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)

5. Software
 C++  Qt
 OpenCV (Open Source  Octave
Computer Vision)

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

8. Monitorización mediante vídeo

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]

11. Running average
Nf = 150 frames

12. Gaussian Mixture Model
Método de P. KadewTraKuPong and R. Bowden (2001)

13. Comparativa (% píxeles de error)
Falsos negativos en los frames capturados

14. Comparativa (% píxeles de error)
Falsos positivos en los frames capturados

15. Comparativa (mejores casos)

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

19. Discriminación de objetos
Diferencia normalizada del canal verde
Diferencia normalizada del canal rojo

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. Seguimiento (tracking)
 Posición desde t a t+1
x = xo + vt

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

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. 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