Embed Size (px)
Citation preview
Sistema de Detección de Alarmas de Videovigilancia Basado en Análisis
SemánticoCarlos Baladrón Zorita
Universidad de [email protected]
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 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
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
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
Proyecto HuSIMS
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.
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
Proyecto HuSIMS
Segmento 1: Red de Sensores
‐ Red wireless tipo malla
‐ Tolerante a fallos
‐ Dimensión metropolitana
‐ Despliegue áltamente flexible
‐
Detección de movimientoSegmento 3: Red de Distribución de
Alarmas
‐ Soporte a especialistas humanos
‐ En tiempo real y en movilidad
‐
Con video en streaming bajo
demanda
Segmento 2: Centro de control
‐ Recogida e integración de datos
‐ Interfaz para operadores
‐ Detección de alarmas
‐
Procesado por tres motores de
inferencia diferentes y
complementarios
Detección de Alarmas
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
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
Detección de Alarmas
CENTRO DE CONTROL
CámaraIdentificación
de Objetos
móviles
Raw
Pixel
Data
JENAFramework
Semántico
Preprocesad
oRazonador
Semántico
Caracterización
Semántica de escena
Identificación
de Caminos
SENSOR
Modelo de
Caminos
XML
Objetos
Enriquecido
XML/Objetos
Aprendizaje Operación
Ontología
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
Detección de Alarmas
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”.
Detección de Alarmas
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)
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
Conclusiones
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
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
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
Sistema de Detección de Alarmas de Videovigilancia
Basado en Análisis Semántico
Carlos Baladrón ZoritaUniversidad de [email protected]
