Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
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

1,843 views

Published on

Published in: Technology, Business
  • Be the first to comment

  • Be the first to like this

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

×