Un sistema de visin artificial, para detectar actividades
inusuales en lnea en VehicularInterseccionesUn Sistema de Visin por
Computadora para Detectar actividades Inusuales en Intersecciones
vehicularesArtculo recibido el 04 de enero 2008; aceptado el 28 de
agosto 2008
AbstractoEn este artculo, se presenta un sistema de mquina de
visin en tiempo real para detectar vehculos que funcionan con luz
roja o que realizan giros prohibidos en los cruces. El sistema
funciona durante el da mediante la recepcin de flujos de vdeo de
dos diferentesfuentes. Uno de ellos es una cmara de visin el cruce
para detectar actividad inusual, mientras que una segunda cmara
mira el semforo para mantener la sincrona con el controlador de
trnsito. El rendimiento y la fiabilidad del sistema tienensido
probado en una verdadera interseccin vehicular durante largos
perodos de tiempo.Palabras clave: visin artificial, sistemas en
tiempo real, deteccin de actividad inusual, vigilancia
automtica.
ResumenIn this article, presentamos la ONU Sistema de Visin por
computadora pra Detectar, En Tiempo real, Vehculos pasndose el alto
o Realizando vueltas prohibidas en cruceros viales. El Sistema pera
Durante el da Recibiendo Secuencias de vdeo de dos Diferentes
fuentes. Una de ellas Observa El Crucero para Detectar actividad
inusual, MIENTRAS Que La Segunda monitorea el semforo prr mantener
la sincrona con el Controlar de trfico. El Desempeo y confiabilidad
del Sistema de han Sido probados del una Interseccin Durante
verdadera vehicular perodos de Tiempo Que abarcan Das.Palabras
clave: Visin por computadora, Sistemas En Tiempo real deteccion de
Actividad inusual, Vigilancia automtica.
1. Introduccin
En este trabajo, presentamos un sistema de mquina de visin en
tiempo real para detectar actividad inusual en una interseccin
vehicular-semforo controlado durante el da. El sistema incluye dos
cmaras. Mientras que una de las cmaras supervisa el cruce para
detectar actividad inusual, el otro ve un semforo cerca para
mantener la primera cmara en funcionamiento en sincrona con el
semforo. Este tipo de arreglo es especialmente adecuado cuando se
interacta con la electrnica del controlador es molesto o costoso.
Encrucijada son una parte importante de la moderna infraestructura
de transporte debido a que (Fuerstenberg y Roessler 2006): a) que
redirigen el flujo vehicular, b) la gente pasa mucho tiempo en las
intersecciones, y c) son el lugar donde se producen muchos
accidentes. Estamos interesados en la mejora de la operacin cruce
de caminos, en particular, a travs de la deteccin de actividades
anormales. Estamos interesados principalmente en actividades tales
como vehculos de hacer giros prohibidos o correr en una luz roja.
El sistema de mquina de visin descrito es una extensin de un modelo
previamente presentado por Salas et al. (2007). En este trabajo se
describe el funcionamiento del subsistema de sincronizacin y su
posterior aplicacin en tiempo real.Deteccin y seguimiento de
vehculos es un problema difcil debido a una variedad de factores
que incluyen la presencia de sombras y la oclusin parcial de
objetos en movimiento. Kato et al (2004, 2002) y Kamijo et al.
(2000) Modelos Ocultos de Markov utilizados (HMM) y campos
aleatorios de Markov (MRF) para clasificar pxeles en las sombras,
en primer plano y de fondo, incluso en presencia de oclusin. Este
enfoque de bajo nivel se puede combinar con el razonamiento de alto
nivel, como Cucchiara et al. (2000) han reportado. Durante el da,
estos autores utilizan el anlisis espacio-temporal. Por la noche,
detectan coches por el anlisis de sus faros. Este modelo de
seguimiento multinivel tambin ha sido explorada por
Veeraraghavan et al. (2003). A bajo nivel, rastrean manchas
usando heurstica para compensar la divisin blob y fusin. A alto
nivel, utilizan Kalman filtrado para rastrear manchas.Hay muchas
aplicaciones importantes que pueden resultar de la supervisin del
trfico vehicular. Dailey et al. (2000) han estimado la velocidad
del trfico utilizando una secuencia de imgenes tomadas desde una
cmara sin calibrar. Se basan en una serie de, e incluso las
restricciones geomtricas, fsicas legales para simplificar el
problema. Tal tcnica podra simplificar ladespliegue de
aplicaciones. No obstante, en algunas circunstancias, la calibracin
se puede lograr naturalmente usandola escena propiedades
intrnsecas. Por ejemplo, Schoepflin y Dailey (2003) detectan la
velocidad de los vehculos en una carretera rectilnea. Sobre la base
de las trayectorias de los vehculos, detectan escena puntos de fuga
para calibrar parmetros de la cmara. Tambin, Angel et al. (2003)
utilizan imgenes recogidas desde un helicptero para estimar
velocidades, tiempos de viaje, densidades y retrasos que hacen
cola. Bajo algunas circunstancias hardware especializado podra ser
empleado para resolver tareas especficas. Por ejemplo, Yamada y
Soga (2003) desarrollaron un sensor visual de un solo chip
integrado que detecta direccin y la velocidad de movimiento en un
plano focal.Diferentes estrategias se han utilizado para detectar
la actividad inusual en video. Por ejemplo, mientras Jung et al.
(2001) representan trayectorias con modelos polinomiales, Brand et
al. (1997) descubren patrones de actividad por inferir la
estructura interna de un HMM. Tambin, Bioman y Irani (2005)
interpretan deteccin de actividad anormal como el problema de la
construccin de la imagen actual de piezas de datos de ejemplos
previamente extrados. Las irregularidades se detectan cuando no se
encuentra suficiente evidencia para componer la observacin actual.
Del mismo modo, Xiang y Gong (2005) basan su enfoque en ambos, el
descubrimiento de la agrupacin natural de los patrones de actividad
y la introduccin de una expresin acumulacin, donde se tiene en
cuenta la importancia relativa de la informacin visual para la
deteccin de anormalidades. En lugar de analizar el comportamiento
resultante, Dee y Hogg (2004) utilizan un modelo de funcin
psicolgica, donde intentan deducir la causa de la conducta mediante
la comparacin de sus observaciones con un modelo de esas metas y
obstculos que se sabe que en la escena. Por otro lado, Stauffer y
Grimson (1999) aprenden patrones de actividad mediante la
construccin de un clasificador jerrquico que representa las
trayectorias individuales. Adems, Zhong et al. (2004) extendi mtodo
Stauffer y de Grimson considerando plantillas espacio-temporales y
su descripcin en un histograma de color como prototipos para una
matriz de co-ocurrencia.En este trabajo se describe un sistema de
mquina de visin para detectar, en tiempo real, actividades
inusuales en las intersecciones vehiculares. El sistema ilustrado
en la Fig. 1 se describe en el resto del documento. En primer
lugar, en II, revisamos algunas de las tcnicas utilizadas. Luego,
en III, se describe el mdulo que deduce el estado del semforo, til
para el sistemala sincronizacin. A continuacin, en IV, exploramos
el mdulo que detecta eventos inusuales. En V, mostramos
experimentalevidencia en cuanto al funcionamiento del sistema.
Finalmente, resumimos nuestro desarrollo, discuten los resultados y
sealamos futuras lneas de estudio.
(A) de flujo del sistema (b) Sincronizacin (c) Inusuales
Eventos
Fig. 1. Los itera unidad de control entre dos mdulos: la
sincronizacin y eventos inusuales. Basado en el tiempo transcurrido
t, el cambio de la luz verde de apagado a encendido marca el inicio
del ciclo de luz controlador de trnsito. Una vez que el ciclo de
tiempo T se estima el habitual descriptor de espacio para eventos
apropiada se enva a los acontecimientos inusualesmdulo que devuelve
una descripcin del estado de cruce Q
2 Preliminares
Central en nuestro mtodo es el uso de una mezcla de gaussianas
(MOG) para modelar tanto la intensidad y la direccin demovimiento
en cada pxel en particular. Dado un conjunto de n observaciones,1,
..., n , y un familia de densidad de probabilidadfunciones en , el
problema es encontrar la densidad de probabilidadf () que es ms
probable que han generado elobservaciones dadas. En este esquema,
cada miembro de la familia tiene la misma forma de Gauss general.
Cada miembro se distingue por diferentes valores de un conjunto de
parmetros , Duda et al. (2001). Esto es,Kf (; ) = p k g (; k, k),k
= 1
(1)dondeg (; k, k) es una funcin gaussiana - dimensional y = (1,
..., a) = ((p1, 1, 1), ..., (pa, mu, a)) es una3 un vector
dimensional que contiene las probabilidades de mezclapa, as como la
media de unay la desviacin estndar unde la funcin de Gauss A en la
mezcla. Cuando un nuevo observacin iest disponible, se compara con
elparmetros de los modelos de Gauss. Despus de un nmero
considerable de cuadros se ha procesado el MOG consiste en un
conjunto de gaussianas junto con su respectivo peso. El MOG se poda
a continuacin para eliminar gaussianas que tienen poco apoyo.Otro
de los problemas que enfrentamos en nuestro sistema es la deteccin
de movimiento. El problema de la estimacin en una caracterstica
mueve de un fotograma al siguiente tiene muchas facetas
interesantes que incluyen objetos sometidos a la oclusin parcial o
total, o estn siendo objeto de transformaciones complejas
apariencia. Lucas y Kanade (1981) proponen una estrategia para el
aditivo alineacin de la imagen en base a un tipo de Newton-Raphson
de formulacin. En su informe, la traduccin de una caracterstica
entre cuadros se calcula con una estrategia ms pronunciada reduccin
al mnimo descenso. En principio, una transformacin ms general que
incluye envoltura afn y la traduccin podra ser buscada. Sin
embargo, en la prctica, Shi y Tomasi (1994) mostraron que este
procedimiento puede ser numricamente inestable. El procedimiento
utiliza la constancia de flujo pticorestriccin, suponiendo que la
funcin de la intensidad de luz reflejada sigue siendo igual de
cuadro a cuadro. Es decir, vamosJi 1 (x)yJ i (x)ser dos imgenes
consecutivas, se ha demostrado (Lucas y Kanade 1981, Tomasi y Shi
1994) que ladesplazamiento d de una caracterstica puede ser
calculado usando la ecuacin recursiva
-1,dj 1 = dj + Z e(2) 2Donde Z = xF g x g a 2 es el tensor
estructural, y e =xF (Ji 1 (x) - Ji (x)) g es una versin a escala
de g x g y g aTg = (gx, gy)= Ji (x), el gradiente.
3 Sincronizacin
El estado de la luz verde del semforo se utiliza como la seal
principal para la sincronizacin. Cuando la luz verde se enciende,
se genera una seal de sincronizacin. Dos seales continuas de este
tipo abarcan todo el ciclo de tiempo T, cuyo valor es un indicador
de cunto tiempo cada luz individual dur en el ciclo de luz anterior
en el cruce. En lo que sigue, se describe la seal de sincronizacin,
til para una serie de tareas que incluyen vehculos que funcionan
con luz roja.3.1 CapacitacinEn cualquier momento dado , el estado
del semforo
S (i)
puede ser encendido o apagado, lo que corresponde a las clases
1
y 2,respectivamente. Para caracterizar el estado del semforo, se
define una regin de inters (ROI) dentro de la luz verde. Luego,el
retorno de la inversin se toman muestras para averiguar su valor
medio de intensidad. DejarRi (u)sea el ROI imagen de dimensiones r
s en el instante. El entero parche valor medio puede calcularse
como xi = 1 / (rs) uW Ri (u) , para el barrio donde el ROI se
define. Despus de un considerable nmero n de tramas ha sido
procesado, habr una coleccin de observadaintensidad de los valores
medios de x = {x1, .., x n}. Un histograma h (a) se puede utilizar
para describir la frecuencia a la que un ciertoentero significa un
valor de intensidad aparece. A continuacin, el umbral que maximiza
la varianza entre clases entre ambosclases 1y 2se calcula
utilizando el algoritmo de Otsu (Otsu 1978). Se supone que la
distribucin de intensidaddentro de la 1 y 2 clasessigue una
distribucin gaussiana con valores mediosx 1 yx 2, y la desviacin
estndar
s1 y
s2, respectivamente. Una nueva observacinxk se le asignar a la
clase? i con el mnimo ponderadoValor euclidiana (x - x) 2 / s 2.i k
iDurante aprenden valores de la clase media inicialx1 yx 2se
adquieren. El mdulo de luz de aprendizaje slo se activacuando se
inicia el sistema operativo. Los resultados de un perodo de
entrenamiento 120-s se muestran en la Fig. 2.
(A) Semforo vista tpica (b) los valores de la media y x1x 2
describen clases 1 y 2,respectivamente
Fig. 2. Una cmara se utiliza para controlar la luz verde del
semforo. En (a) la oscuridad rectngulo muestra el rea establecida
para estimar el valor de intensidad para el retorno de la inversin
dentro de la luz verde. En (b) se utiliz un periodo de observacin
de 120 horas para generar el histograma presentado aqu y para
adquirir los valores medios iniciales
3.2 Operacin
Durante el funcionamiento, cada uno significa valor de clase se
actualiza dinmicamente usando el procedimiento de
estimacin-Maximizacin descrito en Stauffer y Grimson (2000). Sea Q
un predicado lgico que identifica el instante cuando elsemforo
estado luz verde ha experimentado una transicin de OFF aen. Esto es
verdadQ () = (Mx() sucesivamente) (Mx( - 1) apagado),(3) falsade lo
contrario.La diferencia de tiempo j 1 - j ciclo de tiempo .entre
dos veces consecutivas cuando los eventos de transicin tienen
lugar, define laSin embargo, la luz verde del semforo parpadea
cuando est en trnsito de encendido a apagado. Esta fase tiene una
duracin aproximada0,5 s. Este perodo se utiliza para advertir a los
conductores de que la luz amarilla est a punto de comenzar. Por lo
tanto, la condicin dada en (3) tuvo queser ajustado para verificar
que al menos su estado era offen dos marcos (Sg ( - 6) apagado) (Mx
( - 5) apagado) y luegoen los prximos cinco marcos (g S ( - 4)
sucesivamente) (S g ( - 3) sucesivamente) (S g ( - 2)
sucesivamente) (S g ( - 1) sucesivamente) ...(S g () on). Este
cambio garantiza que la transicin de OFF aen no es parte de la fase
de parpadear.Este mdulo se inicia una vez que los valores medios de
la clase se han adquirido o el sistema est fuera de sincrona. Es
decir, si el nmero de eventos inusuales que ocurren en un ciclo es
superior a un valor previamente establecido, Tunusuals, el
principio del estado de la luz verde se busca y el ciclo de tiempo
se determina. De esta manera, el sistema puede funcionar durante
largos perodos de tiempo y las detecciones de eventos inusuales son
exactos mayor parte del tiempo.El control de semforo en un cruce de
caminos puede ser visto como una mquina determinista que los ciclos
en torno a una serie deestadosS1 S2 ... Sn S1. Cuando se conoce el
ciclo de tiempo , la duracin de cada estadoSi es tambinconocido
porque, en nuestro caso, hay una correspondencia directa con el
tiempo de luz individual y el resto de las luces en la encrucijada.
En otras palabras, el mdulo de sincronizacin proporciona una manera
de permitir que el mdulo de deteccin de actividad habitual saben
que un nuevo estado ha llegado.
4 Deteccin de actividad inusual
Nuestro algoritmo de deteccin de actividad inusual se basa en lo
que sucede a nivel de pxel. Es decir, durante el entrenamiento, un
modelo de fondo est construido para detectar, a travs de la
sustraccin, los objetos en movimiento. Entonces, los objetos en
movimiento se realiza un seguimiento a lo largo de su trayectoria.
Actividad inusual se detecta cuando hay una desviacin del modelo de
la actividad normal que se aprende durante el entrenamiento.
4.1 CapacitacinEn nuestro modelo, el sistema de percepcin visual
consiste en una estructura de fondo de doble capa (Salas, Jimnez,
et al.2007). En la primera capa, la aparicin de objetos en
movimiento se obtiene restando la imagen de la situacin esttica a
la imagen actual en la secuencia. En la segunda, un modelo
probabilstico de las orientaciones que los objetos en movimiento
podran seguir en cada pixel individual, se construye. De esta
manera, los acontecimientos inusuales se describen como objetos de
primer plano con regularidad excepcional en la direccin del
movimiento.
4.2 Aspecto ModeloUna etapa importante de procesamiento incluye
la forma de llegar al modelo inicial de fondo (Gutchess, et al.
2001). En nuestro sistema, se calcula el valor medio dentro de un
cierto nmero de imgenes, como en (Tai y Song 2004). Para un pxel
dadoen x, sus valores de intensidadJk (x) en un determinado lapso
de tiempo se registran en un histograma. El valor medio se utiliza
entonces comoun estimador de la apariencia del modelo de fondo.
Esta estrategia funciona bien siempre que los vehculos estn en
movimiento, que se supone que es el caso para el cruce de la
ROI.Actualizacin de fondo es el problema de mantener una
representacin exacta de lo que queda fijo en la escena, a pesar de
las variaciones en las condiciones de iluminacin. Incluso en las
situaciones en que el retorno de la inversin de imagen se compone
principalmente de los objetos en movimiento, se ha demostrado que
una representacin mltiple fondo capa da mejores resultados
(Stauffer y Grimson 2000). En nuestro caso, un modelo de MOG, tal
como se define en la ecuacin. (1) se utiliz para actualizar el
fondo.
4.1.2 Movimiento ModeloUna segunda capa del fondo se hace fuera
de las trayectorias regulares que describen objetos en movimiento
en la escena, por lo que las principales direcciones de movimiento
se modelan con un MOG en cada pxel en el retorno de la inversin. En
nuestro caso, los objetos son
asumido a ser rgido y por lo tanto, aunque hay algunos efectos
debido a la perspectiva y la ubicacin escena, las transformaciones
observadas implican principalmente rotaciones y traslaciones.
Adems, estamos suponiendo que una tasa de procesamiento marco
suficientemente alta se puede lograr, por lo que la aparicin de los
vehculos es efectivamente similar de cuadro a cuadro.Durante el
entrenamiento, el desplazamiento blob observada se extiende a todos
los pxeles que la componen. Oclusin parece ser un problema crucial
para el seguimiento robusto. Las estrategias para tratar con l
incluyen el uso de sub-funciones (Beymer, et al.1997), mdulos de
razonamiento de alto nivel (Veeraraghavan, Masoud y
Papanikolopoulos 2003), que limitan modelos de cajas(Atev, et al.
2005), plantillas temporales producidos con diferencias de
inter-(Medioni, et al. 2001), modelos activos (Johnson y Hogg
1996), y mltiples hiptesis (Stauffer y Grimson 2000). En este
estudio, no nos ocupamos de forma explcita con la oclusin debido a
que en la prctica hemos hecho dos observaciones. En general, la
oclusin representa una pequea parte de los casos, y segundo, es
comn que las maniobras inusuales son realizadas por vehculos
aislados. Cuando ste no es el caso, el evento es probable que se
detecten como una actividad inusual para todos los vehculos en el
grupo. Este supuesto reduce la carga de computacin sin afectar a la
eficacia del sistema.Cada S k estadode las encrucijadas que define
un espacio de actividad habitual U k (x)que representa la
descripcin de ladirecciones normales de movimiento presentes en
cada lugar de pxeles x. Supongamos que se detecta una mancha en el
barrio A. Cuando la burbuja se rastre de cuadro a cuadro, una
estimacin de su direccin actual dese obtiene movimiento. Los Mogs
correspondiente a todos los pxeles x Ase actualizan con el valor
medido de .Este proceso es seguido por un gran nmero de tramas
correspondientes al mismo estado S k, creando as en el proceso de
su respectiva descripcin espacio habitual U k. En cada posicin de
pxel, tenemos una MOG describiendo las indicaciones habituales de
movimientos presentes en la secuencia de entrenamiento.
4.2 OperacinDurante la operacin, las observaciones se hacen
coincidir con la estructura de doble capa de fondo, Salas et al.
(2007), construido durante el entrenamiento.
4.2.1 Aspecto ModeloDurante el funcionamiento, cada pxel de la
ROI se compara con un modelo de fondo MOG. Si se ajusta, se
considera como unapxel del fondo y se actualiza dinmicamente usando
el procedimiento de estimacin-Maximizacin descrito en Stauffer y
Grimson (2000). Si no, se trata como un pxel en movimiento. La
imagen de manchas obtenidas con todos los pxeles en movimiento se
analiza en la segunda capa se describe en el apartado
siguiente.
4.2.2 Movimiento ModeloDurante la operacin, el desplazamiento
calculado cuando el seguimiento de un vehculo da la direccin del
movimiento que se compara contra la MOG del pxel en x, el centroide
pixel. As, para una observacin particular, una medida que evala
probabilstico se le asigna su probabilidad. Observaciones
Improbables se llaman eventos inusuales. Esto es diferente a
otroenfoques, tales como los de Chan et al. (2004) y Johnson y Hogg
(1996), donde se necesita toda la trayectoria del vehculo antes de
adoptar una decisin. Puesto que no hay necesidad de construir una
representacin de alto nivel de la situacin, se pueden tomar
decisiones ms rpido y no hay problemas asociados con la comparacin
de las curvas o segmentos de curvas.DejarX = {x1, ..., xn} es el
conjunto ordenado de puntos de pxel en la trayectoria del vehculo.
La probabilidad de observaresta trayectoria particular es p (x1,
..., xn) = p (x | x n -1, ..., x1) p (x n -1 | xn -2, ..., x1) ...
p ( x 2 | x1) p (x1). Porsuponiendo un estado Markovian, donde cada
observacin depende nicamente de la anterior, la expresin puede
serreescrito comop (x1, ..., xn) = p (xn | xn -1) p (xn -1 | xn-2)
... p (x 2 | x1) p (x1). Dado que, xiy xi-1 son dependientes,es
decir, la nueva posicin es la posicin anterior ms un
desplazamiento. Luego,xi = xi -1 + ai -1ui -1, donde a es
unaconstante relacionada con la velocidad del vehculo, yui -1un
vector unitario que describe la direccin del movimiento, de ahp (x
i | x i -1)puede escribirse comop (xi | xi -1) = p (AI -1ui -1 | xi
-1). En consecuencia, una posible medida para elprobabilidad de que
la trayectoria X puede ser expresada porn -1L (x1, ..., x n) = p
(ui | xi).i = 1
(4)
La condicin anterior expresa la coherencia temporal y espacial
de movimiento y puede ser parte de la informacin llevada a cabo por
el blob siendo rastreado. Cuando la puntuacin cae por debajo de un
cierto umbral para un nmero de tramas consecutivas, una declaracin
evento inusual puede ser emitida.
En cada estado especficoSk de las cruces, algunas rutas puede
ser considerado normal. Saltarse un semforo en rojo ohacer un giro
prohibido puede ser considerado anormal, ya sea porque lo que est
sucediendo en el momento equivocado o porque es poco frecuente. El
sistema de visin de sincronizacin descrito en la seccin anterior
proporciona una manera de permitir que el mdulo de deteccin de
actividad habitual saber qu estado es activo.
5 Resultados experimentales
Para la experimentacin, hemos creado un sistema para monitorear
una encrucijada muy transitado en la ciudad de Quertaro, Mxico. El
sistema consta de dos cmaras y una computadora de escritorio. Una
de las cmaras se coloc en la parte superior de una torre, sobre28 m
sobre el nivel del suelo. El segundo se encuentra a unos 6 m sobre
el nivel del suelo constantemente viendo un semforo situado a 42 m
de distancia. El equipo tena un procesador Intel corriendo a 3GHz,
2 GB de memoria RAM interna y una capturadora Matrox Corona II. Los
programas de computadora fueron escritos en C ++ Visual para
procesar imgenes en escala de grises con una resolucin de 320
columnas Tiempos 240 filas.
(A) Las lneas superiores e inferiores muestran el descriptor de
luz verdeencendido y apagado, respectivamente (b) tiempo de ciclo
del controlador del semforo
Fig. 3. Una cmara se utiliza para controlar el semforo para
sincronizar la deteccin de actividades inusuales. Un perodo de
observacin de 72 horas se utiliz para generar los grficos mostrados
en (a) y (b)
Para configurar el sistema, una pequea rea se tomaron muestras y
su valor medio de intensidad se calcul para determinar si la luz
estaba encendida o apagada. Debido a las vibraciones, se produjo un
cambio perceptible en la posicin de la relacin de semforosa la
cmara. Por lo tanto, definimos un rea altamente distintivo T en el
semforo que se rastre durante la operacin del sistema. En relacin a
ello, probamos otra rea L que nos dir si la luz estaba encendida o
apagada. Comopodran ser predicho, actividad reducida durante la
noche hizo que el semforo ms estable. La observacin comenz un sbado
a las 22: 53: 12h y termin en el prximo martes a las 23: 31: 08h,
aproximadamente 72h despus. En general, los desplazamientos
horizontales y verticales no superaron los seis pxeles relativos a
la posicin de originalidad.
El estado de la luz verde se control para determinar si se
trataba de encendido o apagado. Durante el entrenamiento, tomamos
imgenes por cerca de 120 s. El muestreo y posterior caracterizacin
creado un histograma bimodal; la distincin entre el estado on / off
se hizo utilizando el algoritmo de umbrales de Otsu (Otsu 1978).
Posteriormente, el descriptor de clase eraactualizado siguiendo un
criterio de estimacin de maximizacin en lnea. Fig. 3 (a) muestra el
comportamiento de los dos descriptores durante largos perodos de
tiempo. Durante la noche, el de la clase present un valor de
intensidad grande (casi el mximo nivel de iluminacin, 255),
mientras que la clase fuera mantuvo baja. Por otro lado, la clase
fuera tena un notable aumentoen el valor en torno a 8h, mientras
que una disminucin abrupta se detect alrededor de 18 h. En el
medio, ambas clases mostraron un comportamiento parablico-como con
un mnimo en torno a 14: 30h. En cualquier caso, se midi una gran
distancia entre ambos valores durante el experimento que hizo
observaciones ms fcil de clasificar. El semforo se monitore durante
tres das consecutivos y la transicin de apagado a encendido se
registr. El resultado se representa en la Fig. 3 (b).
Durantedurante el da, el sistema de visin funcionaba bien. Se
extrajo descriptores uniformes que agrupan alrededor de 95 s, 110
s, 130 s y135 s. La implementacin actual logra un mximo rendimiento
de alrededor de 20 cuadros por segundo.Una vez que el ciclo de
tiempo se caracteriz, fue posible iniciar la deteccin de eventos
inusuales, tales como giros prohibidos o vehculos que funcionan con
luz roja. Los resultados presentados en este artculo, se basan en
una secuencia de 113.195 imgenes tomadas en un intervalo que comenz
un martes a las 14:33:25 h, y termin en el prximo viernes a las
10:00:00 h. Hay que tener enimporta que el control de semforos est
compuesto por tres estados y la secuencia tiene ms de 870 ciclos
completosalrededor de estos estados. Anteriormente, se utilizaron
10 ciclos para la formacin y la secuencia completa para la prueba.
Cada secuencia de ciclo de formacin est formada de subsecuencias
correspondientes a los tres estados diferentes. Las subsecuencias
del mismo estado se procesaron para obtener el espacio para eventos
de costumbre para cada estado en particular. Como resultado de la
fase de entrenamiento, se obtuvieron (a) una regin de inters, (b)
un modelo inicial de los antecedentes, y (c) una descripcin del
espacio de evento normal para cada uno de los estados individuales
que forman parte de la ciclo del regulador de semforo. Fig. 4
muestra el ROI obtenido y un ejemplo de objetos en primer plano.A
preliminar-s 120 perodo, tanto en la formacin y la secuencia de
prueba, se utiliz para la inicializacin de fondo. El nivel de gris
ms frecuente para cada pxel de la imagen se calcul. A continuacin,
se utiliz un modelo MOG para interpretar las variaciones observadas
a lo largo de la secuencia. Cuando las variaciones podran ser
interpretados por un modelo de Gauss en particular, se utiliz la
muestra para el aprendizaje. De lo contrario, se supone que un
objeto de primer plano se ocluye el fondo. Durante el
funcionamiento, el espacio de eventos se cambi a la imagen
correspondiente con un cambio de estado. El espacio para eventos
apropiada se carg y la ejecucin contina. As que los eventos
observados fueron comparados con respecto a lo que se considera
normal para ese estado en particular. Se evaluaron las
probabilidades a lo largo de la trayectoria y los que tienen
valores bajos se consideraron eventos inusuales. Fig. 5 muestra
algunos ejemplos de actividad inusual detectado con nuestro
sistema. La implementacin actual lleva a cabo cerca de nueve
cuadros por segundo. Los resultados numricos se resumen en la Tabla
1. Dos tipo de evento inusual se inform (a) que se ejecuta en la
luz roja y (b) el movimiento prohibido que se refiere a los
vehculos que realizan movimientos no permitidos en el estado
actual. Las dos ltimas columnas son falsos positivos (Tabla 1, c),
que significa falsas detecciones. La mayora de las veces, son
causados por los movimientos irregulares del vehculo o por divisin
blob. En todos los casos, el porcentaje (%), se calcul considerando
el total de las imgenes analizadas cada da.
Tabla 1. Estadsticas del experimento realizado. Cuatro das se
consideran en el intervalo. La cuarta columna muestra el nmero (#)
y porcentaje (%) de vehculos que funcionan con luz roja. La quinta
columna muestra el nmero (#) y porcentaje (%) de los vehculos que
realizan movimientos prohibidos. El ltimo par de columnas muestra
el nmero (#) y porcentaje (%) de los eventos detectados inusuales
falsos
DaHorasImgenes# Luz roja(A) el movimiento Prohibida(b) Los
falsos positivos(C)#% #% #%1 4.5 15.995 125 0.781 110 0.688 463
2.8952 12,0 43 200 161 0.372 354 0.819 888 2.0563 12,0 43 200 151
0.349 261 0.604 662 1.5324 3,0 10.800 40 0.370 100 0.926 322
2.981Total 31.5 113.195 477 0.421 825 0.729 2.335 2.062
Conclusin
En este documento, se presenta un sistema de mquina de visin
adecuado para la deteccin, en tiempo real, de los acontecimientos
inusuales que ocurren en un ciclo de tiempo variable, semforo
controlado, interseccin vehicular. El mtodo se basa en el
procesamiento local (a nivel de pixel) de la direccin de movimiento
detectado en un cruce. El uso de un modelo de doble capa de fondo,
que combina el aspecto y el movimiento, result en un modelo
adecuado para el procesamiento en lnea. Bajo nuestro punto de
vista, los acontecimientos inusuales fueron identificados fcilmente
como objetos sobresalientes, en la descripcin del espacio habitual,
ya sea porque no sucedi en el momento adecuado o porque no haba
suficientes muestras de ellos durante el entrenamiento.Dado que el
ciclo de tiempo es variable y el controlador de luz electrnica
trfico no es accesible, un sistema de visin fue desarrollada para
monitorear el estado de la luz verde. El enfoque actual funciona
bien durante el da. Con el sistema, hemos sido capaces de descubrir
el patrn predominante para la conmutacin de la luz. Nuestra
estrategia para descubrir el desplazamiento entre laordenador y el
tiempo de controlador encrucijada podran utilizarse para disear
estrategias inteligentes para monitorear tanto elfactor de
sincronizacin y otras tareas de anlisis de imgenes relacionadas con
ella, como el flujo vehicular.La implementacin actual proporciona
un excelente banco de pruebas para los estudios sobre el
aprendizaje de patrones que se producen en diferentes perodos de
tiempo, como das o semanas. Nuestro objetivo es desarrollar
algoritmos para entender lo que sucede en diferentes escalas de
tiempo a fin de aplicar una deduccin automtica de una situacin
normal / anormal con respecto a un marco de tiempo dado.
(A) ROI (b) objetos en primer plano
Fig. 4. Los objetos en movimiento pueden ser detectados por
restando la imagen actual a partir del modelo de fondo. El
resultado est segmentada en grupos de pxeles conectados. Este
procedimiento es til tanto para detectar objetos en movimiento en
una regin de inters (ROI) y para actualizar el modelo de fondo
considerando slo aquellas regiones en las que las variaciones son
pequeas
(A) El vehculo est ejecutando en la luz roja. (B) El vehculo est
haciendo una demasiado amplia turno.(C) El vehculo est haciendo un
giro prohibido.
Fig. 5. Algunos eventos inusuales detectadas con nuestro mtodo.
La lnea de puntos muestra la trayectoria inusual
Referencias
1 ngel, A., M. Hickman, P. Mirchandani, y D. Chandnani. "Mtodos
de Anlisis de Trfico de ImgenesRecogidos de Plataformas y gras
"IEEE Transactions sobre Sistemas Inteligentes de Transporte 4, N 2
(2003): 99 -..107.2 Atev, S., H. Arumugam, O. Masoud, R. Janardan,
y NP Papanikolopoulos. "Un enfoque basado en la visin de Prediccin
de colisin en las intersecciones de trfico." Transacciones de IEEE
en Sistemas Inteligentes de Transporte 6, no.4 (2005): 416-423.3
Beymer, D., P. McLauchlan, B. Coifman, y J. Malik. "Un sistema de
tiempo real de Visin por Computador para medir parmetros de
trfico." Visin por Computador y Reconocimiento de Patrones. San
Juan, Puerto Rico: IEEE Computer Society, 1997. 495-501.4 Boiman,
O. y M. Irani. "Deteccin de irregularidades en imgenes y en vdeo."
Conferencia Internacional sobreVisin por Computador. Beijing,
China: IEEE Computer Society, 2005. 462-469.
