Sistema de Detección de Alarmas de Videovigilancia    Basado en Análisis        Semántico        Carlos Baladrón Zorita   ...
Índice• Introducción• Proyecto HuSIMS• Detección de Alarmas Basada en Análisis   Semántico• Conclusiones
Introducción
Introducción• Aumento progresivo de la presencia de   sistemas de videovigilancia  – Presentes en entornos donde la seguri...
Introducción• Una solución es la utilización de inteligencia   artificial para el análisis de las señales de   videovigila...
Introducción• Inteligencia artificial aplicada al análisis de   imágenes de videovigilancia:   – Detección de movimiento  ...
Proyecto HuSIMS
Proyecto HuSIMS• HuSIMS = Human SItuation Monitoring  System• Proyecto Celtic/Eureka, financiado en España   por el Minist...
Proyecto HuSIMS• Puntos clave del sistema HuSIMS:  – Maximizar el número de sensores desplegados     • Minimizar el proces...
Proyecto HuSIMS      Segmento 1: Red de Sensores      ‐ Red wireless tipo malla      ‐ Tolerante a fallos      ‐ Dimensión...
Detección de Alarmas
Detección de Alarmas• Con el fin de minimizar el procesado en los   sensores/cámaras, al centro de control sólo se   envía...
Detección de Alarmas• Detección de alarmas basada en análisis   semántico:  – Se basa en la utilización de los parámetros ...
Detección de Alarmas              Raw               Pixel               Data      Identificación Cámara                   ...
Detección de Alarmas• Identificación de caminos:  – Se estudian las trayectorias de los objetos móviles.     Aquellas que ...
Detección de Alarmas
Detección de Alarmas• Interpretación semántica:  – La ontología es un modelo de conocimiento específico     de un dominio ...
Detección de Alarmas
Detección de Alarmas• Interpretación semántica:  • Dependiendo de las características de los objetos, y de     acuerdo a c...
Detección de Alarmas• Detección semántica de   alarmas:  – La ontología especifica     igualmente las     condiciones de l...
Conclusiones
Conclusiones• El sistema de videovigilancia presenta varias   ventajas que permiten un despligue a gran   escala en un áre...
Conclusiones• El sistema de detección de alarmas basado en   semántica presenta ventajas:  – Modelo de conocimiento detall...
Conclusiones• …Pero también desventajas:  – El modelo de conocimiento tiene que estar     implementado por un humano  – La...
Sistema de Detección de Alarmas de Videovigilancia     Basado en Análisis        Semántico         Carlos Baladrón Zorita ...
Upcoming SlideShare
Loading in …5
×

SISTEMA DE DETECCIÓN DE ALARMAS DE VIDEOVIGILANCIA BASADO EN ANÁLISIS SEMÁNTICO

841 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
841
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
18
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

SISTEMA DE DETECCIÓN DE ALARMAS DE VIDEOVIGILANCIA BASADO EN ANÁLISIS SEMÁNTICO

  1. 1. Sistema de Detección de Alarmas de Videovigilancia Basado en Análisis  Semántico Carlos Baladrón Zorita Universidad de Valladolid cbalzor@ribera.tel.uva.es
  2. 2. Índice• Introducción• Proyecto HuSIMS• Detección de Alarmas Basada en Análisis  Semántico• Conclusiones
  3. 3. Introducción
  4. 4. Introducción• Aumento progresivo de la presencia de  sistemas de videovigilancia – Presentes en entornos donde la seguridad es  crítica: bancos, instalaciones militares, etc. – Bajada del precio del hardware – Sin embargo el aumento de la presencia de  cámaras no se ve acompañado por operadores  que las controlen – Se abandona la función preventiva – Muchos son desatendidos y con fin de obtención  de pruebas o simplemente disuasorios
  5. 5. Introducción• Una solución es la utilización de inteligencia  artificial para el análisis de las señales de  videovigilancia• Se abre la puerta al despliegue de sistemas de  videovigilancia de areas amplias• Algunos proyectos en marcha – Chicago OEMC – Londres Surveillance System
  6. 6. Introducción• Inteligencia artificial aplicada al análisis de  imágenes de videovigilancia: – Detección de movimiento – Identificación de objetos – Identificación de comportamientos – Identificación de personas – Combinación de datos de diferentes cámaras
  7. 7. Proyecto HuSIMS
  8. 8. Proyecto HuSIMS• HuSIMS = Human SItuation Monitoring System• Proyecto Celtic/Eureka, financiado en España  por el Ministerio de Industria, Turismo y  Comercio dentro del plan Avanza• Objetivo: diseñar una red de videovigilancia… – automatizada  – altamente flexible – de dimensiones metropolitanas – que pretende detectar alarmas y situaciones  anómalas y/o potencialmente peligrosas de muy  diversa índole, incluyendo incendios, variedad  de accidentes de tráfico, actos vandálicos, etc.
  9. 9. Proyecto HuSIMS• Puntos clave del sistema HuSIMS: – Maximizar el número de sensores desplegados • Minimizar el procesado y la inteligencia en la red de  cámaras • Minimizar la cantidad de datos a transmitir por la red – …por lo tanto: • La detección de alarmas se basa en los parámetros del  movimiento – Distribución de alarmas en tiempo real – Utilizar soluciones de conectividad altamente  flexibles
  10. 10. Proyecto HuSIMS Segmento 1: Red de Sensores ‐ Red wireless tipo malla ‐ Tolerante a fallos ‐ Dimensión metropolitana ‐ Despliegue áltamente flexible ‐ Detección de movimiento Segmento 2: Centro de control Segmento 3: Red de Distribución de  Alarmas ‐ Recogida e integración de datos ‐ Interfaz para operadores ‐ Soporte a especialistas humanos ‐ Detección de alarmas ‐ En tiempo real y en movilidad ‐ Procesado por tres motores de  ‐ Con video en streaming bajo  demanda inferencia diferentes y  complementarios
  11. 11. Detección de Alarmas
  12. 12. Detección de Alarmas• Con el fin de minimizar el procesado en los  sensores/cámaras, al centro de control sólo se  envían los parámetros de movimiento de los  objetos detectados – Las cámaras procesan las imágenes y extraen los  parámetros del movimiento – El centro de control aplica sobre esos datos los  algoritmos de detección de alarmas• Tres motores de procesado en paralelo:  – Semántico – Estadístico – Fusión de datos
  13. 13. Detección de Alarmas• Detección de alarmas basada en análisis  semántico: – Se basa en la utilización de los parámetros de  movimiento de los objetos (lugares, velocidades,  tamaño, etc.) para construir un modelo de  “caminos, fuentes y sumideros” del escenario  vigilado: • Caminos son las zonas de la imagen por las que  habitualmente transitan objetos • Fuentes y sumideros son las zonas de la imagen por las  que habitualmente aparecen/desaparecen objetos
  14. 14. Detección de Alarmas Raw  Pixel  Data Identificación Cámara de Objetos  móvilesSENSOR XML/Objetos Aprendizaje Operación XML Ontología Objetos  Preprocesad Enriquecido Razonador  o JENA SemánticoIdentificación  Framework  de Caminos Semántico Caracterización  Modelo de  Semántica de escena Caminos CENTRO DE CONTROL
  15. 15. Detección de Alarmas• Identificación de caminos: – Se estudian las trayectorias de los objetos móviles.  Aquellas que aparecen de forma recurrente se  consideran caminos• Identificación de fuentes/sumideros – Se almacenan los puntos en los que aparecen y  desaparecen los objetos. El conjunto de puntos  obtenido se procesa con un algoritmo de clustering.  Las áreas de la escena contenidas en cada cluster son  las fuentes/sumideros• Los caminos en condiciones normales unen  fuentes y sumideros
  16. 16. Detección de Alarmas
  17. 17. Detección de Alarmas• Interpretación semántica: – La ontología es un modelo de conocimiento específico  de un dominio dado (tráfico, control de personas,  etc.) • Se especifican clases de objetos y las relaciones entre ellos.   Ej.: Se define la clase “persona” y las relaciones “es padre de”,  “es hijo de”, “es hermano de” y “es tío de”. El individuo “Juan” de  la clase persona puede estar relacionado con el individuo “Pedro” de la misma clase a través de la relación “es hijo de”. • Se puede razonar sobre la ontología para extraer  información implícita  Si “Juan” es hijo de “Pedro”, y “Pedro” es hermano de “Javier”,  un razonador semántico puede determinar que “Javier” es tío de  “Juan” y “Pedro” es padre de “Juan”.
  18. 18. Detección de Alarmas
  19. 19. Detección de Alarmas• Interpretación semántica: • Dependiendo de las características de los objetos, y de  acuerdo a cómo define la ontología de cada dominio, a los  caminos, fuentes/sumideros y objetos se les va asignando  un significado (semántica). • Por ejemplo, en el dominio del tráfico:  Dependiendo de su velocidad y tamaño medios, un objeto será un  coche o un peatón  Dependiendo de la velocidad media de los objetos que circulan  por un camino, el camino será una calzada o una acera  Una zona de intersección entre calzada y acera será un paso de  peatones  Una fuente y sumidero puede ser el extremo de la imagen, la  puerta de un garaje, o un semáforo (los coches parados dejan de  considerarse objetos en movimiento)
  20. 20. Detección de Alarmas• Detección semántica de  alarmas: – La ontología especifica  igualmente las  condiciones de las  alarmas: • Un objeto se identifica  por tamaño y velocidad  media como un coche. • Está parado en una acera  ‐> salida de vía
  21. 21. Conclusiones
  22. 22. Conclusiones• El sistema de videovigilancia presenta varias  ventajas que permiten un despligue a gran  escala en un área metropolitana: – Coste contenido de los sensores (baja capacidad  de procesado) – Red de tipo malla – Detección y distribución automatizada de alarmas
  23. 23. Conclusiones• El sistema de detección de alarmas basado en  semántica presenta ventajas: – Modelo de conocimiento detallado del dominio:  las alarmas se disparan a través de conceptos con  significado, existe gran cantidad de información  sobre las mismas – Información de alto nivel, entendible por  especialistas humanos, que permite bajar el  tiempo de respuesta – Permite la implementación de lógica semántica  para automatizar respuestas a alarmas
  24. 24. Conclusiones• …Pero también desventajas: – El modelo de conocimiento tiene que estar  implementado por un humano – La eficiencia del sistema depende de la calidad del  modelo – La capacidad de respuesta del sistema se limita a los  dominios modelados • Si la ontología modela el dominio de los accidentes de  tráfico, el sistema no puede detectar actos de vandalismo• La combinación de este motor de detección con  otros complementarios permite sobreponerse a  estas desventajas
  25. 25. Sistema de Detección de Alarmas de Videovigilancia  Basado en Análisis  Semántico Carlos Baladrón Zorita Universidad de Valladolid cbalzor@ribera.tel.uva.es

×