bluetooth,...
Software
   C++                    Qt
   OpenCV (Open Source    Octave
    Computer Vision)
¿Qué aporta la monitorización?
 Detección de eventos anormales en hogares de personas
 de avanzada edad.
    Monitorizac...
Monitorización mediante vídeo
 Computer Vision (CV) aplicada a videovigilancia y
  monitorización es un campo muy activo ...
Monitorización mediante vídeo
Sustracción de fondo
 El primer problema a resolver es extraer el fondo
 Existen problemas derivados de cambios de ilumi...
Diferenciación temporal
 La diferenciación temporal (running average): media de
 los fondos de los Nf frames anteriores a...
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

    Cont...
Detección de personas
 Los objetos de primer plano        “blobs” rectangulares.

                                detecta...
Detección de personas

  Vector de
características

    Tamaño y
 coordenadas del
     centro

Componentes RGB

   Vector ...
Discriminación de objetos
Diferencia normalizada del canal verde




                                         Diferencia n...
Seguimiento (tracking)
 Una vez caracterizados los blobs, realizamos el tracking.
 Problemas:

    Entrada   y salida d...
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       ...
Detección de acciones
 Posiciones básicas del
  cuerpo
                           Histograma normalizado
    Estar de pi...
Detección de acciones
 Posiciones de los
  brazos

    Basados en la
     distribución de masas

    Suma de todos los
...
Discriminación de acciones




       Figure 1   Figure 2   Figure 3

  µ     0.54       0.33       0.44
  σ     0.21     ...
Conclusiones
Seguimiento
  Sustracción de fondo (running average, mixture gaussian
   model…)
  Necesidad de continuo m...
Upcoming SlideShare
Loading in...5
×

Ivan gomez cisti2010

1,629

Published on

Published in: Technology, Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,629
On Slideshare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
5
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Ivan gomez cisti2010

  1. 1. Iván Gómez Conde David Olivieri Cecchi, Xosé Antón Vila Sobrino, Leandro Rodríguez Liñares
  2. 2. 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
  3. 3. 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
  4. 4. Teleasistencia  Es un campo que abarca múltiples tecnologías:  Audio  Localización en interiores (bluetooth, RFID…)  Monitorización de signos vitales (temperatura, ritmo cardíaco…)  Vídeo (detección de eventos, no se almacenan las imágenes)
  5. 5. Software  C++  Qt  OpenCV (Open Source  Octave Computer Vision)
  6. 6. ¿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
  7. 7. 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
  8. 8. Monitorización mediante vídeo
  9. 9. 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
  10. 10. 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 pixels acumulados I = Imagen Nf = nº de frames utilizados α = ponderación Є [0,1]
  11. 11. Running average Nf = 150 frames
  12. 12. Gaussian Mixture Model Método de P. KadewTraKuPong and R. Bowden (2001)
  13. 13. Comparativa (% píxeles de error) Falsos negativos en los frames capturados
  14. 14. Comparativa (% píxeles de error) Falsos positivos en los frames capturados
  15. 15. Comparativa (mejores casos)
  16. 16. Detección de personas  Diferentes métodos para la detección de personas en el vídeo.  Regiones estáticas  Contornos activos  Vector de Características  Modelos humanos
  17. 17. 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
  18. 18. Detección de personas Vector de características Tamaño y coordenadas del centro Componentes RGB Vector de movimiento
  19. 19. Discriminación de objetos Diferencia normalizada del canal verde Diferencia normalizada del canal rojo
  20. 20. Seguimiento (tracking)  Una vez caracterizados los blobs, realizamos el tracking.  Problemas:  Entrada y salida del campo de visión  Cambio de perspectiva  Cruce de objetos
  21. 21. Seguimiento (tracking)  Posición desde t a t+1 x = xo + vt
  22. 22. 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
  23. 23. Detección de acciones  Posiciones básicas del cuerpo Histograma normalizado  Estar de pie  Tumbado en el suelo
  24. 24. Detección de acciones  Posiciones de los brazos  Basados en la distribución de masas  Suma de todos los colores verticalmente Np = nº total de píxels N ∑i=1 Pixeli p i = índice en el eje Y de la imagen
  25. 25. 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
  26. 26. Conclusiones Seguimiento Sustracción de fondo (running average, mixture gaussian model…) Necesidad de continuo movimiento Ajuste de parámetros manualmente Basado en histogramas de color Acciones Discriminación mediante histogramas Rápida ejecución No es robusto
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×