ANÁLISIS DE IMÁGENES: SISTEMA DE SEGUIMIENTO DE PERSONAS Autor:

Garzón González, Elena.

Directores:

Alvar Miró, Manuel. Arranz Domingo, Álvaro. Sánchez Miralles, Álvaro.

Entidad Colaboradora: ICAI - Universidad Pontificia de Comillas. RESUMEN DEL PROYECTO Gracias a los recientes avances tecnológicos, los sistemas de videovigilancia inteligente se han convertido en un área en continua investigación y desarrollo. Su objetivo principal es alertar a un operador cuando se detecten eventos que podrían necesitar la intervención humana, por ejemplo para evitar posibles accidentes o vandalismo. Estas advertencias sólo serán fiables si el sistema es capaz de detectar y comprender el comportamiento de esas personas, y para ello, debe localizarlas y seguirlas correctamente. Un buen sistema de seguimiento debe detectar y seguir de forma robusta los diferentes elementos de una escena. Debe mantener por tanto la información acerca de la trayectoria recorrida disponible a largo plazo para un análisis posterior del comportamiento del objeto en movimiento. Entre los problemas típicos que se pueden encontrar están la oclusión parcial o total, la formación y separación en grupos o los cambios en la iluminación que impidan una correcta detección y el posterior seguimiento de la persona. El propósito de este proyecto es construir un sistema de seguimiento robusto ante distintas situaciones a partir de un sistema de detección ya diseñado. Además de saber la posición de cada individuo en cada instante, deberá ser capaz de predecir su posición en el siguiente fotograma y conocer su trayectoria en todo momento. Se requiere un modelo general y sencillo, con un bajo coste computacional y robusto ante cambios de iluminación, oclusiones e interacción entre distintas personas y objetos. Por tanto, tras un estudio de los métodos existentes, se ha llegado a la conclusión de que el método más adecuado para resolver el problema de seguimiento es un sistema basado en modelos de apariencia. Dentro de las posibilidades existentes se ha optado por elegir un modelo de seguimiento basado en el algoritmo mean-shift.

Para comprobar tanto la viabilidad como las mejoras aportadas por este algoritmo se ha evaluado su rendimiento con otro algoritmo desarrollado previamente. Este algoritmo relaciona cada objeto detectado con la información cromática que proporcionan sus píxeles para su posterior seguimiento. Los resultados muestran en primer lugar que el algoritmo que se presenta cumple con su función de detección y seguimiento. En la Figura 1 se muestran los resultados obtenidos tras una oclusión:

Figura 1. Funcionamiento algoritmo implementado tras oclusión

Por otra parte, se ha demostrado que las mejoras aportadas al mean-shift resultan en un seguimiento más robusto. En la Figura 2 se puede observar como el modelo de referencia falla en situaciones difíciles como oclusiones, confundiendo personas.

Figura 2. Funcionamiento algoritmo de referencia tras oclusión

Asimismo, en la Figura 3 se puede comprobar cómo el algoritmo implementado es capaz de seguir e identificar correctamente a distintas personas cuando se produce una formación y posterior separación en grupos. Sin embargo, puede haber una posible confusión entre personas si éstas vistiesen de manera similar.

Figura 3. Funcionamiento algoritmo implementado en la formación y separación en grupos

Como resultado del proyecto se ha obtenido un sistema fiable y robusto de seguimiento de objetos ante distintas situaciones, soportando oclusiones parciales o totales y la formación o separación en grupos, capaz de identificar a cada uno de los objetos a lo largo de su permanencia en la escena.

ABSTRACT With recent technological advances, visual surveillance has become a popular area for research and development. The goal of a surveillance system is to warn an operator when it detects events which may require human intervention, for example to avoid possible accidents or vandalism. These warnings can only be reliable if the system can detect and understand human behaviour, and for this, it must locate and track people properly. A good tracker should detect and track the different elements of a scene robustly. Therefore, it makes long-term tracking information available for subsequent behaviour analysis of the moving object. Typical problems that can be found are partial or total occlusion, forming and separating into groups or lighting changes which prevent proper detection and subsequent people tracking. The aim of this project is to build a robust tracking system to different situations from a detection system designed. Besides knowing the position of each person at every moment, it must be able to predict its position in the next frame and find its trajectory at any moment. It requires a general and simple model, with low computational cost and robust to lighting changes, occlusions and interaction between people and objects. Therefore, following a review of existing methods, the conclusion is that the most suitable method for solving the tracking problem is a system based on appearance models. Among the possibilities it was decided to choose a model based on the mean-shift tracking algorithm. In order to check the feasibility and the improvements made by this algorithm, its effectiveness has been evaluated with an algorithm previously developed. This algorithm joins each detected object with the color information provided by its pixels for subsequent tracking. Results show that the algorithm has fulfilled its role of detection and tracking. Figure 1 shows the results obtained after occlusion.

Figure 1.Operation of implemented algorithm after occlusion

On the other hand, it has been demonstrated that improvements to the mean-shift algorithm results in a more robust tracking. Figure 2 shows as the reference model fails in difficult situations such as occlusions, confusing people.

Figure 2.Operation of reference algorithm after occlusion

In Figure 3, it can be seen how the implemented algorithm is capable of tracking and identifying correctly different people when they form groups and separate from one another. However, there may be a possible confusion on clothing.

Figure 3. Operation of implemented algorithm forming and separating groups

As a result of the project, it has been obtained a reliable and robust tracking system with different situations, coping with partial and total occlusions and formation or separation into groups, capable of identifying each of the objects during their stay in scene.