1. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
An´lisis Autom´tico de Video
a a
Marcos Z´niga Barraza
u˜
Departamento de Telem´tica
a
26 de Marzo 2009
1/40

2. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Sinopsis
Aspectos Generales del An´lisis de Video
a
1
Motivaci´n
o
Aplicaciones
Estructura General de una Aplicaci´n de An´lisis de Video
o a
2
Segmentaci´n de Movimiento
o
Modelamiento y Clasificaci´n de Objetos
o
Seguimiento de Objetos
Reconocimiento y Aprendizaje de Eventos
Trabajo Futuro
3
2/40

3. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aspectos Generales del An´lisis de Video
a
Visi´n por Computador (Computer Vision)
o
´
Area de la Inteligencia Artificial centrada en el procesamiento y
an´lisis de la informaci´n obtenida a trav´s medios visuales.
a o e
Medios visuales: im´genes, secuencias de video, scanners.
a
An´lisis Autom´tico de Video
a a
´
Area de la Visi´n por Computador que se centra en el an´lisis
o a
automatizado de secuencias de video, con el fin de extraer y
procesar informaci´n acerca del comportamiento de los objetos
o
f´
ısicos en un escenario del mundo real.
3/40

4. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aspectos Generales del An´lisis de Video
a
An´lisis Automatizado de Video
a
Conocido como video understanding o video analysis.
Analizar el comportamiento de los objetos f´
ısicos implica
considerar el aspecto temporal.
Gran parte de las aplicaciones en esta ´rea imponen la
a
restricci´n de tiempo real.
o
Restricci´n de tiempo real
o
Restricci´n operacional para el tiempo de respuesta de un sistema,
o
dada la ocurrencia de un evento.
4/40

5. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aspectos Generales del An´lisis de Video
a
Disciplinas involucradas en An´lisis de Video
a
El An´lisis de Video es un ´rea multidisciplinaria:
a a
Procesamiento de Im´genes (Image Processing):
a
capturar movimiento, reconocimiento y clasificaci´n de
o
objetos, reconstrucci´n de escena 3D, captura de
o
caracter´
ısticas de los objetos (feature extraction). Elementos
de base para an´lisis m´s complejo.
a a
Reconocimiento de Patrones (Pattern Recognition):
Modelamiento y reconocimiento de elementos (e.g. objetos
f´
ısicos, eventos).
Aprendizaje Autom´tico (Machine Learning): Aprender
a
los modelos de estos elementos.
5/40

6. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Disciplinas involucradas en An´lisis de Video
a
Procesamiento de Im´genes (Image Processing)
a
Resultado de un
proceso de
segmentaci´n de
o
movimiento (imagen
binaria).
6/40

7. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Disciplinas involucradas en An´lisis de Video
a
Reconocimiento de Patrones (Pattern Recognition)
Reconocimiento de posturas: Applying 3D Human Model in a Posture
Recognition System [Boulay et al., 2006].
7/40

8. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Disciplinas involucradas en An´lisis de Video
a
Aprendizaje Autom´tico (Machine Learning)
a
Aprendizaje de Eventos: Abnormal Event Detection from Surveillance
Video by Dynamic Hierarchical Clustering [Jiang et al., 2007].
8/40

9. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aspectos Generales del An´lisis de Video
a
Motivaci´n
o
El sistema de visi´n humano es el sentido m´s complejo y m´s
o a a
rico en obtenci´n de informaci´n del ser humano.
o o
La visi´n parece una tarea f´cil, pero en realidad es muy
o a
compleja:
El cerebro procesa cerca de 60 im´genes por segundo, con un
a
mill´n de puntos por imagen.
o
Casi la mitad del cerebro dedicado a procesar informaci´n
o
visual.
La gran motivaci´n del ´rea es llegar a emular la visi´n
o a o
humana, pero estamos a´n muy lejos de lograrlo.
u
La investigaci´n en el ´rea a´n presenta innumerables vac´
o a u ıos.
9/40

10. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aplicaciones
Identificaci´n y biometr´
o ıa:
Identificaci´n mediante indicadores biom´tricos (e.g. cara,
o e
postura, manera de caminar(gait) ).
Reconocimiento de caracteres en movimiento (e.g. placa
patente de un auto).
An´lisis de comportamiento:
a
individual.
de masas (crowd).
Cuidado de personas a distancia:
Detecci´n de inactividad o comportamiento anormal.
o
Aprendizaje de comportamiento normal.
10/40

11. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aplicaciones
Video-vigilancia asistida:
Detecci´n de comportamientos anormales o pre-definidos.
o
Conteo de personas.
Detecci´n de objetos extra˜os (e.g. maletas dejadas en
o n
aeropuerto).
11/40

12. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aplicaciones
Video-vigilancia asistida
Proyecto AVITRACK:
Video-vigilancia asistida en aeropuertos [AVITRACK, 2002].
Reporta a los operadores las actividades que ocurren en la pista de
aterrizaje (e.g. operaci´n de recarga de gasolina).
o
Genera alarmas en presencia de situaciones no deseadas (e.g.
colisi´n entre veh´
o ıculo de carga y un avi´n).
o
12/40

13. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aplicaciones
Video-vigilancia asistida
Proyecto CASSIOPEE:
Video-vigilancia asistida en agencias bancarias [Georis et al., 2004].
M´ltiples c´maras.
u a
Genera alarmas en presencia de situaciones pre-definidas de robo
(80% Verdaderos-Positivos, 0% Falsos-Negativos).
13/40

14. Sinopsis
Aspectos Generales
Motivaci´n
o
Estructura General
Aplicaciones
Trabajo Futuro
Referencias
Aplicaciones
Cuidado de personas a distancia
Proyecto GERHOME:
Proyecto para cuidado de adultos mayores a distancia [GERHOME,
2005], [Zouba et al., 2007].
Genera alarmas si la salud del adulto mayor est´ en riesgo.
a
Alerta a la familia o a personal m´dico en caso de accidente (e.g. el
e
adulto mayor se cae o se encuentra inm´vil por mucho tiempo).
o
Combina c´maras con sensores de calor y de apertura de puertas.
a
14/40

15. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General de una Aplicaci´n de An´lisis de Video
o a
Tareas t´
ıpicas del proceso de An´lisis de Video:
a
Segmentaci´n de movimento: Detectar grupos de p´
o ıxeles
1
en movimiento (blobs), a partir de las im´genes de la
a
secuencia.
Clasificaci´n e identificaci´n: Inferir informaci´n sobre
o o o
2
objetos del mundo real, a partir de los blobs detectados.
Seguimiento de objetos: Asociar los objetos encontrados en
3
etapas previas del proceso, a los objetos detectados en la
imagen actual.
Reconocimiento de Eventos: Reconocer el comportamiento
4
y las actividades realizadas por lo objetos.
15/40

16. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General de una Aplicaci´n de An´lisis de Video
o a
Flujo de Datos
16/40

17. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General de una Aplicaci´n de An´lisis de Video
o a
Ejemplo
Aprendizaje Incremental de Eventos en Video [Z´niga, 2008]:
u˜
17/40

18. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Segmentaci´n de Movimiento
o
Segmentar
Particionar una imagen en m´ltiples segmentos (conjuntos de
u
p´
ıxeles) [Shapiro and Stockman, 2001].
La segmentaci´n de movimiento consiste en segmentar las
o
regiones que corresponden a los objetos m´viles, del resto de
o
la imagen (fondo).
Las siguientes etapas del proceso, dependen fuertemente de la
calidad de los resultados de esta tarea.
Involucra la necesidad de modelar el entorno y la imagen de
fondo.
18/40

19. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Segmentaci´n en Video
o
Problemas t´
ıpicos:
Variaci´n de la iluminaci´n.
o o
Sombras.
Fantasmas.
Ramas en movimiento.
Bajo contraste.
Ocultaci´n est´tica.
o a
19/40

20. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Segmentaci´n en Video
o
Soluci´n t´
o ıpica es la sustracci´n de fondo [McIvor, 2000]:
o
Los problemas mencionados aparecen por un modelo de
actualizaci´n de imagen de fondo deficiente o inexistente.
o
20/40

21. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Segmentaci´n en Video
o
Actualizaci´n de imagen de fondo:
o
Modelar la intensidad de cada pixel mediante combinaci´n de
o
Gaussianas [Friedman and Russell, 1997].
Modelar la intensidad cada pixel con un Filtro de Kalman
[Ridder et al., 1995].
21/40

22. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Segmentaci´n en Video
o
Ejemplo de Segmentaci´n de Movimiento:
o
22/40

23. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Modelamiento y Clasificaci´n de Objetos
o
La riqueza de la descripci´n de los objetos f´
o ısicos a detectar
en la escena depende de la representaci´n escogida para estos
o
objetos.
Modelos complejos favorecen la precisi´n en la informaci´n
o o
obtenida, pero son lentos de calcular.
En general, los modelos complejos permiten clasificar a un
s´lo tipo de objeto, pero favorecen la identificaci´n del objeto.
o o
Los modelos m´s simples carecen de precisi´n, pero son
a o
r´pidos de calcular y pueden representar m´s de un tipo de
a a
objeto.
23/40

24. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Modelamiento y Clasificaci´n de Objetos
o
Representaciones de objetos
Modelo de punto: Modelos de forma 2D: e.g.
elipses, rect´ngulos.
a
S´lo para objetos muy
o
peque˜os.
n Baja precisi´n y calidad
o
descriptiva.
Muy r´pido de obtener.
a
R´pido de obtener y puede
a
Aplicaci´n de radar [Arambel
o
representar m´s de un tipo.
a
et al., 2004]:
Forma rectangular [Cucchiara
et al., 2005]:
24/40

25. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Modelamiento y Clasificaci´n de Objetos
o
Representaciones de objetos
Modelos de forma 3D: e.g. Modelos Articulados: Partes
elipsoides, cilindros, con articulaciones.
paralelep´
ıpedos.
Velocidad baja y espec´
ıfico
Precisi´n y calidad media.
o para un tipo.
Velocidad media y puede Precisi´n y calidad alta.
o
representar m´s de un tipo.
a
Modelo humano con 23
Paralelep´
ıpedo [Z´niga et al.,
u˜ par´metros [Boulay et al., 2006]:
a
2006]:
25/40

26. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Modelamiento y Clasificaci´n de Objetos
o
Representaciones de objetos
Representaci´n de Contorno:
o Clasificadores: Entrenar un clasificador
con un conjunto de caracter´
ısticas de
Velocidad muy baja y
imagen, utilizando un conjunto de
espec´
ıfico para un tipo.
entrenamiento.
Precisi´n y calidad alta
o
Requiere el conjunto de
Contorno de personas [Yilmaz entrenamiento, espec´ıfico para
et al., 2004]: postura y ´ngulo de visi´n de un
a o
s´lo tipo de objeto.
o
Velocidad alta.
26/40

27. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Seguimiento de Objetos (Tracking)
Consiste en asociar los objetos f´
ısicos encontrados previamente en la
escena, con los objetos detectados en la imagen actual.
Problemas:
Ocultaci´n din´mica.
o a
M´ltiples objetos simult´neos.
u a
Tiempo de respuesta.
Soluciones:
En general, ligadas al manejo de muchas hip´tesis respecto del
o
valor de los atributos de los objetos en la imagen actual.
Conjunto de hip´tesis basadas en la historia del objeto.
o
Actualizaci´n de modelos din´micos para los atributos, con la
o a
nueva informaci´n.
o
T´cnicas Populares: Multi-Hypothesis Tracking [Kurien, 1990],
e
Particle Filtering [Hue et al., 2002].
27/40

28. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Seguimiento de Objetos (Tracking)
Ejemplo: Seguimiento de m´ltiples objetos [Z´niga, 2008]:
u u˜
28/40

29. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Reconocimiento y Aprendizaje de Eventos
Estado
Conjunto de atributos v´lido en un instante dado o estable en un
a
intervalo de tiempo.
Un estado puede caracterizar a m´s de un objeto f´
a ısico.
Evento
Transici´n de estado ocurrida en dos instantes de tiempo sucesivos
o
o en un intervalo de tiempo.
Evento Compuesto
Combinaci´n de estados y eventos. Tambi´n conocido como
o e
evento complejo, comportamiento y escenario, entre otros.
29/40

30. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Reconocimiento y Aprendizaje de Eventos
Reconocer los eventos realizados por lo objetos (simples y
compuestos).
Problemas:
Brecha entre informaci´n num´rica y conceptos m´s
o e a
abstractos.
Representaci´n para eventos de interacci´n entre objetos.
o o
Concepci´n de m´todos generales.
o e
Soluciones:
Modelos de evento pre-definidos: para reconocer situaciones de
inter´s [Br´mond and Thonnat, 1998].
e e
Modelos de aprendizaje de eventos: para reconocer situaciones
inesperadas. Los m´s populares:
a
Redes Bayesianas Din´micas (DBN) [Ghahramani, 1998].
a
Cadenas de Markov Escondidas (HMM) [Hongeng et al.,
2000].
30/40

31. Sinopsis
Segmentaci´n de Movimiento
o
Aspectos Generales
Modelamiento y Clasificaci´n
o
Estructura General
Seguimiento
Trabajo Futuro
Reconocimiento y Aprendizaje de Eventos
Referencias
Estructura General
Reconocimiento y Aprendizaje de Eventos
Ejemplo de aprendizaje de eventos: Eventos de Trayectoria, mediante
Cadenas de Markov Escondidas (HMM) [Jiang et al., 2007].
31/40

32. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Trabajo Futuro
Nivel global:
Utilizaci´n y formalizaci´n de medidas de fiabilidad de los
o o
datos.
Retroalimentaci´n entre las distintas tareas.
o
Eliminar la brecha entre el mundo num´rico y conceptual.
e
Mejoramiento del rendimiento en tiempo de ejecuci´n (para
o
tiempo-real).
Segmentaci´n:
o
A´n no se logra un modelo capaz de lidiar con todos los
u
problemas de segmentaci´n y en forma general.
o
Clasificaci´n:
o
La utilizaci´n de m´ltiples modelos de objeto seg´n el
o u u
contexto.
32/40

33. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Trabajo Futuro
Seguimiento:
La resoluci´n en forma general del problema de ocultaci´n
o o
din´mica es a´n un t´pico abierto.
a u o
Resolver el problema de re-identificaci´n.
o
Mejoramiento de m´todos para la generaci´n y control de
e o
hip´tesis.
o
Eventos:
Continuar el estudio de m´todos adaptivos de aprendizaje de
e
eventos.
C´mo combinar los modelos pre-definidos con los de
o
aprendizaje.
33/40

34. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Conclusi´n
o
El An´lisis de Video posee aplicaciones de relevancia mundial
a
(e.g. vigilancia, asistencia, visi´n rob´tica).
o o
Existen a´n numerosos t´picos a ser investigados y resueltos.
u o
Actualmente, es un ´rea muy f´rtil para nuevos estudios y
a e
proyectos.
34/40

35. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
¿Preguntas?
35/40

36. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Referencias I
P. O. Arambel, J. Silver, J. Krant, M. Antone, and T. Strat. Multiple-hypothesis
tracking of multiple ground targets from aerial video with dynamic sensor control.
In I. Kadar, editor, Signal Processing, Sensor Fusion, and Target Recognition XIII.
Proceedings of the SPIE., volume 5429 of Society of Photo-Optical
Instrumentation Engineers (SPIE) Conference, pages 23–32, August 2004.
AVITRACK, 2002. European Research Project,
http://www.aero-scratch.net/avitrack.html .
B. Boulay, F. Bremond, and M. Thonnat. Applying 3d human model in a posture
recognition system. Pattern Recognition Letter, Special Issue on vision for Crime
Detection and Prevention, 27(15):1788–1796, November 2006.
F. Br´mond and M. Thonnat. Issues of representing context illustrated by
e
video-surveillance applications. International Journal of Human-Computer Studies
Special Issue on Context, 48:375–391, 1998.
R. Cucchiara, A. Prati, and R. Vezzani. Posture classification in a multi-camera indoor
environment. In Proceedings of IEEE International Conference on Image Processing
(ICIP), volume 1, pages 725–728, Genova, Italy, 11-14 September 2005.
36/40

37. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Referencias II
N. Friedman and S. Russell. Image segmentation in video sequences: a probabilistic
approach. In Proceedings of the 13th Conference on Uncertainty in Artificial
Intelligence, pages 1–3, 1997.
B. Georis, M. Mazi`re, F. Br´mond, and M. Thonnat. A video interpretation platform
e e
applied to bank agency monitoring. In Proceedings of the International Conference
on Intelligent Distributed Surveillance Systems (IDSS04), London, Great Britain,
pages 46–50, February 2004.
GERHOME, 2005. Research Project, http://gerhome.cstb.fr .
Z. Ghahramani. Learning dynamic bayesian networks. In Adaptive Processing of
Sequences and Data Structures, International Summer School on Neural Networks,
pages 168–197, London, UK, 1998. Springer-Verlag.
S. Hongeng, F. Bremond, and R. Nevatia. Bayesian framework for video surveillance
application. In Proceedings of the 15th International Conference on Pattern
Recognition (ICPR2000), pages Vol I: 164–170, Barcelona, Spain, 2000.
C. Hue, J.-P. L. Cadre, and P. Perez. Sequential monte carlo methods for multiple
target tracking and data fusion. IEEE Transactions on Signal Processing, 50(2):
309–325, February 2002.
37/40

38. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Referencias III
F. Jiang, Y. Wu, and A. Katsaggelos. Abnormal event detection from surveillance
video by dynamic hierarchical clustering. In Proceedings of the International
Conference on Image Processing (ICIP07), volume 5, pages 145–148, San Antonio,
TX, September 2007.
T. Kurien. Issues in the design of practical multitarget tracking algorithms. In
Y. Bar-Shalom, editor, Multitarget-Multisensor Tracking: Advanced Applications,
chapter 3, volume 1, pages 43–83, Norwood, MA, 1990. Artech House.
A. McIvor. Background subtraction techniques. In Proceedings of the Conference on
Image and Vision Computing (IVCNZ 2000), Hamilton, New Zealand, November
27-29 2000.
C. Ridder, O. Munkelt, and H. Kirchner. Adaptive background estimation and
foreground detection using kalman-filtering. In Proceedings of the International
Conference on Recent Advances in Mechatronics, pages 193–199, 1995.
L. G. S. Shapiro and G. C. Stockman. Computer Vision. Prentice-Hall, New Jersey,
USA, 2001.
A. Yilmaz, X. Li, and M. Shah. Contour based object tracking with occlusion handling
in video acquired using mobile cameras. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 26(11):1531–1536, 2004.
38/40

39. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Referencias IV
N. Zouba, F. Bremond, M. Thonnat, and V. T. Vu. Multi-sensors analysis for
everyday elderly activity monitoring. In Proceedings of the 4th International
Conference SETIT’07: Sciences of Electronic, Technologies of Information and
Telecommunications, Tunis, Tunisia, March 2007.
M. Z´niga. Incremental Learning of Events in Video. PhD thesis, Universit´ de Nice
u˜ e
Sophia Antipolis, UFR Science Ecole Doctorale STIC, D´partement d’Informatique,
e
November 2008.
M. Z´niga, F. Br´mond, and M. Thonnat. Fast and reliable object classification in
u˜ e
video based on a 3d generic model. In Proceedings of the International Conference
on Visual Information Engineering (VIE2006), pages 433–440, Bangalore, India,
26-28 September 2006.
39/40

40. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Kalman Filter
xk = Fk xk + Bk uk + wk
x: estado
F: transicion de estado.
B: modelo de control de entrada.
u: vector de control.
w: ruido gaussiano.
zk = Hk xk + vk
z: observacion.
H: mapeo del espacio del estado al espacio de observaci´n.
o
40/40

41. Sinopsis
Aspectos Generales
Estructura General
Trabajo Futuro
Referencias
Particle Filter
Approximan la secuencia de distribuciones de probabilidad de
inter´s usando un conjunto grande de muestras aleatorias
e
(particles).
Las part´
ıculas son entonces propagadas en el tiempo.
Asint´ticamente, la convergencia de la aproximaci´n a las
o o
distribuciones se encuentra asegurada bajo supuestos muy
d´biles.
e
Desventaja: El n´mero necesario de muestras, crece
u
exponencialmente con el tama˜o del espacio de estado
n
(impr´ctico para tiempo real).
a
41/40