Detección de eventos anómalos en vídeo

Abstract

En los u´ltimos an˜os, la detecci´on de eventos an´omalos en secuencias de v´ıdeo ha atra´ıdo una mayor atenci´on en la comunidad de investigaci´on de visio´n por computador. Esto ha ocurrido debido a la creciente necesidad de utilizar los sistemas de vigilancia automatizados para mejorar la seguridad en los espacios pu´blicos y privados. Si bien se han logrado avances, todav´ıa existen algunas limitaciones en la investigacio´n actual. Es decir, la mayor´ıa de los m´etodos de la literatura se enfocan en la deteccio´n de eventos an´omalos espec´ıficos, y algunos todav´ıa no son capaces de detectar ma´s de dos tipos de anomal´ıas. En esta investigacio´n, se propone un nuevo modelo para la detecci´on y localizacio´n de eventos ano´malos en a´reas peatonales. El objetivo es disen˜ar un algoritmo que permita detectar eventos ano´malos mediante el uso de la informacio´n de movimiento y la apariencia. La informaci´on de movimiento se representa a trav´es del uso de la velocidad y la aceleracio´n del flujo o´ptico, y la informaci´on de apariencia es representado mediante la textura y la gradiente del flujo ´optico. Para representar estas caracter´ısticas se introduce el uso de parches espacio-temporales sin superposici´on. A diferencia de los m´etodos de la literatura, el modelo propuesto proporciona una solucio´n general para detectar eventos an´omalos tanto globales como locales. Adema´s, en la etapa de deteccio´n se presentan problemas de perspectiva, esto debido a que los objetos cercanos a la ca´mara parecen ser grandes, mientras que los objetos alejados a la c´amara parecen ser pequen˜os. Para abordar estos problemas, se propone la clasificaci´on por regio´n. Los resultados experimentales sobre dos bases de datos (UCSD y UMN) y la comparaci´on con los m´etodos de la literatura validan el rendimiento y la robustez del modelo propuesto. Los resultados del m´etodo propuesto sobre la base de datos UCSD Peds2 logra un EER de 07.2% y un AUC de 0.977 y en la base de datos UMN se logra un 0.998 de AUC en la escena 1 y 0.995 de AUC en la escena 3, estos resultados superan a los resultados de la literatura. Mientras tanto, los resultados sobre las bases de datos UCSD Peds1 logra un EER de 29.2% y un AUC de 0.792 y en la base de datos UMN escena 2 se logra un 0.948 de AUC, estos resultados son comparables con los resultados de los m´etodos de la literatura, esto ocurre debido a que estas bases de datos presentan problemas de perspectiva.