Algoritmos de inteligencia computacional para la deteccio19 on de patrones de movimiento de ...

164 Pages·2016·11.74 MB·Spanish

CECAL
Instituto de Computacio´n, Facultad de Ingenier´ıa
Universidad de la Repu´blica
Montevideo, Uruguay
PROYECTO DE GRADO
´
INGENIERIA EN
´
COMPUTACION
Algoritmos de inteligencia
computacional para la deteccio´n de
patrones de movimiento de personas
Juan P. Chavat
juan.pablo.chavat@fing.edu.uy ([email protected])
Juan A. Go´mez
juan.gomez.simonelli@fing.edu.uy ([email protected])
Ismael Silveira
ismael.silveira@fing.edu.uy ([email protected])
Diciembre de 2016
Tutor de Proyecto:
Sergio Nesmachnow, Universidad de la Repu´blica.
Algoritmos de inteligencia computacional para la detecci´on de patrones de movimiento
de personas
J.P. Chavat, J.A. G´omez, I. Silveira
Proyecto de Grado
CECAL
Instituto de Computaci´on - Facultad de Ingenier´ıa
Universidad de la Repu´blica
Montevideo, Uruguay, Diciembre de 2016
i
Algoritmos de inteligencia
computacional para la deteccio´n de
patrones de movimiento de personas
Resumen
El nu´mero de c´amaras de vigilancia instaladas en los u´ltimos an˜os ha ido en aumento y,
con ello, tambi´en ha aumentado el taman˜o y costo de los centros de gesti´on y control de
lossistemasdevigilancia.Aunquesehaavanzadoconsiderablementeenelprocesamiento
de im´agenes para la observaci´on de hechos an´omalos, au´n se est´a lejos de prescindir del
agente humano como u´ltimo eslab´on de la cadena de toma de decisiones.
Este proyecto estudia el estado del arte del procesamiento de im´agenes y de la de-
tecci´on de patrones, y presenta una prueba de concepto de un sistema capaz de generar
alertas ante hechos predefinidos que ocurren en una secuencia de im´agenes. En otras
palabras, el sistema actu´a como una herramienta para enfocar la atenci´on de los agentes
humanos en las escenas con indicios de hechos an´omalos.
Enlaimplementaci´ondelsistemaseutilizandiversastecnolog´ıasincluyendoellengua-
je de programaci´on Python 3 y la plataforma de mensajes RabbitMQ, as´ı como tambi´en
m´etodos ya implementados, proporcionados por las bibliotecas OpenCV, Scipy, FilterPy
y Numpy, entre otras. El sistema se estructura bajo una arquitectura basada en tubos y
filtros donde cada filtro representa una—o parte de una—etapa del proceso, facilitando
la evaluaci´on de diferentes m´etodos para una misma etapa. En forma general, el sistema
implementado cuenta con dos etapas principales, donde la primera etapa est´a dedicada
a la extraccio´n de las caracter´ısticas de las im´agenes (detecci´on de los objetos de inter´es
y seguimiento de su posici´on en el tiempo), mientras la segunda etapa se dedica a la
detecci´on del cumplimiento de patrones por parte de los objetos seguidos.
Enelproyectoseplanificanysellevanacabom´asde1450instanciasdeprocesamiento
que componen el an´alisis experimental, que abarca las dos etapas principales del sistema.
Para la etapa de extracci´on de caracter´ısticas de las im´agenes se agrupan los par´ametros
de configuraci´on y se los var´ıa bajo las mismas condiciones, llegando de esa forma a una
configuraci´onsub-´optimadevaloresparam´etricosdelsistema.Losan´alisissonefectuados
con el v´ıdeo de prueba PETS09-S2L1 y los resultados son comparados con la lista de
algoritmos del portal MOT Challenge.
Los principales aportes de este trabajo se concentran en el estudio del marco te´orico
necesario para la implementaci´on de sistemas que, trabajando en tiempo real y toman-
do como entrada secuencias de im´agenes, sean capaces de extraer caracter´ısticas de las
ima´genes y utilizarlas para detectar el cumplimiento de patrones predefinidos. El marco
te´orico proporcionado por este trabajo es un recurso de valor para cualquier equipo de
trabajo cuya intenci´on sea el estudio e implementacio´n de sistemas de la misma´ındole.
Adem´as, se aporta la implementaci´on de un sistema que aplica las t´ecnicas relevadas,
con el cual se obtuvieron resultados aceptables comparados con sistemas que abordan
problemas similares. De este modo, el proyecto logra proporcionar una prueba fehaciente
de la viabilidad en la construcci´on de este tipo de sistemas.
Palabras clave: Procesamiento de im´agenes, Patrones de movimiento
de personas, C´amaras de seguridad, Inteligencia computacional

´
Indice general
1. Introducci´on 1
2. Procesamiento de im´agenes y detecci´on de patrones 3
2.1. Procesamiento de im´agenes . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1. Descripci´on general . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2. Etapas del procesamiento . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3. Extracci´on de caracter´ısticas . . . . . . . . . . . . . . . . . . . . . 7
2.2. Detecci´on de patrones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1. Descripci´on general . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2. Etapas de la detecci´on . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.3. Extracci´on y selecci´on de caracter´ısticas . . . . . . . . . . . . . . . 13
2.3. Aplicaciones del procesamiento de im´agenes y de la detecci´on de patrones 15
3. Detecci´on de patrones de movimiento an´omalos en videovigilancia 19
3.1. Especificaci´on del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Planificaci´on del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3. Trabajos relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.1. Sistemas de videovigilancia . . . . . . . . . . . . . . . . . . . . . . 21
3.3.2. Procesamiento de im´agenes . . . . . . . . . . . . . . . . . . . . . . 22
3.3.3. Detecci´on y seguimiento de personas . . . . . . . . . . . . . . . . . 24
3.3.4. Detecci´on de anomal´ıas . . . . . . . . . . . . . . . . . . . . . . . . 25
4. Arquitectura y disen˜o del sistema 29
4.1. Arquitectura general del sistema . . . . . . . . . . . . . . . . . . . . . . . 29
4.2. Arquitectura del m´odulo de reconocimiento y seguimiento . . . . . . . . . 31
4.3. Arquitectura del m´odulo buscador de patrones . . . . . . . . . . . . . . . 32
4.3.1. M´etodo para encontrar patrones . . . . . . . . . . . . . . . . . . . 34
4.3.2. Medici´on del error en el cumplimiento de patrones . . . . . . . . . 35
4.4. Arquitectura de los m´odulos auxiliares . . . . . . . . . . . . . . . . . . . . 36
5. Implementaci´on 39
5.1. Tecnolog´ıas utilizadas para el desarrollo . . . . . . . . . . . . . . . . . . . 39
5.2. Comunicaci´on entre m´odulos . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.3. Detalles generales de la implementaci´on . . . . . . . . . . . . . . . . . . . 43
5.4. Mo´dulo Reconocimiento y seguimiento . . . . . . . . . . . . . . . . . . . . 45
5.4.1. Sustracci´on de fondo . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4.2. Detecci´on de blobs . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4.3. Clasificaci´on de blobs . . . . . . . . . . . . . . . . . . . . . . . . . . 48
iii
iv ´INDICE GENERAL
5.4.4. Seguimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.5. Implementaci´on del m´odulo Buscador de patrones . . . . . . . . . . . . . 68
5.5.1. Definici´on de patrones . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.6. Mo´dulos auxiliares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.6.1. Panel de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.6.2. Generador de eventos . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.6.3. Lanzador de instancias . . . . . . . . . . . . . . . . . . . . . . . . . 71
6. An´alisis experimental 73
6.1. An´alisis del m´odulo de reconocimiento y seguimiento . . . . . . . . . . . . 73
6.1.1. M´etricas de desempen˜o . . . . . . . . . . . . . . . . . . . . . . . . 73
6.1.2. Ground truth (GT) . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.1.3. Plan de ejecuci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.1.4. Ejecuci´on del plan de ejecuci´on . . . . . . . . . . . . . . . . . . . . 82
6.1.5. Resultados obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2. An´alisis del m´odulo Buscador de patrones . . . . . . . . . . . . . . . . . . 96
6.2.1. M´etricas de desempen˜o . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2.2. Resultados obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7. Conclusiones y trabajo futuro 101
7.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.2.1. Reemplazo del algoritmo alternativo de detecci´on de personas . . . 102
7.2.2. Manejo de variaciones en la iluminaci´on de las im´agenes . . . . . . 103
7.2.3. Adaptaci´on autom´atica de par´ametros de configuraci´on . . . . . . 104
7.2.4. Generador de patrones a reconocer desde una interfaz amigable . . 104
7.2.5. Reconocimiento de mu´ltiples objetos de inter´es . . . . . . . . . . . 104
7.2.6. Profundizaci´on en el an´alisis experimental . . . . . . . . . . . . . . 104
A. Conceptos te´oricos 107
A.1. Advanced Message Queuing Protocol . . . . . . . . . . . . . . . . . . . . . 107
A.2. Sustracci´on de fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
A.2.1. Mixture Of Gaussians 2 . . . . . . . . . . . . . . . . . . . . . . . . 108
A.2.2. K-Nearest Neighbours . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.3. Detecci´on de blobs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.3.1. Simple Blob Detector . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4. Reconocimiento de objetos de inter´es . . . . . . . . . . . . . . . . . . . . . 111
A.4.1. Histogram of Oriented Gradients . . . . . . . . . . . . . . . . . . . 112
A.4.2. Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . 117
A.4.3. Non-Maximum Suppression . . . . . . . . . . . . . . . . . . . . . . 123
A.5. Histogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
A.6. Seguimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
A.6.1. Filtros de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
A.6.2. Problema de asignaci´on . . . . . . . . . . . . . . . . . . . . . . . . 126
A.6.3. Algor´ıtmo Hu´ngaro . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
´INDICE GENERAL v
B. Consideraciones de implementaci´on 129
B.1. Detalles generales de la implementaci´on . . . . . . . . . . . . . . . . . . . 129
B.1.1. Preparaci´on del entorno de ejecuci´on . . . . . . . . . . . . . . . . . 129
B.1.2. Estructura de directorios de la soluci´on . . . . . . . . . . . . . . . 129
B.1.3. Clases utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
B.1.4. Para´metros de configuraci´on del m´odulo Reconocimiento y segui-
miento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
B.1.5. Para´metros de funcionamiento general . . . . . . . . . . . . . . . . 136
B.1.6. Para´metros de depuraci´on del sistema . . . . . . . . . . . . . . . . 137
B.1.7. Para´metros de configuraci´on del m´odulo Buscador de patrones . . 137
C. Detalles de la realizaci´on del an´alisis experimental 141
C.1. Scripts utilizados durante el an´alisis del m´odulo de reconocimiento y se-
guimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
C.1.1. Creaci´on de archivos de configuraci´on . . . . . . . . . . . . . . . . 141
C.1.2. Ejecuci´on de los bloques . . . . . . . . . . . . . . . . . . . . . . . . 142
Bibliograf´ıa 143

Agradecimientos
Queremos expresar nuestro agradecimiento a nuestro tutor, Sergio Nesmachnow, por
la constante orientaci´on y disposici´on a lo largo de los dos an˜os acad´emicos de este
proyecto.
Tambi´en nos gustar´ıa agradecer a Santiago Iturriaga, quien nos proporcion´o la es-
tructura principal de este documento y quien estuvo presente de forma constante para
orientar y asistir cuando fue necesario.
Agradecemos tambi´en, enormemente, a nuestras familias y amigos por el apoyo in-
condicional y continuo a lo largo de estos dos an˜os acad´emicos. Sin el apoyo de ellos y
ellas, nada de esto hubiese sido posible.
A todos ellos, gracias.