Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Monitorización mediante CV para detección de eventos en el hogar
1. Iván Gómez Conde
David Olivieri Cecchi, Xosé Antón Vila Sobrino, Leandro Rodríguez Liñares
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. 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. 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)
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. 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
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. 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]
16. Detección de personas
Diferentes métodos para la detección de personas en el
vídeo.
Regiones estáticas
Contornos activos
Vector de Características
Modelos humanos
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. Detección de personas
Vector de
características
Tamaño y
coordenadas del
centro
Componentes RGB
Vector de
movimiento
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
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. Detección de acciones
Posiciones básicas del
cuerpo
Histograma normalizado
Estar de pie
Tumbado en el
suelo
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
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