LUISA FERNANDA HERNANDEZ VASQUEZ

SISTEMA DE CONTEO PEATONAL DESDE UNA VISTA SUPERIOR

LUISA FERNANDA HERNANDEZ VASQUEZ

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERÍA

DEPARTAMENTO DE ELECTRÓNICA

BOGOTÁ D.C.

ENERO DE 2012

SISTEMA DE CONTEO PEATONAL DESDE UNA VISTA SUPERIOR

LUISA FERNANDA HERNANDEZ VASQUEZ

TRABAJO DE GRADO PARA OPTAR POR EL TÍTULO DE INGENIERO

ELECTRÓNICO

DIRECTORES

ING. FRANCISCO CALDERON, M.Sc.




BOGOTÁ D.C.

ENERO DE 2012




RECTOR MAGNÍFICO: JOAQUÍN SÁNCHEZ GARCÍA S. J.

DECANO ACADÉMICO: Ing. FRANCISCO J. REBOLLEDO M.

DECANO DEL MEDIO UNIVERSITARIO: SERGIO BERNAL RESTREPO S. J.

DIRECTOR DE CARRERA: Ing. JUAN MANUEL CRUZ

DIRECTOR DEL TRABAJO DE GRADO: Ing. FRANCISCO CALDERON

ARTÍCULO 23 DE LA RESOLUCIÓN N° 13 DE JUNIO DE 1946

“La universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus trabajos

de grado. Solo velara porque no se publique nada contrario al dogma y la moral católica y porque

los trabajos no contengan ataques o polémicas puramente personales. Antes bien que se vea en ellos

el anhelo de buscar la verdad y la justicia”

HOJA DE AGRADECIMIENTOS

TABLA DE CONTENIDO

1. INTRODUCCION

El tráfico peatonal se ha convertido en una de las variables más importantes en el desarrollo

de proyectos movilidad y tránsito en una ciudad. Esto se demuestra con los estudios

realizados por la cámara de comercio de Bogotá y la universidad de los Andes los cuales

muestran que una de las variables más vulnerables son los peatones, los cuales ocupan el

índice más alto de accidentalidad y mortalidad en accidentes de tránsito con una

participación del 63% seguidos por los motociclistas con un 18% y pasajeros con un 8%

[1].

Por tal motivo actualmente se realizan estudios del tráfico de personas en cruces peatonales

con el fin de buscar patrones de comportamiento o estadísticas. Como por ejemplo el

número de peatones que utilizan las cebras peatonales de manera correcta y el número de

peatones que arriesgan su vida al no utilizarlas, dichos estudios se han desarrollado

recopilando la información de forma manual. Sistemas basados en información recopilada

manualmente se pueden ver afectados por errores humanos y se encuentran limitados en

tiempo y ubicación a las posibilidades de la persona encargada de realizar la labor. Debido

a esto y los avances en CCTV inteligentes (circuito cerrado de televisión) estos estudios se

pueden realizar de manera automática, generando sistemas más económicos, confiables y

con tiempos de observación y procesamiento más cortos lo que podría llevar a un sistema

más eficiente.

Entre las variables de tráfico peatonal es de gran importancia el flujo peatonal, definido

como el número de personas sobre área. Adicionalmente, conocer el flujo de personas que

pasan por los diferentes accesos de un edificio puede ayudar en la planeación y diseño

óptimo de sistemas de evacuación, creación de caminos adecuados según el número de

peatones que transiten por dicha área, entre otros [2].

Actualmente, el grupo de investigación en Sistemas Inteligentes, Robótica y Percepción

(SIRP) del Departamento de Electrónica de la Pontificia Universidad Javeriana, está

llevando a cabo investigaciones en el área de análisis automático de variables de tráfico

urbano, flujo vehicular, y de peatones por medio del desarrollo de algoritmos de visión por

computador [3]. Hasta el momento los trabajos desarrollados para detección de peatones

han coincidido en el problema del traslape debido a la perspectiva. En estos trabajos se ha

intentado estimar el número de personas que conforman un grupo de peatones a partir de

modelos obtenidos de un peatón asilado, sin embargo, debido a las perspectivas utilizadas

no se han logrado estimaciones precisas. Este trabajo, a diferencia de los anteriores,

implementa un algoritmo de detección y conteo de peatones a partir de videos capturados

desde una vista superior

Para la estimación del primer plano se utiliza un modelo del fondo de la escena el cual se

obtiene con una versión de codebook alternante [4]. Posteriormente los objetos encontrados

se clasifican en dos, peatón aislado y grupo de peatones y se realiza un seguimiento de los

blobs en una zona cercana a una línea de conteo con el fin de determinar su paso por esta.

Este documento se encuentra estructurado como se muestra a continuación. En el Capítulo

2 se presenta el marco teórico global en el cual estuvo basado el desarrollo del proyecto. En

el Capítulo 3 se describen las especificaciones del sistema desarrollado. En el Capítulo 4 se

muestra la información de cada uno de los algoritmos que conforman el sistema. El análisis

de los resultados obtenidos es descrito en el Capítulo 5. Finalmente, se presentan algunas

conclusiones sobre el trabajo realizado junto con la bibliografía consultada durante el

desarrollo del mismo.

2. MARCO TEORICO

2.1 CODEBOOK

Codebook es un algoritmo de substracción de fondo capaz de adaptarse a cambios rápidos

en la iluminación e inicializarse con escenas no vacías mediante ciertas optimizaciones del

algoritmo básico. La substracción de fondo mediante codebook genera un codeword para

cada pixel de la imagen, los codewords a través del tiempo forman el codebook de cada

pixel [5].

Los codeword están definidos por un vector de color y una séxtupla que representan la

frecuencia con la cual ciertos valores de crominancia y luminancia ocurren a medida que el

sistema se entrena. El vector de color puede ser representado en diferentes espacios como

YUV, RGB, HSV. Pero en la práctica el espacio de color más usado es YUV o HSV

debido a que los cambios producidos en un fondo se deben a variaciones en su mayoría a la

componente de brillo y no la de color. Los elementos que conforman la séxtupla son los

siguientes:

Î1 Mínimo Valor de Brillo asignado.

Î1 Máximo Valor de Brillo asignado.

ƒ Frecuencia con la que el codeword ocurre

Λ Intervalo más largo en el periodo de entrenamiento en el que ocurrió el codeword.

p Tiempo del primer acceso al codeword.

q Tiempo del último acceso al codeword.

Tabla 1. Definición Séxtupla Codebook

Estos valores determinan la creación de un nuevo codeword por medio de umbrales.

Cuando en un pixel existe una variación de luminancia y crominancia tal que sobrepase

estos umbrales un nuevo codeword es creado. Si no se sobrepasan pasan los umbrales el

valor de el codeword es actualizado volviéndose más “fuerte”. Así para un pixel se tendrán

múltiples codewords, aquellos “fuertes” indican un posible fondo y aquellos “débiles”

indicaran eventos que sucedieron durante poco tiempo, como peatones que cruzan la

escena. Estos codewords débiles son eliminados obteniendo así el conjunto que mejor

representa al fondo [6].

Finalmente para estimar el primer plano de la escena se realiza una comparación de los

valores de crominancia y luminancia entre los pixeles de la imagen y los codewords

creados en la fase de entrenamiento, si los valores son iguales esto indica que el pixel

pertenece al fondo, en caso contrario el pixel es parte del primer plano.

2.3 MOMENTOS CENTRO MASA

Un contorno es un conjunto de puntos que representan, de una manera u otra, una curva en

una imagen [7], éste aporta información de la silueta de un objeto. Un momento es una

característica del contorno que es obtenida en función del valor y la ubicación de cada uno

de los píxeles que conforman al contorno. El momento de un contorno compuesto por

n píxeles se define como indica la siguiente ecuación:

Donde (x,y) corresponde a la coordenada de cada pixel y la función I(x,y) toma el valor de 1

para los píxeles pertenecientes al contorno.

El centro de masa o centroide del contorno se define e de la siguiente manera:

Donde es la coordenada en x del centroide y la coordenada en y del centroide. En la

Figura se muestra un ejemplo del centro de masa de un contorno.

Figura 1. Centro de masa de un contorno.

2.3 CLASIFICADOR LINEAL

En el campo del aprendizaje automático, el objetivo del aprendizaje supervisado es usar las

características de un objeto para identificar a qué clase o grupo pertenece. Un clasificador

lineal logra esto tomando una decisión de clasificación basada en el valor de una

combinación lineal de sus características. Las características de un objeto son típicamente

presentadas en un vector llamado vector de características.

Si la entrada del clasificador es un vector de características reales , entonces el resultado

de salida es

, ecuación 4.

Donde es un vector real de pesos y f es una función que convierte el producto punto a

punto de los dos vectores en la salida deseada. El vector de pesos aprende de un

conjunto de muestras de entrenamiento. A menudo f es una función simple que mapea

todos los valores por encima de un cierto umbral a la primera clase y el resto a la segunda

clase. Una f más compleja puede dar la probabilidad de que una muestra pertenezca a cierta

clase.

La clasificación es realizada mediante una combinación lineal de las características de cada

dato [8].

Un hiperplano en es el conformado por todos los x que pertenezcan a que satisfacen:

Donde

Figura 2. a. clasificador lineal 1D, b. clasificador lineal 2D, c. clasificador lineal 3D

Clasificación lineal

Ecuaciones 1.

Suponga entonces

Figura 3. Clasificador lineal 2D aplicado en el sistema.

w

x

o

o

x

x x x

x

x x x x

x

o o o

o o o

DESCRIPCION

3.1 OBJETIVO GENERAL Y OBJETIVOS ESPECÍFICOS

3.1.1 OBJETIVO GENERAL

Desarrollar un sistema de conteo peatonal a partir de video desde una vista superior.

3.1.2 OBJETIVOS ESPECÍFICOS

Seleccionar e implementar una versión del algoritmo codebook para modelar el

fondo de la escena y estimar el primer plano.

Desarrollar un algoritmo que permita estimar el número de personas presentes en la

escena a partir del primer plano obtenido.

Implementar un algoritmo de seguimiento de blobs que permita determinar su paso

a través de una línea de conteo.

Definir un protocolo de pruebas para evaluar el desempeño del sistema.

3.2 ESPECIFICACIONES

El sistema diseñado implementa un conjunto de algoritmos en el lenguaje de programación

C++ haciendo uso de las librerías de Open CV creadas por Intel para el procesamiento y

análisis de imágenes.

3.3 Descripción de las escenas

Para el desarrollo del proyecto se obtuvo una base de videos proveniente del sistema de

seguridad de la Pontificia Universidad Javeriana. Se obtuvieron videos en diferentes

escenarios los videos tienen como característica especifica la vista superior de la escena

como se muestra en la figura 4. Adicionalmente los videos tiene como características una

tasa de 30 frames (cuadros) por segundo y dimensión 320 * 240 pixeles.

a. imagen vista superior biblioteca central PUJ

b. Imagen video vista superior hospital San Ignacio

Figura 4. Escenas con vista superior

Para el desarrollo y prueba del sistema se busca que la escena describa trayectorias

definidas para en el momento de determinar la línea de conteo la mayoría de transeúntes

sobre pasen esta. En la escena 4.a, los transeúntes describen múltiples trayectorias. Además

el sitio donde se adquiere esta imagen es un punto de encuentro importante en el la

universidad, lo que implica encontrar transeúntes que mantienen su posición por largos

periodos de tiempo. Por lo anteriormente escrito, la escena 4.b fue escogida para realizar el

desarrollo y pruebas del algoritmo. Esta escena describe trayectorias de paso definidas y

cuenta con un flujo peatonal alto debido a que su ubicación frente al hospital san Ignacio.

La base de datos está dividida en dos grupos, videos de entrenamiento y videos de prueba

del sistema, la duración promedio de los videos es de tres minutos y fueron capturados

entre las 8 am y 5 pm, evitando los días soleados y lluviosos. Los soleados debido a los

cambios de iluminación fuerte que generan y los lluviosos debidos a que la mayoría de

peatones usan sombrilla para cubrirse de la lluvia lo que genera un obstáculo para el

sistema. Las escenas anteriormente mencionadas y los videos con vistas frontales o que

permitan un alto nivel de traslape entre los peatones como se muestran en la figura 5, no

están permitidas por el sistema.

a. vista lateral

b. obstáculos en la visualización de los peatones

Figura 5. Escenas no permitidas por el sistema.

Los peatones son enmarcados en una caja de color o bounding box. Se utilizan bounding

box de color amarrillo, rojo y azul para distinguir entre un peatón aislado y grupos de dos o

tres peatones. De igual manera, el sistema visualiza durante todo el tiempo de ejecución de

qué lado de la línea de conteo se encuentran los peatones. La clasificación definida en el

programa sigue los parámetros que se muestran en la tabla 2.

Peatón Aislado Bounding box amarillo y I si esta a la izquierda de la línea de conteo y D si

esta a la derecha de la línea de conteo.

Grupo de 2 peatones Bounding box rojo y I si esta a la izquierda de la línea de conteo y D si esta

a la derecha de la línea de conteo.

Grupo de 3 peatones o

mas

Bounding box azul y I si esta a la izquierda de la línea de conteo y D si esta

a la derecha de la línea de conteo.

Tabla 2. Salida bloque clasificación y seguimiento del sistema.

El conteo se podrá realizar siempre y cuando se haya definido la línea de conteo al inicio

del programa, de lo contrario no.

3.3 DIAGRAMA DE BLOQUES DEL SISTEMA

Para facilitar el planteamiento y desarrollo del algoritmo, se dividió el sistema en diferentes

bloques como se muestra en la Figura 6 y se describe a continuación.

La entrada al sistema es un video con una vista superior de 320x240 pixeles sobre la cual

se escoge la región de interés para realizar el conteo de peatones. Adicional es necesario

definir la línea de conteo. Inmediatamente, se estima el primer plano de la escena el cual

nos da como salida todos los objetos en movimiento presentes en la misma. A partir del

primer plano, se realiza la detección y clasificación de los peatones.

La clasificación se hace por medio de las características área, perímetro y compacidad de

los contornos. Luego, se debe determinar el paso de los peatones por la línea de conteo, este

procedimiento se hace por medio de un clasificador lineal ver ecuaciones 5 y 6. Que

permite validar por medio de los 4 puntos del bounding box de qué lado de la línea de

conteo se encuentra el peatón.

Figura 6. Diagrama de bloques del sistema

Video IN: En este bloque se describir cada bloque del diagrama de bloques

Selección de la ROI y línea de

conteo

Línea de conteo

Extracción del primer

Plano.

Detección

de objetos

Seguimiento y clasificación de

objetos

Conteo de Peatones

VIDEO IN

Número de peatones

Proximidad de centro de masa

Clasificador lineal

Selección de la ROI y línea de conteo: En este bloque el usuario define la región de

interés donde se van a detectar, seguir y contar los objetos. Después de escoger esta zona el

usuario debe dibujar sobre la imagen la línea de conteo.

El bloque tiene como entrada el primer frame del video y como salida de este bloque se

tiene el área de la imagen a procesar y la línea de conteo de objetos.

Extracción del primer plano: En este segmento del algoritmo, se estima el primer plano

de la imagen. Tiene como entrada la imagen correspondiente a la zona de interés y como

salida una imagen binaria que permite visualizar los objetos en movimiento presentes en la

escena.

Detección: En este bloque el sistema detecta los objetos presentes en la escena. Se

implementa un umbral de tamaño para determinar que es ruido y que es un objeto de

interés.

Seguimiento y clasificación de objetos: En este bloque se realiza la clasificación de los

objetos en grupos de peatones y peatón aislado. Tiene como entrada la imagen binaria que

representa la estimación del primer plano. La clasificación se hace por medio de las

características de área, perímetro y compacidad de cada uno de los blobs (Binary Large

Object), mientras el seguimiento se realiza comparando la proximidad de los centros de

masa. A la salida de este bloque se tienen los objetos clasificados en peatón aislado, grupo

de dos, tres y cuatro peatones respectivamente.

Conteo de peatones: En este bloque el sistema utiliza un clasificador lineal para validar el

paso de los objetos por la línea de conteo.

3.4 DIAGRAMA DE FLUJO DEL SISTEMA

Figura 7. Diagrama de flujo del sistema. Diagrama detallado en la figura xa xb

Video de entrada

NO Condición frame

valido

SI

Selección de la ROI

Definición línea de

conteo

While cuadro =1 hasta cuadro valido

For frame = 1 hasta frames

de entrenamiento

Condición ciclo

entrenamiento Entrenamiento

B

Entrenamiento

A

SI

(A)

SI

(B)

Primer Plano

A

Primer Plano

B

Imagen

Binaria

Eliminación de ruido

y objetos pequeños

Obtención de

contornos

Asignación de

etiquetas

Obtención

características

contornos

Clasificación peatones

Condición

seguimiento

Seguimiento

Numero de

peatones Conteo según

clasificador

Condición paso

línea de conteo

SI

El diagrama de flujo ilustra el comportamiento general del sistema, desde la entrada del video

hasta la finalización del seguimiento, especificando los parámetros de decisión tenidos en cuenta en

cada paso del algoritmo, ver Figura 7.

4. DESARROLLO

4.1 Selección de la ROI y línea de conteo

El punto inicial del sistema requiere de la intervención de un usuario para delimitar el área

de interés de la escena y definir la línea de conteo. La segmentación de la zona de interés es

realizada por el usuario, con el uso del mouse enmarca un cuadro en el primer frame del

video. Debido al tamaño y la ubicación de la cámara la cual tiene un ángulo menor a

noventa grados los objetos varían de tamaño en ciertas regiones de la escena. En

consecuencia a esto él usuario debe definir un área de interés en la cual los objetos tengan

un tamaño uniforme. En la figura 8, se pueden observar ejemplos de zonas de interés.

a. Zona de interés

b. Zona de interés 2.

Figura 8.Posibles Zonas de interés HPUJ,

Una vez ya definida la zona de interés, es necesario que el usuario indique la referencia o

línea de conteo sobre la cual el sistema estimara el número de personas que sobrepase esta.

La línea de conteo se define dibujando la trayectoria deseada sobre la zona de interés

anteriormente seleccionada, ver figura 9.

Figura 9. a. Definición de la línea de conteo.

4.2 Ciclo de entrenamiento y estimación del primer plano.

Luego de definir el área de interés y la línea de conteo el algoritmo valida que se tenga un

frame valido para procesar. En el procesamiento de la escena lo primero que se realiza es

calcular el fondo de la escena. Este puede modelarse haciendo uso de diferentes técnicas de

substracción de fondo, como por ejemplo Pfinder, w4 y codebook [5], siendo este último el

escogido para el desarrollo del proyecto. La extracción de fondo y la estimación del primer

plano permiten diferenciar los objetos en movimiento del fondo estático de la escena. En el

caso particular de este proyecto, debido a que las escenas corresponden a cruces peatonales

los objetos en movimiento son peatones o grupos de peatones únicamente.

El sistema implementa una versión de codebook alternante que permite tener una versión

que actualiza el modelo del fondo el cual puede cambiar por condiciones atmosféricas o

cambios de iluminación [4]. El resultado final de este bloque es una imagen binaria, en

donde los objetos en movimiento se encuentran en color blanco (1 lógico) y se denominan

como primer plano, y el fondo se encuentran en color negro (0 lógico), figura 10.

4.3 Eliminación de ruido y objetos pequeños.

Teniendo el primer plano de la escena, el paso a seguir es detectar los objetos de interés,

peatones aislados y grupos de peatones. Para este proceso, se realizan operaciones

morfologías, específicamente una operación de closing seguida por una operación de

a. Imagen real

b. imagen binaria que muestra el fondo

Figura 10. a. Imagen de la escena.

openning, utilizando una ventana cuadrada 3x3, ver figura 11. Esto permite que pixeles

blancos muy cercanos se unan formando un solo objeto y los pixeles negros al interior de

los objetos se eliminen. Además de las operaciones morfológicas es necesario definir un

umbral que determine el área mínima de un peatón, este umbral es uno de los parámetros de

configuración del sistema.

a. antes de opening/closing,

b. después de opening/closing

Figura 11. Eliminación de ruido

Después de realizar la detección de los objetos en la escena se encuentran únicamente los

peatones o grupos de peatones, los cuales son etiquetados para posteriormente hacer el

seguimiento de cada de uno blobs.

4.4 Obtención de contornos

Un Contorno está definido como la secuencia de puntos que definen una línea o curva en

una imagen [8]. Los contornos pueden ser utilizados para clasificar objetos. En este bloque

el sistema encuentra los contornos de cada uno de los blobs presentes en la escena. El

algoritmo utiliza la información de los contornos para determinar el área del bounding box

que encierra cada blob. El área es utilizada para definir que objetos son considerados como

ruido y cuales son peatones o grupos de peatones, bajo un umbral de referencia definido en

el sistema.

4.5 Obtención de características

El procesamiento, seguimiento y conteo se realiza para cada uno de los objetos que superan

el umbral minino de área. A partir de los momentos de área de los contornos el sistema

obtiene un conjunto de características que permiten definir la clasificación entre peatón

aislado y grupo de peatones.

Las características obtenidas son las siguientes.

Área efectiva: Numero de pixeles blancos que conforman el blob.

Perímetro: Numero de pixeles que pertenecen al objeto y tienen al menos un vecino

que pertenece al fondo.

Compacidad: Medida de dispersión del blob. Definida como

4.6 Clasificación de peatones

En este bloque el sistema debe clasificar los blobs en grupos de peatones o peatón aislado,

los objetos que no se clasifiquen en estos grupos serán considerados como ruido.

En la figura 12 se muestran los ejemplos de los objetos de interés.

a. b. c. d.

Figura 12. Ejemplos objetos de interés, a. Peatón aislado, b. Grupo 2 peatones, c. Grupo 3 peatones, d. Grupo 4 peatones.

Para realizar la clasificación de los blobs se utilizan las características de área efectiva,

perímetro y compacidad halladas en el bloque anterior. Mediante umbrales definidos en el

sistema se implementa el algoritmo de clasificación de objetos presentes en la escena, el

cual se describe a continuación y es ilustrado mediante el diagrama de flujo en la Figura 13.

Figura 13. Diagrama de flujo detallado Clasificación peatones

A partir de las características obtenidas en bloque anterior, el sistema clasifica los objetos

como peatón aislado y grupo de dos, tres y 4 peatones. Como se muestra en el diagrama de

flujo la entrada a este bloque son las características de cada uno de los blobs. El sistema

valida los umbrales de las características de área, perímetro y compacidad, estos valores

fueron hallados experimentalmente, ver sección de experimentos 5.1.

4.7 Condición de seguimiento

El seguimiento se basa en la posición del centro de masa de los peatones. El sistema

compara el centro de masa del blob actual con la información de centros de masa de cada

uno de los blobs del frame anterior. El área definida en el algoritmo permite mantener la

etiqueta del peatón si el centro de masa del blob actual con respecto al anterior varía menos

de 5 pixeles en las dos direcciones. Si el sistema no encuentra un objeto en el frame anterior

que cumpla con esta condición se genera una etiqueta nueva.

Características

contornos

Condición de área,

perímetro y

compacidad

Grupo

2 Peatones


perímetro y

compacidad

Grupo

3 Peatones


perímetro y

compacidad

Peatón

aislado

SI

SI

SI

NO

NO

NO

NO

Grupo

4 Peatones

4.8 Conteo según clasificador

El paso por la línea de conteo se realiza por medio de un clasificador lineal que toma como

referencia los cuatro puntos del bounding-box que encierra cada uno de los blobs. El

sistema utilizando el punto de inicio y el punto final de la referencia de conteo definida por

el usuario, determina la ecuación de la recta que describe a la línea de conteo. En la figura

14 se muestra la recta dibujada sobre la escena y los puntos que la definen.

a.

Figura 14. Puntos recta de conteo utilizados para hallar la recta pedicular

La recta se calcula haciendo el producto cruz entre los dos puntos. Después el sistema halla

el vector normal a la recta con el fin de comprobar la siguiente ecuación:

Suponga entonces

Donde x corresponde a cada uno de los puntos del bounding box que encierra al blob. El

algoritmo desarrollado cuenta el peatón en el momento que los cuatro puntos se encuentran

del otro lado del otro lado de la línea de conteo.

Además en este bloque el sistema hace uso de la clasificación de objetos para aumentar el

conteo según el número de peatones que conformen el blob que cruza la línea. El algoritmo

aumente el contador en 1, 2, 3 y 4 según el número de peatones presentes en el grupo, si el

grupo está conformado por 5 más transeúntes el sistema toma este como 1 peatón.

Experimentalmente se encontró que los peatones aislados es el grupo de objetos que más

aparecen en la escena. El diagrama de flujo de la figura 15 muestra los condicionales

implementados en el algoritmo, en este se puede ver que la opción si el sistema un detecta

un objeto que no cumpla con las condiciones de clasificación de grupos definida, este

objeto se tomara en el conteo como un peatón aislado.

Figura 15

5. EXPERIMENTOS PRUEBAS Y RESULTADOS

5.1 Protocolo de Pruebas.

El sistema se diseño, implemento y probo con videos provenientes del CCTV. Los videos

se dividieron en dos, videos de entrenamiento utilizados en la etapa de diseño, sobre estos

videos se experimento y hallo los umbrales utilizados en el sistema. En el segundo grupo se

encuentran los videos de prueba, sobre estos videos se corrió algoritmo desarrollado con el

fin de verificar el rendimiento. Anexo 1. En las tablas 2 y 3 se muestra la clasificación de

los videos.

Decisión positiva del paso por la

línea de conteo


perímetro y

compacidad


perímetro y

compacidad


perímetro y

compacidad

SI

SI

SI

NO

NO

NO

NO Contador peatones +2

Total

peatones Contador peatones +3

Contador peatones +1

Contador peatones +4

videos de entrenamiento

Video Tamaño Original (Px) Tamaño roi (Px) Duración (min)

Event20101125102334001p 320 X 240 129 x 118 4.23

Event20101125103835001 321 X 240 134 X 129 4.34

Event20101126133202001(P1) 322 X 240 136 x 142 4.35

P 323 X 240 135 x 127 4.34

Tabla 2. Relación videos de entrenamiento

Videos Prueba

Video Tamaño Original (Px) Tamaño roi (Px) Duración (min)

P1_0001 320 X 240 158x116 1.14

P1_0002 320 X 240 129x102 2.52

P1_0003 320 X 240 151x88 1.52

Tabla 3. Relacion videos de prueba

Las pruebas realizadas se dividen pruebas para medir el rendimiento del sistema y pruebas

para calcular y verificar parámetros del sistema.

Las pruebas realizadas para verificar y calcular parámetros del sistema fueron:

Prueba frames de entrenamiento.

Para la realizacion de este prrueba se debe cambiar el numero de cuadros de entrenamiento

desde 100 hasta 400 frames haciendo incrementos de 50 cuadros.

Prueba de estimación del primer plano.

Para la realización de esta prueba, se debe correr el sistema sobre uno de los videos de

prueba. El algoritmo guarda cada 50 frames las imágenes correspondientes a la imagen en

color (real) y la imagen binaria que representa el primer plano de la escena.

Para cada una de las imágenes se debe extraer el número de peatones aislados y grupos que

el sistema debía estimar en el primer plano, para luego comparar este, con el número de

blobs que se encuentran en la imagen binaria. Primero se calcula el porcentaje de acierto

sobre cada una de las imágenes y luego se toma el promedio de porcentajes como valor

para cada de las iteraciones en las que el video fue procesado.

Prueba ángulo línea de conteo.

Para esta prueba se debe correr el sistema sobre el mismo video variando el ángulo de la

línea de conteo de a . Luego validar el conteo dado por el sistema contra el conteo

manual hecho para el video de prueba.

Las pruebas realizadas para verificar el rendimiento del sistema deben verificar el conteo y

la clasificación de los peatones. Para esta prueba se toman tres videos diferentes, para cada

uno de los video se realiza el conteo manual. El valor calculado por el sistema se compara

con el valor de conteo manual para hallar el porcentaje de acierto.

5.2 CARACTERIZACION DE LAS ESCENAS

Para la caracterización de la escena se tienen en cuenta diferentes características de los contornos

encontrados en la escena. Para cada una de las características se realiza el histograma, graficas

comparativas entre ellas y graficas de aciertos variando el umbral.

Con el fin de determinar los umbrales de la escena se obtuvieron de los videos de entrenamiento

ejemplos de peatones aislados y grupos de peatones. En la tabla a continuación se muestra las

especificaciones de los videos utilizados.

Video Tamaño Original (Px)

Coordenas roi (px)

Tamaño roi (Px)

Pixeles Frames/s Duración (m)

Event20101125102334001p 320 X 240 (6,68), (135,186)

129 x 118 15222 30 5

Event20101125103835001 321 X 240 (8,69), (142,198)

134 X 129 17286 30 5

Event20101126133202001(P1) 322 X 240 (8,67) (144,209)

136 x 142 19312 30 5

P 323 X 240 (11,67), (146,194)

135 x 127 17145 30 5

Tabla 3. Caracterización de la escena.

Se realizaron segmentaciones manuales, para obtener muestras de peatones aislados y grupos de

peatones. El conjunto de muestras está conformado de la siguiente manera. Anexo 2.

Número total de ejemplos: Tipo Blob # Peatones

Peatón Aislado 68

Grupo 2 Peatones 34

Grupo 3 Peatones 7

Grupo 4 Peatones 2

Grupo 5 Peatones 1

Total 112

Tabla 4. Ejemplos caracterización de la escena

Para cada uno de los ejemplos se tiene obtuvo la siguiente información:

Área efectiva (Numero de pixeles blanco que conforman el blob)

Área Contorno (Medida de área dada por una función de open cv)

Angulo

Alto y ancho (bounding box mínimo que encierra al blob)

Perímetro

Alto y ancho (imagen en color seleccionada manualmente)

Centro de masa

A partir de la información anteriormente obtenida se realizaron histogramas comparativos con

el fin de definir los umbrales que determinan que blobs son ruido, peatón aislado y grupo de

peatones.

5.2.1 Histogramas comparativos Peatón Aislado y Grupo de dos peatones.

Figura 14. Histograma Área efectiva

1

8

16 14

10

4 3 7

2 2 1 1 2 2 1 1 3

7 4 3 4

1 1 1 1 1 1

Histogramas Area efectiva Escena lateral HPUJ

AE P. Aislado AE. 2 Peatones

El histograma de área efectiva, muestra los valores de área efectiva para un peatón aislado y

grupo de peatones (2 peatones), los círculos encierran los rangos donde se encuentra más

concentrados los valores de área efectiva, el círculo rojo corresponde al rango de valores de

peatón aislado y el círculo verde a los valores correspondientes a grupos de peatones. Debido a

que la intersección de los círculos no es muy grande se puede inferir que la variable de área

efectiva (pixeles blancos) permite definir un umbral que diferencie entre las dos clases con un

porcentaje de error no muy alto.

Figura 15. Comparación porcentajes de error área efectiva

La grafica 15.a, muestra el porcentaje de peatones aislados encontrados dependiendo del umbral

de área, a medida que el umbral de área aumenta el número de peatones aislados aumenta hasta

que clasifica todos las objetos como peatones aislados. La grafica 15.b muestra el porcentaje de

grupos encontrados dependiendo del umbral de área, a medida que el umbral aumenta el número

de grupos encontrados disminuye. La grafica 15.c muestra la relación de los errores de grupos y

peatones aislados, El cruce de estas graficas determina el valor de área efectiva que maximiza el

porcentaje de acierto en la clasificación de peatón aislado y grupo de 2 peatones.

Como se puede observar en la grafica el umbral de área es de 90 Pixeles, al realizar una prueba

con este umbral sobre la muestra se obtuvieron los siguientes resultados, un porcentaje de acierto

de 82.35% donde se clasificaron correctamente 55 de 68 peatones aislados y 28 de 34 grupos de 2

peatones.

5.2.2 Histogramas de ángulo

0 50 100 150 200 2500

10

20

30

40

50

60

70

80

90

100Grafica aciertos peaton aislado

Aci

erto

(%)

Area Efectiva (pixeles)

0 50 100 150 200 2500

10

20

30

40

50

60

70

80

90

100Grafica aciertos grupos

Aci

erto

(%)


0 50 100 150 200 2500

10

20

30

40

50

60

70

80

90

100

X: 90

Y: 82.35

Grafica aciertos (EG-EPA)

Aci

erto

(%)


Figura 16. Histograma Angulo El círculo rojo encierra la parte del histograma donde se encuentran concentrados los valores de

ángulo para las dos clases de peatones (Peatón aislado y grupo de peatones) lo que muestra que la

característica de ángulo no es discriminante entre un peatón aislado y un grupo de peatones

debido a que en ambos casos se los valores se encuentran concentrados en el mismo rango.

5.2.3 Histogramas de contorno

Figura 17. Histograma Área de contorno

El la grafica del histograma que muestra los valores de área de contorno, se visualizan dos círculos,

el círculo de color rojo encierra el rango de valores en el que se presenta la mayor concentración

de peatones aislados, mientras el círculo verde encierra el rango de valores de grupos de

peatones. La grafica permite visualizar que la intersección entre las dos circunferencias es alta y

3 1

3 1 1

4 6

14 13

7 5

8

1 1 1 1 2 1 3 2

4 4 4 4 5

1 2

Histogramas Angulo

Angulo P. Aislado Angulo 2 Peatones

6

9

7

11 12

6

10

5

2 1 1

3 2

3 3 3 4 4

1

3

1 2

1 1 1

Area Contorno

AC. P. Aislado AC. 2 Peatones

por lo tanto la variable de área de contorno no permite escoger un umbral de clasificación entre el

peatón aislado y el grupo de peatones de una manera óptima.

5.2.4 Histogramas de Perímetro

Figura 18. Histograma Perimetro

El histograma de perímetro, muestra los valores de perímetro para un peatón aislado y grupo de

dos peatones, los círculos encierran los rangos donde se encuentra más concentrados los valores

de perímetro, el círculo rojo corresponde al rango de valores de peatón aislado y el círculo verde a

los valores correspondientes a grupos de peatones. Debido a que la intersección de los círculos no

es muy grande se puede inferir que la variable de perímetro permite definir un umbral que

diferencie entre las dos clases con un porcentaje de error no muy alto.

Figura 19. Comparación porcentajes de error Perímetro.

1 1

6 7 9

5 3

1 1 2

8

22 24

11

1

0-10 10-20 20-30 30-40 40-50 50-60

Histogramas Perimetro

Perimetro 2 Peatones Perimetro P. Aislado

0 20 40 60 80 100 1200

10

20

30

40

50

60

70

80

90

100Grafica aciertos perimetro peaton aislado

Aci

erto

(%)

Perimetro

0 20 40 60 80 100 1200

10

20

30

40

50

60

70

80

90

100Grafica Aciertos error grupos

Aci

erto

(%)

Perimetro

0 20 40 60 80 100 1200

10

20

30

40

50

60

70

80

90

100

X: 38

Y: 79.41

Grafica aciertos (EG-EPA)

Aci

erto

(%)

Perimetro


de perímetro, a medida que el umbral de perímetro aumenta el número de peatones aislados

aumenta hasta que clasifica todos las objetos como peatones aislados. La grafica 19.b muestra el

porcentaje de grupos encontrados dependiendo del umbral de perímetro, a medida que el umbral

aumenta el número de grupos encontrados disminuye. La grafica 19.c muestra la relación de los

errores de grupos y peatones aislados, El cruce de estas graficas determina el valor de área de

perímetro que maximiza el porcentaje de acierto en la clasificación de peatón aislado y grupo de 2

peatones.

Como se puede observar en la grafica el umbral de perímetro es de 38 Pixeles, al realizar una

prueba con este umbral sobre la muestra se obtuvieron los siguientes resultados, un porcentaje de

acierto de 79.41% donde se clasificaron correctamente 51 de 68 peatones aislados y 27 de 34

grupos de 2 peatones.

5.2.5 Histogramas de compacidad

Figura 20. Histograma de compacidad AC

El histograma de compacidad AC, muestra los valores de compacidad utilizando el valor de área de

contorno, para un peatón aislado y grupo de dos peatones, los círculos encierran los rangos donde

se encuentra más concentrados los valores de compacidad, el círculo rojo corresponde al rango de

valores de peatón aislado y el círculo verde a los valores correspondientes a grupos de peatones.

Debido a que la intersección de los círculos no es muy grande se puede inferir que la variable de

compacidad permite definir un umbral que diferencie entre las dos clases con un porcentaje de

error no muy alto.

24

31

10

2 1 3

14

9 5

1 2

10-20 20-30 30-40 40-50 50-60 60-70

Histogramas Compacidad AC

Compacidad AC. P. Aislado Compacidad AC 2 Peatones

Figura 21. Comparación porcentajes de error compacidad AC.


de compacidad AC, a medida que el umbral de compacidad AC aumenta el número de peatones

aislados aumenta hasta que clasifica todos las objetos como peatones aislados. La grafica 21.b

muestra el porcentaje de grupos encontrados dependiendo del umbral de compacidad AC, a

medida que el umbral aumenta el número de grupos encontrados disminuye. La grafica 21.c

muestra la relación de los errores de grupos y peatones aislados, El cruce de estas graficas

determina el valor de compacidad AC que maximiza el porcentaje de acierto en la clasificación de

peatón aislado y grupo de 2 peatones.

Como se puede observar en la grafica el umbral de compacidad AC es de 25 Pixeles, al realizar una

prueba con este umbral sobre la muestra se obtuvieron los siguientes resultados, un porcentaje de

acierto de 79.59% donde se clasificaron correctamente 43 de 68 peatones aislados y 25 de 34

grupos de 2 peatones.

5.2.6 Relación características área efectiva, perímetro y compacidad AC.

Resumiendo el análisis anterior las variables escogidas para implementar en el sistema fueron

área afectiva, perímetro y compacidad AC. Con el fin de determinar valores óptimos de umbrales

se realizaron graficas en 2D para mostrar que las variables seleccionadas no están altamente

correlacionadas. La grafica 23, muestra en el área de color blanco los peatones aislados

clasificados correctamente y los cuales cumple con los valores de área efectiva y perímetro. La

grafica muestra que las características son directamente proporcionales.

0 20 40 60 800

10

20

30

40

50

60

70

80

90

100Grafica aciertos compacidad area contorno peaton aislado

Aci

erto

(%

)

Compacidad CO

0 20 40 60 800

10

20

30

40

50

60

70

80

90

100Grafica aciertos compacidad CO grupos

Aci

erto

(%

)

Compacidad CO

0 20 40 60 800

10

20

30

40

50

60

70

80

90

100

X: 25

Y: 70.59

Grafica Aciertos (EG-EPA)

Aci

erto

(%

)

Compacidad CO

Figura 22. Graficas de características en 2D.

A partir de la información obtenida de los histogramas y graficas comparativas un peatón aislado

debe cumplir con las siguientes condiciones.

Condición de tamaño

Condición de perímetro

Condición de compacidad

Para determinar los umbrales se utilizo la información de los histogramas, las graficas

comparativas entre características y las graficas de aciertos de peatones aislados y grupos de

peatones. El análisis de estas herramientas dio como resultado

Área efectiva: 93 pixeles

Perímetro: 38 pixeles

Compacidad: 20 pixeles

Los valores anteriores se tomaron como base para realizar el conteo de peatones en los videos de

entrenamiento. El siguiente paso para finalmente definir un umbral que permita obtener el error

mínimo en conteo se hizo experimentalmente a prueba y error modificando los valores de los

umbrales alrededor de los hallados por medio de las graficas, ver resultados en la tabla xxx. Los

umbrales obtenidos permiten clasificar entre peatón aislado y grupo de peatones de 2 personas,

para el caso de un grupo de 3 personas el umbral se definió por medio de los valores máximos y

mínimos que se obtuvieron de ejemplos de grupos de 3 personas.

Compacidad AE

Are

a E

fectiva

X: 20 Y: 93

RGB: 0.588, 0.588, 0.588

Perimetro

Are

a E

fectiva

X: 38 Y: 93

RGB: 0.706, 0.706, 0.706

Tabla 5. Definición de umbrales

El conjunto de valores que arrojo el porcentaje de acierto más alto fue:

Área efectiva: 86 pixeles

Perímetro: 36 pixeles

Compacidad: 20 pixeles

Visualmente el sistema permite ver la clasificación en la figura 23 a continuación se muestra

encerrado en color amarrillo el peatón aislado, en rojo el grupo de 2 peatones y en azul el grupo

de 3 personas.

Figura 23. Clasificación de peatones.

5.2.7 Frames de entrenamiento.

Esta prueba fue realizada con el video P1_001.wmv, proveniente de la base datos obtenidas

del CCTV de la universidad Javeriana. El video tiene una tasa de 300 frames por segundo y

un tamaño de 320x240 pixeles. En la prueba se vario el numero de cuadros de

entrenamiento desde 100 hasta 400 frames haciendo incrementos de 50 cuadros.

video AE Perimetro Compacidad Cont. SistemaCont. Manual%acierto sis.

entre 3 (2 min) 93 38 20 38 61 62,295082

entre 3 (2 min) 90 36 16 47 61 77,0491803

entre 3 (2 min) 100 38 20 40 61 65,5737705

entre 3 (2 min) 90 37 20 43 61 70,4918033

entre 3 (2 min) 99 36 20 42 61 68,852459

entre 3 (2 min) 88 36 20 50 61 81,9672131

entre 3 (2 min) 86 36 20 52 61 85,2459016

entre 4 (2min) 86 36 20 37 55 67,2727273

entre 4 (2min) 88 36 20 35 55 63,6363636

entre 4 (2min) 99 36 20 32 55 58,1818182

La prueba muestra que al tener menos tiempo de entrenamiento se tiene una imagen binaria

donde no se encuntran contenidos todos los peatones. con un poco mas de entrenamiento

150 frames, el sistema aumenta el conteo de peatones, pero tiene en cuenta blobs que no

son peatones si no ruido, en este caso se tiene un error de falsa aceptacion. En el rango de

250 y 300 frames, el sistema cuenta un numero de peatones cosntante, miestras al seguir

aumentanto el numero de cuadros de entrenamiento el conteo disminuye debido a que toma

mas tiempo en el proceso de entrenamiento y durante este proceso el sistema no cuenta los

peatones que pasan por linea de conteo. Lo anteriormente expuesto se resume en la tabla 7

y se vizualiza en la grafica 24.

Como resultadao de la prueba el sistem tienen como parametro de configuracion, 300

frames para el proceso de entrenamiento. En ese rango se obtiene el mayor porcentaje de

acierto en el conteo y el porcentaje que toma el proceso de entrenamiemto es menor al 15%

de la duracion total del video.

5.2.8 Prueba estimacion del primer plano.


del CCTV de la universidad Javeriana. El video tiene una tasa de 30 frames por segundo,

un tamaño de 320x240 pixeles, una duración de 2.52 minutos.

# total frames frames

% de video

conteo sistema

2052 100 4,87 26 2052 150 7,31 37 2052 200 9,75 33 2052 250 12,18 34 2052 300 14,62 34 2052 350 17,06 35

2052 400 19,49 28 Tabla 6. Prueba frames de entrenamiento Figura 24. Prueba frames de entrenamineto

0

20

40 10

0

150

200

250

300

350

400

conteo sistema

conteo sis

La prueba se realizo configurando el sistema con el valor de frames de entrenamiento

hallado anteriormente, el cual fue de 300 frames. Se tiene como base un conjunto de

mascaras obtenidas por el sistema en un proceso de fondo, anexo 3. El algoritmo guarda

cada 50 frames las imágenes correspondientes a la imagen en color (real) y la imagen

binaria que representa el primer plano de la escena.

Para la prueba se corrió el sistema 6 veces sobre el video con el fin de obtener una muestra

de imágenes amplia. Para cada una de las imágenes se extrajo el número de peatones

aislados y grupos que el sistema debía estimar en el primer plano, para luego comparar

este, con el número de blobs que se encontraban en la imagen binaria. Primero se calculo el

porcentaje de acierto sobre cada una de las imágenes y luego se tomo el promedio de

porcentajes como valor para cada de las iteraciones en las que el video fue procesado, ver

tabla 7.

video duración video (s)

frames entrenamiento

tamaño escena (pixeles)

% estimación primer plano

1 P1_0002 2.52 300 133x85 80,95

2 P1_0002 2.52 300 135x93 84,57

3 P1_0002 2.52 300 130x87 79,71

4 P1_0002 2.52 300 128x88 78,87

5 P1_0002 2.52 300 129x102 77,69

6 P1_0002 2.52 300 150x96 75,00

Tabla 7. Prueba estimación primer plano

El porcentaje de acierto en la estimacion del primer plano esta entre 75% y 80.95%. Esto

debido al filtro de tamano implementado en el sistema que en algunas ocaciones elimina

peatones de interes. Otros no son encontrados por que la ropa que utilizan tiene un contraste

alto con el fondo de la escena.

5.2.9 Línea de conteo


del CCTV de la universidad Javeriana. El video tiene una tasa de 300 frames por segundo y

un tamaño de 320x240 pixeles.

La primera parte de la prueba fue realizar el conteo manual de la escena con el fin de

conocer el número de peatones que el sistema debe contar. Se corrió el sistema sobre el

mismo video variando el ángulo de la línea de conteo de grados a grados como se

muestra en la figura 25.

a. 0 grados

b. 45 grados

c. 90 grados

d. 135 grados

e. 180 grados

f. 225 grados

g. 270 grados

h. 315 grados

Figura 25. Variación ángulo línea de conteo

En el video los peatones no describen una única trayectoria. La escena por su tamaño y

origen procedente de un sendero peatonal amplio, que conduce a la entrada principal del

hospital San Ignacio y es una de los caminos que comunican la parte norte y sur de la

universidad, no presenta una única trayectoria. Las personas que se dirigen o salen del

hospital describen en la escena una trayectoria de aproximadamente . Mientras los

peatones que utilizan el sendero como vía para de un lado al otro de la universidad pueden

describir dos trayectorias, la primera es una trayectoria horizontal durante toda la escena, la

segunda describe en un momento una trayectoria horizontal y luego una trayectoria con

ángulo. Partiendo de lo anteriormente descrito se realizo la prueba de variar el ángulo de la

línea de conteo, Los resultados obtenidos muestran que el mayor porcentaje de acierto, el

cual fue 95% y 92.5% se encuentra en las líneas que describen la orientación de y

. Esto debido a que la línea de conteo tiene un ángulo entre y con las

trayectorias descritas por los peatones en la escena. Por otra parte los porcentajes de

aciertos más bajo se encuentran en los ángulos y esto debido a que la línea de

conteo esta paralela la mayoría de las trayectorias descritas por los peatones. Las líneas de

conteo que describen los ángulos de , presentan un porcentaje de acierto de

77.5% y 72.5% respectivamente, esto debido a que estas líneas se encuentran en paralelo

con la trayectoria descrita por los peatones que se dirigen o salen del hospital.

5.3 PRUEBAS

En esta sección se describe las pruebas realizadas para medir el rendimiento del sistema

desarrollado. Se utilizaron tres videos de la escena caracterizada, los videos tienen

diferentes tipos de iluminación y flujo de peatones.

5.3.1 Prueba A.

Esta prueba fue realizada con el video P1_001.wmv, proveniente de la base datos obtenidos



La región de interés y la línea seleccionada para cada uno de los videos se muestra en la

figura 27.

a. P1_001

Figura 26. Prueba A, P1_001

En la figura 26 se observan enmarcados en color amarillo los dos peatones aislados y en

color azul se encuentran los grupos, uno de 3 y otro 5 transeúntes, lo que cumple con las

condiciones implementadas en el algoritmo.

Después de ver la clasificación de los peatones la prueba valida el rendimiento de el

algoritmo de conteo implementado. En el video P1_001 se obtuvo un porcentaje de acierto

en el conteo de 75%. Este porcentaje se debe a que algunos de los objetos de interes no

superan el umbral de tamano y el sistema los clasifica como ruido.

5.3.2 Prueba B





figura 27.

Figura 27. Prueba B, P1_002

En la figura 27 se observan enmarcados en color amarillo los dos peatones aislados y en

color azul se encuentran los grupos de tres y dos peatones. En esta imagen se encuentra un

error de clasificación los grupos de 2 peatones deben encerrarse en un cuadro rojo, en este

caso se encuentran en azul por que los peatones están caminando separados pero la

proyección de su sombra sobre el piso hacen que sean un solo blob, con una área mayor a la

definida como umbral para el grupo de dos peatones.

Después de ver la clasificación de los peatones la prueba valida el rendimiento de el

algoritmo de conteo implementado. En el video P1_002 se obtuvo un porcentaje de acierto

en el conteo de 50.7%. Este porcentaje se debe a que algunos de los objetos de interes no

superan el umbral de tamano y el sistema los clasifica como ruido. Ademas este video

presenta saltos que hacen entre el frame actual y el siguiente un blob se mueva de un lado a

otro lado de la linea de conteo. Este movimiento brusco no cumple con la condicion de

seguimiento implementada que permite que un blob se etiquete como el mismo si su centro

de masa se mueve menos de 5 pixeles entre el frame actual y el sigueinte.

5.3.3 Prueba C





figura 28.

Figura 28. Prueba C. P1_003

En la figura 29.a se observan enmarcados en color amarillo los dos peatones aislados y en

color rojo se encuentra el grupo de dos peatones. Después de ver la clasificación de los

peatones la prueba valida el rendimiento de el algoritmo de conteo implementado. En el

video P1_003 se obtuvo un porcentaje de acierto en el conteo de 62%. Este porcentaje se

debe a que algunos de los objetos de interes no superan el umbral de tamano y el sistema

los clasifica como ruido.

En la tabla 9 se muesta en resumen los resultados obtenidos en las pruebas A, B y C. En el

video P1_001 se obtuvo un porcentaje de acierto de 75%, en el segundo video se obtuvo un

porcentaje de 50.7% y en el tercer video se logro un porcentaje de acierto de 62%. Las

diferencias entre los valores se deben a las caracteristicas de ilumunacion, flujo de peatones

y el contraste de los transeuntes con el fondo de la escena. tabla 9

video

duración video (min)

frames entrenamiento

tamaño escena (pixeles)

conteo sistema

conteo manual

% acierto conteo

P1_0001 1.14 300 128x93 30 40 75

P1_0002 2.52 300 129x102 36 71 50,7

P1_0003 1.52 300 151x88 31 50 62,0

Tabla 9. Prueba conteo.

5 CONCLUSIONES

En el desarrollo de este trabajo, se implemento un sistema de conteo utilizando un video

con una vista superior y una versión de codebook alternante. La utilización de una vista

superior elimina el traslape entre peatones y el codebook altérnate permite tener una

versión actualizada de el modelo de fondo. Además, se logro implementar un algoritmo de

clasificación de peatones que permite conocer el número de personas presentes en la

escena.

Por los resultados obtenidos en las pruebas realizadas se demuestra la sensibilidad del

sistema al ángulo de la línea de conteo definida por el usuario, el ángulo optimo debe

formar un ángulo entre y con las trayectorias descritas por los peatones en la

escena.

En estudios previos el paso por la línea de conteo se determino utilizando el centro de masa

del blob el cual presenta variación de un frame a otro, es decir, generando movimiento

aleatorios del centro de masa y no en una única dirección como es esperado. Lo que podría

generar que un blob se tome en cuenta para el conteo más de un vez. Como solución a este

problema se implemento un clasificador lineal que tiene en cuenta los cuatro puntos del

boundingbox que encierran cada uno de los blobs determinado el momento en el que el

blob realiza el paso por la línea de conteo.

El algoritmo de clasificación se baso en la utilización de descriptores geométricos (área,

perímetro y compacidad) y no presenta dificultades en condiciones de flujo peatonal bajo.

Como trabajo futuro se plantea desarrollar un algoritmo recursivo que a partir de un modelo

de peatón aislado, que tenga en cuenta descriptores topológicos, estadísticos y geométricos,

pueda clasificar los objetos en grupos de peatones sin tener la limitación que el sistema

presenta de 5 peatones por grupo.

En el desarrollo del trabajo se emplearon videos provenientes del CCTV de la universidad

Javeriana. Se sugiere crear relación con el departamento de seguridad de la universidad con

el fin de contar con videos de espacios reales que permitan la investigación de variables de

tráfico y seguridad dentro del campus universitario, con el fin de desarrollar de sistemas

de vigilancia que utilicen la visión por computador como una herramienta para análisis, y

mejora de sus procesos.

BIBLIOGRAFIA

[1] Boletin N2, ISSN. 20271026, Investigación de la cámara de comercio y la Universidad de

los Andes, Observatorio de movilidad la movilidad boletín de accidentalidad vial.

Disponible en: http://camara.ccb.org.co/documentos/4419_boletin_de_accidentalidad.pdf

[2] Gwang-Gook Lee, Byeoung-su Kim, Whoi-Yul Kim, “Automatic estimation of

pedestrian flow”, IEEE Conference Proceedings, Department of Electrical and

Computer Engineering, Hanyang University, Jan 1, 2007.

[3] Carolina García, Néstor Romero, Julián Quiroga Sepúlveda, “Detección y

seguimiento de personas en un cruce peatonal,” presentado en el XIV Simposio de

tratamiento de señales , imágenes y visión artificial, Pereira, Colombia, Sep. 2009.

[4] Francisco Carlos Calderón Bocanegra, “Sistema de adquisición de parámetros de

tráfico vehicular,” Tesis Maestría en Ingeniería Electrónica, Pontificia Universidad

Javeriana, Bogotá, Colombia 2010.

[5] Jordi Verdiell Cubedo “Algoritmos de substracción de fondo para su aplicación

en entornos en tiempo real,” DEPARTAMENT D'INFORMÀTICA

http://camara.ccb.org.co/documentos/4419_boletin_de_accidentalidad.pdf

UNIVERSITAT JAUME I, Septiembre 2005.

[6] K. Kim, T. H. Chalidabhongse, D. Harwood, and L. Davis, "Real-time foreground–

background segmentation," Real-Time Imaging 11, pp. 167-256, 2005.

[7] OpenCv tutorial 7 – chapter 8, Noah Kuntz,2009.

Disponible: http://dasl.mem.drexel.edu/~noahKuntz/openCVTut7.html

[8] Presentaciones clases Senales e imágenes, Modulo 3, Reconocimiento de pratones,

clasificación lineal, Julian Quiroga Sepulveda. Dispone en:

http://pwp.etb.net.co/gaquirogar/SeI.html

Anexo 1.

Videos de entrenamiento y prueba.

Para el desarrollo del sistema se obtuvieron vides provenientes del CCTV de l

Universidad Javeriana. En el cd adjunto se encuentran los videos clasificados en videos

diseño y prueba.

Anexo 2.

Imágenes y archivo Excel muestras de la caracterización de la escena.

http://dasl.mem.drexel.edu/~noahKuntz/openCVTut7.html

http://pwp.etb.net.co/gaquirogar/SeI.html

Para la caracterización de la escena se extrajeron de los videos de entrenamiento ejemplos

de peatones aislado y grupos con el fin de hallar las características optimas para realizar la

Clasificación. En el cd adjunto se encuentran las imágenes de los 112 ejemplos y la

archivo Excel con la información utilizada para calcular los umbrales de área y perímetro y

compacidad utilizados en el sistema.

Anexo 3.

Mascaras

Para hallar el error de estimación de primer plano El algoritmo guarda cada 50 frames las

imágenes correspondientes a la imagen en color (real) y la imagen binaria que representa el

primer plano de la escena. En el cd adjunto se encuentra el grupo de imaganes utilizadas

para la prueba.

LUISA FERNANDA HERNANDEZ VASQUEZ

Documents