El grupo de Investigación Gavab-Capo, de la Universidad Rey Juan Carlos (URJC) ha desarrollado sistemas de visión artificial con múltiples aplicaciones en tareas de videovigilancia y seguridad, monitorización, interacción persona-ordenador, y en el análisis de la técnica deportiva. Son sistemas computacionales que interpretan una secuencia de imágenes para extraer de ella una información veraz, y cercana al lenguaje natural.
Se trata de modelos, algoritmos y software que permiten resolver problemas de reconocimiento automático de actividades humanas mediante el análisis de secuencias de imágenes con una especial atención a su aplicación en sistemas de videovigilancia.
Los sistemas desarrollados se basan en el desarrollo de métodos de seguimiento visual, área en que los investigadores tienen propuestas innovadoras recién publicadas en revistas como Neurocomputing, Machine Vision and Applications, Pattern Recognition Letters, Expert Systems with Applications o Expert Systems. Las técnicas desarrolladas ya permiten distinguir automáticamente acciones básicas llevadas a cabo por humanos, tales como caminar, correr, saltar, agacharse, etc.
En concreto, el objetivo de los sistemas automáticos de video-vigilancia consiste en detectar, reconocer y seguir objetos en secuencias de imágenes para describir y comprender su comportamiento. Estas técnicas de Visión Artificial permiten remplazar los sistemas de video-vigilancia tradicionales monitorizados por humanos que, hasta ahora, han mostrado dificultades cuando el número de cámaras excede a las capacidades de los operadores humanos para monitorizarlas.
No obstante, este área de investigación dentro de la Visión Artificial es uno de los más activos y tiene un amplio espectro de aplicaciones, como control de accesos, detección de objetos abandonados, identificación de humanos, control del flujo de personas y análisis de congestiones, o detención de comportamientos anómalos, etc. Es importante destacar que, a pesar de que la ejecución de tareas como las mencionadas es trivial para los humanos, no lo es en absoluto para un computador.
A lo largo de nuestra vida, los seres humanos vamos aprendiendo a analizar aquellos que vemos, de modo que un adulto atesora años de aprendizaje y experiencia que utiliza constantemente en la interpretación de imágenes, sin siquiera ser consciente de ello. Para hacer frente a estas limitaciones, los sistemas de visión artificial utilizan de manera conjunta un amplio número de técnicas diferentes y complementarias, tales como el análisis y procesamiento de imágenes, seguimiento de múltiples objetos deformables, gestión del conocimiento del experto, reconocimiento de patrones, etc.
Los sistemas desarrollados corresponden a propósitos u objetivos específicos para la video-vigilancia. Por un lado, se ha desarrollado una aplicación que permite detectar y localizar objetos abandonados a partir de secuencias de vídeo. Dicha aplicación ha sido probada con éxito en entornos reales, donde ha demostrado capacidad para adaptarse a cambios de iluminación en las secuencias. Por otro lado, otra aplicación de interés es la que establece medidas estadísticas en entornos de tráfico, tal como la monitorización de calles o el estudio de la ocupación de un parking a lo largo de un intervalo de tiempo prolongado ( a lo largo del día, de la semana, de los meses, etc..).
Estas aplicaciones pueden generar una base de conocimiento sobre la utilidad de la infraestructura, favorecer el análisis estadístico y estudiar el comportamiento de sus usuarios, tales como patrones de búsqueda de plazas libres o tiempos de espera en los parkings, análisis de las velocidades medias o densidad de tráfico por horas en calles, de una manera totalmente automática y sin llegar a grabar todo el contenido, que generaría una gran cantidad de información.
------------------------------
Para obtener más información:
Solo para medios:
Si eres periodista y quieres el contacto con los investigadores, regístrate en SINC como periodista.
La velocidad se incrementa a medida que el futbolista se acerca al balón, sin embargo, disminuye ligeramente al llegar a él. Los delanteros son los que corren más directamente hacia el esférico, mientras que los porteros lo hacen de una forma más paralela. Son algunos resultados de un estudio de investigadores españoles.
Investigadores de la compañía Google DeepMind han desarrollado Tactic AI, un asistente que podría ayudar a los entrenadores a elegir las mejores configuraciones de jugadores tras un saque de esquina. La herramienta se ha entrenado con datos de más de 7000 córneres de la Premier League y la han validado expertos del Liverpool FC.
