escuela técnica superior de ingeniería informática máster...
TRANSCRIPT
Escuela Técnica Superior de Ingeniería Informática
Máster en Matemática Computacional
TRABAJO DE FIN DE MÁSTER
Videovigilancia y privacidad. La ocultación del rostro en vídeo para el
cumplimiento del derecho a la intimidad
Autor:
Antonio Gutiérrez del Valle
Tutora:
María José Jiménez Rodríguez
JUNIO
Curso 2010 - 2011
Índice general
1. Introducción 1
2. Seguimiento humano. Algoritmos 5
3. Procesamiento. Ocultación para cumplimiento de priva-
cidad 13
4. Experimentación. Uso en tiempo real 19
5. Conclusiones 39
Bibliografía 46
Índice de �guras
1. Diagrama de procesos para la ocultación de caras . . . . 20
2. Detección de la parte superior del cuerpo y seguimiento . 33
3. Detección del cuerpo completo por no reconocimiento de
cara y parte superior . . . . . . . . . . . . . . . . . . . . 34
4. Error en la detección del cuerpo de una persona . . . . . 35
5. Sustracción incorrecta del fondo de la escena . . . . . . . 35
6. Correcta detección pero problema en el seguimiento con
CAMShift . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7. Detección errónea de la parte superior del cuerpo . . . . 37
Índice de algoritmos
1. Código principal de ocultacion_caras . . . . . . . . . . . 21
2. Código principal de ocultacion_caras (Continuación) . . 22
3. Sustracción del fondo . . . . . . . . . . . . . . . . . . . . 23
4. Eliminación de regiones de interés en la sustracción del
fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5. Clase componente_conexa . . . . . . . . . . . . . . . . . 24
6. Búsqueda de componentes conexas cuyo contorno supera
una cota mínima . . . . . . . . . . . . . . . . . . . . . . 25
7. Clase deteccion_roi . . . . . . . . . . . . . . . . . . . . . 26
8. Carga de descriptores para la detección de caras . . . . . 27
9. Procesamiento para la detección de caras . . . . . . . . . 28
10. Consideración de las regiones con caras . . . . . . . . . . 28
11. Clase seguimiento_roi . . . . . . . . . . . . . . . . . . . 29
12. Procesamiento previo al seguimiento de caras . . . . . . 30
13. Seguimiento de caras . . . . . . . . . . . . . . . . . . . . 30
Índice de cuadros
1. Tiempos de ejecución por cada subproceso en la ocultación
de caras . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Videovigilancia y privacidad
Prólogo
Motivado por el uso masivo que se está realizando de los sistemas
de videovigilancia, se ha procedido a estudiar la legislación existente
relacionada con estos y su respeto a la intimidad de los individuos. Debido
a la falta de normativa especí�ca en algunos países y a la disparidad en
otros, la Unión Europea redacta la Carta para el Uso Democrático de
la Videovigilancia a través del Foro Europeo de Seguridad Urbana. En
España a igual que en otros países, la legislación existente en el ámbito
de la videovigilancia en lugares públicos, limita el derecho a la intimidad
en favor de mejorar la seguridad pública.
Desde aquí se pretende demostrar que es viable compatibilizar la
videovigilancia con el respeto a la intimidad de los individuos, fomentado
la innovación e investigación de algoritmos de procesamiento de imagen
y vídeo que impidan el reconocimiento de las personas. Los procesos para
evitar el reconocimiento de personas deberían ser aplicados durante el
visionado de las cámaras en los CCTV. Los vídeos capturados a través
de sistemas de videovigilancia sólo deberían visionados al completo bajo
el permiso del poder judicial.
A través del artículo Protecting Personal Identi�cation in Video, D.
Chen, Y. Chang, R. Yan y J. Yang proponen dos soluciones que permitan
a los sistemas de videovigilancia respetar la privacidad de las personas.
Siguiendo una de las líneas planteadas en este artículo, se ha elaborado
un algoritmo para automatizar la ocultación de caras y cuerpos mediante
i
Prólogo
el emborronamiento de aquellas regiones en las que se hayan detectados.
Antes de profundizar en este algoritmo se procede a exponer los distintos
aspectos relacionados con el seguimiento de objetos, así como los algorit-
mos utilizados en la aplicación de esta técnica de visión por ordenador.
Esta visión general ha facilitado la elección del método de seguimiento
del objeto, el cual tiene como requisito la ejecución de éste en tiempo
real.
El uso del algoritmo en tiempo real obliga a que los métodos de sus-
tracción de fondo, segmentación, detección de caras y seguimiento se
sincronicen de forma que se reduzcan los tiempos de ejecución. Por ello
se ha seleccionado una mezcla de distribuciones de Gauss para la sustrac-
ción de fondo, los algoritmos de Viola-Janes y Histograma de Gradientes
Orientados para la detección de caras sobre regiones segmentadas pre-
viamente, y el método CAMShift para el seguimiento de éstas. La im-
plementación de este algoritmo se ha realizado en C++ haciéndose uso
de la librería de visión por ordenador OpenCV en su versión 2.2. Por
último, para conocer la e�cacia y e�ciencia de la aplicación desarrollada
se ha ejecutado una batería de pruebas con vídeos descargados de las
bases de datos CANTATA y VISOR.
ii
Capítulo 1
Introducción
El Foro Europeo para la Seguridad Urbana1 [17] promueve el uso
de la videovigilancia para reducir la delincuencia que se produce actual-
mente en las ciudades. A través de este foro se pretende analizas las
implicaciones que conlleva el uso de los circuitos cerrados de televisión
CCTV para mejorar la seguridad en las ciudades. Adicionalmente, se
han intentado de�nir buenas prácticas que contemplen el derecho a la
privacidad del individuo, las cuales han sido reunidas en la Carta para
el Uso Democrático de la Videovigilancia2.
El objetivo primordial de este proyecto europeo es alcanzar unos ni-
veles de seguridad mínimo en la convivencia entre los ciudadanos. Se
podría plantear como una primera solución para alcanzar este objetivo
el ampliar las fuerzas de seguridad existentes. Este aumento de personal
en los cuerpos de seguridad, para que sea posible dar un servicio de 24
horas durante los 365 del año, conllevaría un coste que sería insostenible
1http://efus.eu/es2http://cctvcharter.eu/index.php?id=31768&L=npelewqurwccxuc
1
Introducción
para un país. Es por ello por lo que se plantea como solución alternativa
la implantación de sistemas de videovigilancia.
En cualquier caso, no se debe olvidar la legislación que existe a favor
de respetar los derechos fundamentales de los individuos. Actualmente,
el derecho a la intimidad se recoge en normativas especi�cas de cada uno
de los países, ya sea a través de su ley fundamental o mediante desarrollos
normativos especí�cos. Lo que si tienen en común, desde el punto de vista
de la videovigilancia, es que las normativas que existe en la actualidad
no respeta el derecho a la privacidad de las personas bajo determinadas
circunstancias. Si nos centramos en España, la Ley Orgánica 4/1997 [4]
da vía libre al uso de videocámaras en lugares públicos, quedando al
descubierto el derecho a la intimidad bajo determinados condicionantes
establecidos en la normativa.
A pesar de toda la regulación y el uso de medios tecnológicos, el éxito
de la videovigilancia está cuestionada. Esto se debe a casos conocidos en
los cuales el funcionamiento del sistema no ha sido el esperado. Uno de los
casos es el atentado de Londres de 2005 en el cual, a pesar de la cantidad
de videocámaras implantadas en la ciudad, no fue posible la detección
precoz de los actos terroristas. Es más, debido a la baja calidad de la
imagen no fue posible el reconocimiento de la identidad de las personas
que acometieron el atentado. En cambio, la implantación de sistemas de
videovigilancia provoca una reducción en la delincuencia premeditada.
Pero, por ejemplo, está reducción se puede alcanzar igualmente con la
mejora en la iluminación de las vías públicas.
Esto debería servir para replantearse qué habría que mejorar en los
2
Videovigilancia y privacidad
sistemas actuales de videovigilancia, teniendo como objetivo la detec-
ción precoz del delito así como la persona que lo lleve a cabo. Esto se
podría alcanzar fomentando la innovación e investigación tecnológica en
el ámbito de la visión por ordenador y reconocimiento de patrones. Sería
interesante que parte de los esfuerzos llevados a cabo para mejorar los
algoritmos de procesamiento de vídeo digital, estén orientados al cum-
plimiento de los derechos fundamentales del individuo. Igualmente, no
deberían descartarse aquellos esfuerzos que permitan la detección precoz
de posibles actividades relacionadas con la delincuencia.
El derecho a la intimidad se podría cumplir mediante la aplicación
de algún tipo de máscara sobre las personas visionadas en un CCTV, de
manera que se impida el reconocimiento de éstas. Siguiendo esta línea, el
artículo Protecting Personal Identi�cation Video [5] propone dos solucio-
nes para conservar la privacidad, siendo usada la primera de ellas como
base para este trabajo. En el siguiente capítulo se intenta dar una visión
general [22] sobre la técnica de seguimiento de objetos. Tras revisar los
distintos aspectos a tener en cuenta a la hora de aplicar esta técnica, se
plantean diversos esquemas que puedan servir de base para el desarro-
llo de algoritmos orientados al seguimiento de personas en tiempo real.
Finalmente se muestra una aplicación práctica desarrollada en base a lo
visto previamente, junto con los resultados de interés obtenidos a partir
de la experimentación realizada con diversos vídeos.
3
Introducción
4
Capítulo 2
Seguimiento humano.Algoritmos
Una técnica muy usada en la visión por ordenador corresponde al
seguimiento de objetos, dentro del cual encaja el seguimiento humano.
En la literatura se puede encontrar mucha documentación relacionada
con esta técnica, por ello este capítulo intenta hacer un resumen de los
distintos aspectos relacionados con el seguimiento. El seguimiento de
objetos normalmente forma parte un proceso más global consistente en:
1. Detección del objeto de interés en movimiento.
2. Seguimiento de los objetos detectados entre fotogramas.
3. Análisis de los objetos seguidos para reconocer su comportamiento.
La diversidad de aplicaciones que permite el seguimiento de objetos in-
crementa el interés sobre esta técnica. Entre otras, se pueden destacar
las siguientes aplicaciones:
Reconocimiento basado en el movimiento.
Vigilancia automatizada.
5
Seguimiento humano. Algoritmos
Indexación de vídeo.
Interacción hombre-máquina.
Monitorización del trá�co.
Navegación de vehículos.
El objetivo de esta técnica es estimar la trayectoria de un objeto dentro
del plano de una imagen en movimiento. Para lo cual, el observador
etiqueta el objeto de interés en los distintos fotogramas del vídeo. Además
se puede ampliar la información asociada al movimiento del objeto de
forma que se mejore el proceso de seguimiento. El alcanzar el objetivo de
seguir el objeto de interés puede ser complejo debido a diverso motivos,
tales como:
Perdida de información en 2D.
Ruidos en imágenes.
Movimientos complejos.
Naturaleza articulada de objetos.
Oclusión parcial y total.
Formas complejas de los objetos.
Cambios de iluminación.
Requisitos de procesamiento en tiempo real.
6
Videovigilancia y privacidad
Debido a ello, antes de aplicar la técnica de seguimiento es primordial
establecer restricciones sobre el movimiento o apariencia del objetos a la
hora de efectuar el seguimiento. Se considerará objeto todo aquello que
sea de interés para el análisis. Estos objetos podrán ser representados de
distintas formas:
Punto. Un punto representa el centro del objeto.
Forma geométrica. El objeto será representado mediante un rec-
tángulo, una elipse, u otras formas geométricas.
Silueta y contorno del objeto. El contorno del objeto representará
su frontera, mientras que el interior de éste corresponde a la silueta.
Modelado de formas articuladas. La representación del objeto se
efectuara mediante la unión de objetos articulados. Estos objetos
se representan mediante cilindros o elipses.
Modelado del esqueleto. El esqueleto de un objeto se obtiene a par-
tir del eje de su silueta. Esta representación se usa principalmente
para el reconocimiento.
Existen otros métodos de representación de la apariencia de los objetos,
no basadas en la forma de éstos, que pueden ser usados para llevar a
cabo el proceso de seguimiento. Algunas representaciones comunes en el
ámbito del seguimiento son:
Probabilidad de densidad de la apariencia del objeto.
Plantillas.
7
Seguimiento humano. Algoritmos
Modelo de apariencia activa.
Modelo de apariencia multi-vista.
La selección de la característica correcta para la aplicación del segui-
miento está relacionada con la representación del objeto. En general, se
pueden considerar las siguientes características a la hora de procesar el
seguimiento de objetos:
Color. Uso del espacio de color RGB o HSV.
Bordes. La frontera de los objetos provoca cambios de intensidad
en la imagen. Una buena propiedad de los bordes es su menor
sensibilidad a los cambios de iluminación.
Flujo óptico. Corresponde al campo de vectores de desplazamiento
que de�ne la traslación de cada píxel en una región. Se usa para
segmentación y seguimiento.
Textura. Medida de la variación de intensidad de una super�cie
que cuanti�ca propiedades como suavidad y regularidad.
Las características a seleccionar dependerán del dominio de aplicación.
Reciben especial atención los algoritmos que seleccionan la caracterís-
tica de manera automática. Estos se pueden agrupar en dos tipologías,
aquellos que seleccionan las características en base a un criterio general
(�ltro), y aquellos que seleccionan las características basado en el uso de
las características para un dominio especí�co del problema (envoltura).
Todo método de seguimiento se apoya en mecanismos de detección
del objeto por cada fotograma, o cuando el objeto aparezca por primera
8
Videovigilancia y privacidad
vez en el vídeo. Por lo que la detección se deberá realizar en cada uno de
los fotogramas, o usando la información temporal calculada a partir de
una secuencia de fotogramas que facilite reducir el número de detecciones
falsas. Se destacan los siguientes métodos de detección de objetos:
Detectores de puntos. Se usa para encontrar puntos de interés a
partir de texturas que sean destacables en zonas locales de la ima-
gen. Son invariantes a la iluminación y punto de vista de la cámara.
Sustracción del fondo. Consiste en una representación de la es-
cena que facilita la detección de objetos mediante el cálculo de
variaciones entre cada fotograma. Cualquier cambio en la imagen
corresponde a un objeto en movimiento.
Segmentación. Dividir la imagen en regiones similares. Se destacan
las siguientes técnicas de segmentación que son de interés para el
seguimiento:
• Mean-Shift Clustering.
• Segmentación mediante Graph-cuts.
• Contornos activos.
Aprendizaje asistido. La detección se puede realizar mediante apren-
dizaje de los objetos, efectuando la detección a través de plantillas.
Caben destacar las siguientes técnica dentro de este ámbito:
• Adaptive Boosting.
• Support Vector Machines.
9
Seguimiento humano. Algoritmos
El objetivo principal del seguimiento es conocer en todo momento la tra-
yectoria de un objeto a partir de la localización de este en cada uno de
los fotogramas del vídeo. Adicionalmente se puede obtener la región que
ocupa el objeto en cada instante de tiempo. El seguimiento puede ser
realizado mediante la detección inicial del objeto y entonces realizar el
seguimiento de éste, o mediante su localización en cada uno de los foto-
gramas del vídeo. Durante la ejecución del proceso de seguimiento, los
objetos se representarán mediante la forma o modelo de apariencia ante-
riormente descrito. El modelo de representación seleccionado limitará el
tipo de movimiento o deformación posible. A continuación enumeramos
los métodos de seguimiento más signi�cativos:
Seguimiento de punto. Se base en la representación del objecto co-
mo un punto, y su seguimiento se realiza a través de los distintos
fotogramas, asociando los puntos de un fotograma al siguiente. Su
principal problema se alcanza con la presencia de oclusiones, per-
dida en la detección, entrada y salida del objeto. Para dar solución
a este problema se usan métodos deterministas:
• Método determinista por correspondencia.
• Métodos estadístico por correspondencia.
• Estimación del estado de objeto simple. Cabe destacar los
métodos de Filtro de Kalman y Filtro de Partículas.
• Asociación de datos y estimación del estado de múltiples ob-
jetos.
10
Videovigilancia y privacidad
Seguimiento de kernel. El kernel corresponde a la forma o aparien-
cia con la que se representa el objeto de interés. El movimiento
de estos objetos se obtiene mediante transformaciones paramétri-
ca como traslación, transformación y a�nes. El algoritmo a apli-
car dependerá de la apariencia de representación usada, pudiendo
corresponderse con plantillas, modelos de apariencia basados en
densidad, y modelos de apariencia multi-vista.
• Seguimiento mediante el uso de plantillas y modelos de apa-
riencia basados en densidad. A esta categoría corresponden
los algoritmos de CAMShift, y KLT.
• Seguimiento mediante el uso de modelos de apariencia multi-
vista. En esta categoría se recoge el algoritmo PCA (Principal
Component Analysis), y SVM (Support Vector Machine).
Seguimiento de silueta. Una vez que se determina la región del
objeto observado entonces se procede a su seguimiento mediante
estimación. Estos métodos usan la información recogida dentro de
la región interior del objeto. El seguimiento de la silueta se puede
acometer vía emparejamiento de formas o evolución del contorno.
• Emparejamiento de formas.
• Seguimiento de contorno.
11
Seguimiento humano. Algoritmos
12
Capítulo 3
Procesamiento. Ocultación para
cumplimiento de privacidad
Para dar solución al problema de privacidad, se propone la ocultación
de características físicas que faciliten el reconocimiento de las personas
[9, 14]. Se ha optado inicialmente por la aplicación de una máscara de
emborronamiento a las regiones donde se detecten caras de personas o
cuerpo según corresponda, para lo cual será necesario su detección y
seguimiento. En la literatura se han planteado distintas soluciones para
dar cobertura a la detección [15, 18, 3, 2] y seguimiento [13, 12, 21, 16]
de caras en tiempo real. Se presupone que las técnicas a aplicar estarán
acotadas por las restricciones del entorno a ser usadas. Debido a que se
busca un algoritmo que consiga la privacidad a nivel de videovigilancia,
se puede presuponer en primera instancia, que la escena será capturada a
partir de una cámara �ja y con unas condiciones de entornos estable. Una
aproximación inicial del algoritmo de ocultación podría ser el siguiente:
13
Procesamiento. Ocultación para cumplimiento de privacidad
Para cada fotograma de la captura de vídeo.
• Detección del patrón de cara o cuerpo como objeto de interés.
• Aplicación de máscara sobre los objetos de interés.
Este primer planteamiento puede dar lugar a alto costes de procesa-
miento, derivado de la complejidad de los algoritmos de detección de
cara. Gran parte del coste de procesamiento se deriva de la búsqueda
del patrón en la imagen al completo. Esto puede ser resuelto mediante
la técnica de segmentación, para lo que habrá que seleccionar una po-
sible característica para ello. Debido a que el interés va a recaer sobre
los movimientos producidos en la escena a vigilar, un buen método sería
el de sustracción del fondo. Este algoritmo segmenta aquellos objetos
que varían de un fotograma al anterior. Esto nos da lugar a otro posible
algoritmo:
Para cada fotograma de la captura de vídeo.
• Segmentación del fotograma y detección de las regiones de
interés.
• Detección del patrón de cara o cuerpo como objeto de interés.
• Aplicación de máscara sobre los objetos de interés.
Esto resuelve el alto coste de procesamiento mediante la aplicación del
método de detección sólo sobre aquellos objetos en movimiento. Se pue-
de llegar a dar un paso adicional eliminando del proceso de detección
aquellos objetos detectados previamente. Esto evitará el procesado de
14
Videovigilancia y privacidad
aquellas regiones de interés ya identi�cadas en un procesamiento pre-
vio. Esto implica que el objeto ya detectado sea seguido a lo largo de
la escena. Para ello se puede seleccionar alguna de las técnicas de segui-
miento comentadas anteriormente. Este seguimiento no es sólo necesario
por ahorro de proceso, sino que resulta también de interés su uso ante
posibles ocultaciones o falsas detecciones. Si evolucionamos el algoritmo
anterior con esta nueva consideración obtenemos el siguiente:
Para cada fotograma de la captura de vídeo.
• Segmentación del fotograma y detección de las regiones de
interés.
• Eliminación de las regiones de interés incluidas en el segui-
miento.
• Detección del patrón de cara o cuerpo como objeto de interés
en las nuevas regiones de interés segmentadas.
• Seguimiento de los objetos de interés.
• Aplicación de máscara sobre los objetos de interés.
La aplicación de las distintas técnicas conlleva a que sólo se ejecute el
proceso de detección para aquellos objetos que entren en la escena, ya que
aquellos que ya han sido detectados serán descartados. Las personas de-
tectadas previamente serán simplemente seguidas en la escena mediante
el uso de algún método de seguimiento.
En el artículo Protecting Personal Identi�cation Video [5] se propone
un algoritmo que combina la aplicación de distintas técnicas, siguiendo
15
Procesamiento. Ocultación para cumplimiento de privacidad
la línea de lo expuesto previamente. En dicho algoritmo se propone como
selector del objeto de interés la sustracción del fondo, debido a que en
las escenas �jas será de interés todo aquello en movimiento. Para ello se
plantea una sustracción basada en un kernel de distribuciones de Gauss.
Una vez extraídas las regiones de interés del fondo se procede a la
detección de los objetos de interés mediante el uso de plantillas, siendo
propuesto como método el SVM. En el algoritmo propuesto se opta por
la detección de hombros y cabeza, ya que la máscara se aplicará no sólo
sobre la cara sino sobre la cabeza al completo. Si esta detección no es
posible debido a problemas de iluminación o calidad de la fuente, se
optará por una detección del cuerpo completo. No se debe olvidar que el
objetivo es evitar el reconocimiento de las personas a partir alguno de sus
rasgos. Tras detectarse el objeto de interés se procede a su seguimiento
mediante alguna técnica de seguimiento. Con esto se pretende evitar los
problemas de perdidas en la detección y ocultación del objeto de interés.
Como hemos visto previamente, la aplicación de las tres técnicas in-
tenta reducir los tiempos de seguimiento. Primero, se segmenta la imagen
con aquellos objetos que van a ser candidatos para ser seguidos. Esto evi-
tará la búsqueda del posible objeto de interés en la imagen al completo.
Con cada objeto segmentado se procede a la detección de la cabeza y
los hombros. Esto es posible mediante el uso de algoritmos de detección
basados en plantillas. Una vez detectado el objeto de interés, éste de-
berá ser seguido en todo momento a través del uso de algún método de
seguimiento. Ya que se conoce el objeto de interés y su trayectoria en
todo momento, podemos eliminar éste para futuras detecciones. Con esto
16
Videovigilancia y privacidad
ahorramos la detección repetitiva de objetos ya reconocidos para cada
uno de los fotogramas, evitando así la redundancia de proceso. Una vez
detectado el objeto de interés se procede al enmascaramiento mediante
emborronado de la región de interés.
En el siguiente capítulo se analiza el algoritmo implementado, el cual
sigue la estrategia planteada.
17
Procesamiento. Ocultación para cumplimiento de privacidad
18
Capítulo 4
Experimentación. Uso en
tiempo real
La implementación se ha realizado en C++ haciendo uso de la libre-
ría OpenCV [1, 20]. Esta librería de Intel implementa un conjunto de
algoritmos y utilidades orientadas al procesamiento de imagen, vídeo y
visión por ordenador. Con ayuda de esta librería se ha implementado un
algoritmo que hace uso de métodos basados en las técnicas planteadas.
Para la sustracción del fondo se utiliza un algoritmo basado en Mixture
of Gaussians [7, 11]. Este método tiene una buena relación coste-e�cacia,
lo que ha dado lugar a su elección. En base al artículo comentado pre-
viamente y al publicado por Wilson Wong, Du Q. Huynh y Mohammed
Bennamoun, Upper Body Detetection in Unconstrained Still Images [10],
se procede a aplicar el algoritmo de Viola & Janes [19] combinado con
el de Histograma de Gradientes Orientados [6]. OpenCV ya incorpora
un conjunto de archivos con aprendizaje para distintos patrones, así co-
19
Experimentación. Uso en tiempo real
mo para la detección de personas mediante el Histograma de Gradientes
Orientados. Por último, como método de seguimiento de kernel se opta
por el uso de CAMShift [8] o Mean-Shift adaptativo. El esquema seguido
para la implementación del seguimiento de personas va en la línea de lo
visto en el capítulo dos de este documento, donde los pasos seguidos en
el procesamiento lo podemos ver en el siguiente esquema.
Figura 1: Diagrama de procesos para la ocultación de caras
En el esquema presentado se identi�can cuatro procesos: sustracción
del fondo, segmentación de componentes conexas, detección de las regio-
nes de interés, y el seguimiento de éstas. A continuación se muestra el
código principal del algoritmo implementado en C++. Posteriormente
se describen los detalles más relevantes sobre los principales subprocesos
del seguimiento de caras.
20
Videovigilancia y privacidad
Algoritmo 1 Código principal de ocultacion_caras
#inc lude " sustracc ion_fondo . hpp"#inc lude "componente_conexa . hpp"#inc lude " detec to r_ro i . hpp"#inc lude " seguimiento_ro i . hpp"
us ing namespace cv ;us ing namespace std ;
i n t main ( i n t argc , char ∗∗ argv ){
VideoCapture v_video ;Mat v_fuente , v_primer_plano , v_destino , v_blur ;componente_conexa v_componentes ;de t ec to r_ro i v_detector ;segu imiento_ro i v_seg_ROI ;vector<seguimiento_roi> v_v_seg_cara , v_v_seg_cara_tmp ;vector<Rect> v_v_r_candidato , v_v_r_ROI, v_v_r_cara ,
v_v_r_cara_tmp ;i n t v_tecla = 0 ;
v_video . open ( s t r i n g ( argv [ 1 ] ) ) ;
i f ( ! v_video . isOpened ( ) ){
cout << "No se puede ab r i r e l a rch ivo " << endl ;r e turn −1;
}
v_video >> v_fuente ;sustracc ion_fondo v_fondo ( v_fuente ) ;whi l e ( ! v_fuente . empty ( ) && v_tecla !=27 ){
v_primer_plano = v_fondo . s u s t r a e r ( v_fuente ,v_v_r_cara ) ;
v_v_r_candidato = v_componentes . buscar (v_primer_plano , 0 . 1 ) ;
v_v_r_ROI = v_detector . d e t e c t a r ( v_fuente ,v_v_r_candidato , 1 ) ;
. . .
21
Experimentación. Uso en tiempo real
Algoritmo 2 Código principal de ocultacion_caras (Continuación)
. . .f o r ( unsigned i n t i =0; i<v_v_r_ROI . s i z e ( ) ; i ++ ){
v_seg_ROI . i n i c i a r ( v_fuente , v_v_r_ROI [ i ] ) ;v_v_seg_cara . push_back ( v_seg_ROI ) ;v_v_r_cara . push_back ( v_v_r_ROI [ i ] ) ;
}v_destino = v_fuente . c l one ( ) ;f o r ( unsigned i n t i =0; i<v_v_seg_cara . s i z e ( ) ; i++ ){
v_v_r_cara [ i ] = v_v_seg_cara [ i ] . s e gu i r (v_fuente , v_v_r_cara [ i ] ) ;
i f ( v_v_r_cara [ i ] . width>0 &&v_v_r_cara [ i ] . he ight >0 )
{r e c t ang l e ( v_destino ,
Point ( v_v_r_cara [ i ] . x ,v_v_r_cara [ i ] . y ) ,
Point ( v_v_r_cara [ i ] . x+v_v_r_cara [ i ] . width, v_v_r_cara [ i ] . y+v_v_r_cara [ i ] . he ight ) ,
Sca l a r ( 255 , 0 , 0 , 0 ) ) ;v_blur = Mat( v_destino , v_v_r_cara [ i ] ) ;medianBlur ( v_blur , v_blur , 15 ) ;v_v_seg_cara_tmp . push_back ( v_v_seg_cara [ i ] ) ;v_v_r_cara_tmp . push_back ( v_v_r_cara [ i ] ) ;
}}v_v_seg_cara = v_v_seg_cara_tmp ;v_v_r_cara = v_v_r_cara_tmp ;v_v_seg_cara_tmp . c l e a r ( ) ;v_v_r_cara_tmp . c l e a r ( ) ;imshow( " Sa l ida " , v_destino ) ;v_video >> v_fuente ;v_tecla = waitKey ( 1 ) ;i f ( v_tecla==' ' ) waitKey ( ) ;
}re turn 0 ;
}
22
Videovigilancia y privacidad
Sustracción del fondo. Se ha implementado un método de sustrac-
ción del fondo que se basa en la mezcla de distribuciones de Gauss. Este
método permite el aprendizaje del fondo de la escena mediante la combi-
nación de distribuciones de Gauss. A partir de su aprendizaje, es capaz
de extraer del fondo aquellos objetos en movimiento. Todo fotograma del
vídeo deberá ser enviado a este subproceso para analizar el fondo de la
imagen y así capturar aquellos objetos que pueden resultar de interés.
Algoritmo 3 Sustracción del fondo
c l a s s sust racc ion_fondo{
p r i va t e :cv : : Mat v_primer_plano ;cv : : BackgroundSubtractorMOG v_sustractor ;
pub l i c :sustracc ion_fondo ( const cv : : Mat& p_origen ) ;cv : : Mat s u s t r a e r ( const cv : : Mat& p_origen ,
const std : : vector<cv : : Rect> p_v_r_eliminar ) ;} ;. . .v_sustractor ( p_origen , v_primer_plano , −1 ) ;
Para el uso de esté modelo de distribuciones de Gauss se ha proce-
dido a de�nir una clase en C++ que sirva de interfaz a dicho modelo,
de manera que pueda ser mejorada su funcionalidad de manera simple.
El operador de la clase BackgroundSubstractorMOG es el que posee la
capacidad de extraer el primer plano del fondo de la escena. El méto-
do sustraer de la clase sustraccion_fondo facilita el acceso al anterior
operador, y devuelve el primer plano generado por el modelo usado. La
mezcla de distribuciones de Gauss consigue una buena e�cacia en tiempos
23
Experimentación. Uso en tiempo real
aceptables. Se puede observar que el método sustraer posee un segun-
do parámetro denominado p_v_p_eliminar, el cual acepta una lista de
regiones. Esta lista para eliminar del primer plano aquellas regiones de
interés que han sido detectadas en fotogramas previos y clasi�cadas de
interés para su seguimiento.
Algoritmo 4 Eliminación de regiones de interés en la sustracción delfondo
f o r ( unsigned i n t i =0; i<p_v_r_eliminar . s i z e ( ) ; i++ ){
Mat v_eliminar ( v_primer_plano , p_v_r_eliminar [ i ] ) ;v_el iminar = Mat : : z e r o s ( v_el iminar . s i z e ( ) ,
v_el iminar . type ( ) ) ;}
Segmentación. Será la clase componente_conexa la encargada de,
a partir del modelo de primer plano extraído, buscar todos aquellos con-
tornos que tengan un perímetro mínimo. Esto permitirá el descarte de
objetos pequeños que pueden ser obviados para la detección de regiones
de interés.
Algoritmo 5 Clase componente_conexa
c l a s s componente_conexa{
pub l i c :s td : : vector<cv : : Rect> buscar
( cv : : Mat& p_origen , i n t p_min_contorno ) ;} ;
Una vez detectados los candidatos a ser clasi�cados de interés se
procede a calcular la longitud del contorno y veri�car que es superior
24
Videovigilancia y privacidad
a una cota mínima. Si esto se cumple, incluimos la región del contorno
detectado dentro de la lista de componentes conexas propuestas como
candidatas a ser regiones de interés.
Algoritmo 6 Búsqueda de componentes conexas cuyo contorno superauna cota mínima
f indContours ( v_contornos ,v_v_p_contorno ,CV_RETR_LIST,CV_CHAIN_APPROX_SIMPLE,Point ( ) ) ;
f o r ( unsigned i n t i =0; i<v_v_p_contorno . s i z e ( ) ; i++ ){
v_long_cont = arcLength ( Mat( v_v_p_contorno [ i ] ) ,t rue ) ;
i f ( v_long_cont > v_min_long_cont ){
v_r_componente = boundingRect (Mat( v_v_p_contorno [ i ] ) ) ;
v_v_r_componente . push_back ( v_r_componente ) ;v_v_p_componente . push_back ( v_v_p_contorno [ i ] ) ;
}}
Detección de región de interés. Una vez tengamos capturadas
las componentes conexas candidatas a ser incorporadas en el proceso de
detección, se procede a referenciar la clase creada a tal efecto.
25
Experimentación. Uso en tiempo real
Algoritmo 7 Clase deteccion_roi
c l a s s de t ec to r_ro i{
p r i va t e :cv : : Ca s c ad eC l a s s i f i e r v_c l a s i f i c ado r 1 ;cv : : Ca s c ad eC l a s s i f i e r v_c l a s i f i c ado r 2 ;cv : : HOGDescriptor hog ;
pub l i c :de t ec to r_ro i ( ) ;s td : : vector<cv : : Rect> de t e c t a r
( const cv : : Mat& p_origen ,std : : vector<cv : : Rect> > p_candidatos ,double p_escala ) ;
} ;
OpenCV integra una implementación tanto del algoritmo Viola-Janes
basado en características Haar [19], como el de Histograma de Gradien-
tes Orientados. Como punto a favor de esta implementación es que la
propia librería integra un conjunto de datos de entrenamiento para de-
tección de cara, cuerpo, cabeza y hombros, y torso y piernas. Siguiendo
las recomendaciones del artículo Upper Body Detetection in Unconstrai-
ned Still Images [10] se procede al uso de los �cheros que contienen datos
de entrenamiento tanto de la parte superior del cuerpo como del per�l
de la cara.
26
Videovigilancia y privacidad
Algoritmo 8 Carga de descriptores para la detección de caras
i f ( ! v_c l a s i f i c ado r 1 . load( "haarcascade_upperbody . xml" ) )cout
<< "ERROR: no se puede cargar e l c l a s i f i c a d o r "<< endl ;
i f ( ! v_c l a s i f i c ado r 2 . load( " haa r ca s cade_pro f i l e f a c e . xml" ) )cout
<< "ERROR: no se puede cargar e l c l a s i f i c a d o r "<< endl ;
v_hog . setSVMDetector( HOGDescriptor : : ge tDe fau l tPeop leDetec tor ( ) ) ;
El algoritmo implementado en el método detectar se encarga simple-
mente de recorrer la lista de regiones candidatas a ser de interés. Cada
una de estas regiones son procesada haciendo uso de los detectores de
parte superior del cuerpo (v_clasi�cador1.detectMultiScale) y de cara
lateral (v_clasi�cador2.detectMultiScale) de Viola-Janes, y el de Histo-
grama de Gradientes Orientados (v_hog.detectMultiScale). Este último
detector se utilizará sólo cuando los dos anteriores no hayan tenido éxito,
ya que ésto no implica que no se encuentre persona alguna dentro de la
región procesada.
27
Experimentación. Uso en tiempo real
Algoritmo 9 Procesamiento para la detección de caras
f o r ( unsigned i n t i =0; i<p_candidatos . s i z e ( ) ; i++ ){
. . .v_c l a s i f i c ado r 1 . de t e c tMu l t iS ca l e ( v_ROI_s ,
v_v_r_ROI, 1 . 1 , 2 ,0 |CV_HAAR_SCALE_IMAGE, S i z e ( 30 , 30) ) ;
i f ( v_v_r_ROI . s i z e ()>0 ) v_b_cara = true ;e l s e{
v_c l a s i f i c ado r 2 . de t e c tMu l t iS ca l e ( v_ROI_s ,v_v_r_ROI, 1 . 1 ,2 , 0 |CV_HAAR_SCALE_IMAGE, S i z e ( 30 , 30) ) ;
i f ( v_v_r_ROI . s i z e ()>0 ) v_b_cara = true ;e l s e{
t ry{
v_hog . de t e c tMu l t i S ca l e ( v_ROI_s ,v_v_r_ROI, 0 , S i z e ( 8 , 8 ) ,S i z e ( 30 , 30 ) , 1 . 05 , 2 ) ;
. . .
Una vez descartados aquellas componentes candidatas sobre las que
no se ha detectado ningún objeto de interés, se procede a devolver la lista
de regiones que contienen objetos de interés para el procesamiento. Pero
antes, se ajusta la región procesada para que las coordenadas recogidas
en v_v_r_ROI[0] se encuentren en el espacio de la imagen.
Algoritmo 10 Consideración de las regiones con caras
. . .v_v_r_detectado . push_back ( v_v_r_ROI [ 0 ] ) ;
}}re turn v_v_r_detectado ;
28
Videovigilancia y privacidad
Seguimiento de región de interés. Por último, la clase seguimien-
to_roi será la encargada de implementar el método CAMShift. Aunque
el artículo de referencia propone el uso de Mean-Shift como algoritmo de
seguimiento, se ha optado por el uso de CAMShift debido a sus propie-
dades adaptativas.
Algoritmo 11 Clase seguimiento_roi
c l a s s seguimiento_ro i{
p r i va t e :cv : : RotatedRect v_rr_centro_roi ;cv : : Mat v_hist ;
pub l i c :void i n i c i a r ( const cv : : Mat& p_origen ,
const cv : : Rect p_se l ecc ion ) ;cv : : Rect s e gu i r ( const cv : : Mat& p_origen ,
const cv : : Rect p_v_r_roi ) ;} ;
Para llevar a cabo el seguimiento, éste deberá ser efectuado en dos
fases. Una inicial donde se informará la región de interés a la clase se-
guimiento_roi para calcular el histograma que será usado por el método
CamShift.
29
Experimentación. Uso en tiempo real
Algoritmo 12 Procesamiento previo al seguimiento de caras
cvtColor ( p_origen , v_hsv , CV_RGB2HSV ) ;inRange ( v_hsv , Sca l a r ( 0 , v_smin ,
MIN( v_min , v_max ) ) ,Sca l a r ( 180 , 256 , MAX( v_min , v_max ) ) ,v_mascara ) ;
v_hue . c r e a t e ( v_hsv . s i z e ( ) , v_hsv . depth ( ) ) ;mixChannels ( &v_hsv , 1 , &v_hue , 1 , v_canales , 1 ) ;Mat v_ROI( v_hue , p_se l ecc ion ) ,
v_ROI_mascara( v_mascara , p_se l ecc ion ) ;c a l cH i s t ( &v_ROI, 1 , 0 , v_ROI_mascara , v_hist ,
1 , &v_hsize , &v_h_rangos ) ;normal ize ( v_hist , v_hist , 0 , 255 , CV_MINMAX ) ;
En posteriores fotogramas se procederá a seguir el objeto mediante el
uso del histograma calculado en la fase inicial. Será la función CamShift
la encargada de detectar el punto donde se localiza la distribución co-
rrespondiente al objeto de interés. Este procesamiento se realizará sobre
una región ampliada a la que contiene la cara o el cuerpo detectado en
un fotograma anterior.
Algoritmo 13 Seguimiento de caras
ca l cBackPro jec t ( &v_hue , 1 , 0 , v_hist ,v_backproj , &v_h_rangos ) ;
v_backproj &= v_mascara ;v_rr_centro_roi = CamShift ( v_backproj , v_r_ROI ,
TermCriter ia ( CV_TERMCRIT_EPS | CV_TERMCRIT_ITER,10 , 1 ) ) ;
Adicionalmente, el método seguir se encargará de actualizar la posi-
ción donde se localiza la región de interés que contiene la cara o cuerpo
detectado.
30
Videovigilancia y privacidad
Tras realizar la implementación del programa encargado de ocultar
la identidad de las personas que aparezcan en un vídeo. se procede a
realizar pruebas para conocer su rendimiento y e�cacia. Para ello se ha
accedido a dos Web que contienen vídeos que permiten realizar pruebas
para validar algoritmos relacionados con la videovigilancia, el consumo
electrónico y la aplicación médica:
Proyecto europeo CANTATA1. Esta Web contiene un conjunto de
datos de pruebas para la validación de métodos de análisis de vídeo.
Video Surveillance Online Repository �VISOR�2. Esta Web con-
tiene una gran base de datos multimedia, agrupada por distintos
métodos de análisis de vídeo.
A partir de estas bases de datos se ha procedido a obtener una batería
de pruebas para conocer el rendimiento de la aplicación desarrollada.
También resultar de interés conocer el comportamiento del algoritmo
bajo determinadas circunstancias:
Vídeo con resolución baja.
• Una persona con desplazamiento frontal y de per�l.
• Dos personas que entran y salen de la escena, y se inmovilizan
temporalmente.
• Una persona que camina de espalda a la cámara.
Vídeo con resolución media.1http://www.hitech-projects.com/euprojects/cantata/datasets_cantata/dataset.html2http://www.openvisor.org/this_main.asp
31
Experimentación. Uso en tiempo real
• Una persona que se desplaza de per�l con buena iluminación.
A continuación se muestran los tiempos de ejecución consumidos por
cada uno de los subprocesos de la ocultación de caras para dos tamaños
de fotogramas distintos. Seguidamente se incluyen capturas del vídeo
original, de la segmentación de objetos en movimiento, de la componente
de intensidad usada para el seguimiento, y del vídeo resultante de aplicar
el emborronamiento sobre las caras detectadas para distintos vídeos de
prueba.
Imagen de 720 x 576 Imagen 360 x 270
Sustracción del fondo 80 - 90 ms. 20 - 25 ms.Segmentación < 10 ms. < 5 ms.
Detección de caras 150 - 300 ms. 150 - 300 ms.Seguimiento de caras < 5 ms. < 5 ms.
Cuadro 1: Tiempos de ejecución por cada subproceso en la ocultación decaras
Se puede observar el alto coste necesario para procesar la detección de
caras, a pesar de sólo considerarse aquellas regiones segmentadas. Cabe
señalar como el incremento de coste por la sustracción del fondo (1:4) está
directamente relacionado con el tamaño del fotograma, efecto que no se
produce con la segmentación. En cambio, la detección y el seguimiento de
caras no sufre variación signi�cativa para ambos tamaños de fotograma.
32
Videovigilancia y privacidad
(a) (b)
Figura 2: Detección de la parte superior del cuerpo y seguimiento
Aunque se producen falsas detecciones y seguimientos, la aplicación
es capaz de dar detecciones correctas de la cara junto con un seguimiento
de ella.
33
Experimentación. Uso en tiempo real
(a) (b)
(c) (d)
Figura 3: Detección del cuerpo completo por no reconocimiento de caray parte superior
En este caso, debido a la baja calidad del vídeo no es posible detectar
la cara, aunque si es capaz de detectarse el cuerpo completo y realizarse
un seguimiento de éste. En cualquier caso también se producen deteccio-
nes falsas y errores en el seguimiento.
34
Videovigilancia y privacidad
(a) (b)
Figura 4: Error en la detección del cuerpo de una persona
En la �gura previa se observa como se ha segmentado la imagen,
región en la cual ha sido detectada una silla en lugar de una persona.
En este vídeo, debido a problemas de iluminación, el detector falla por
completo no siendo capaz de detectar las personas que aparecen.
(a) (b)
Figura 5: Sustracción incorrecta del fondo de la escena
Caben destacar estas imágenes ya que, como se puede observar, a
pesar de encontrarse una persona en la escena, debido al mínimo mo-
35
Experimentación. Uso en tiempo real
vimiento de ésta, el algoritmo de sustracción del fondo no es capaz de
detectarla.
(a)
(b) (c)
Figura 6: Correcta detección pero problema en el seguimiento con CAMS-hift
Aunque se ha detectado la parte superior del cuerpo, el seguimiento
de éste no es posible ya que el método CAMShift no es capaz de calcular
correctamente el centro de masa.
36
Videovigilancia y privacidad
Figura 7: Detección errónea de la parte superior del cuerpo
Por último, se incluye una captura correspondiente a procesamiento
de un vídeo para el cual, como curiosidad, el detector de la parte supe-
rior del cuerpo confunde ésta con la forma generada por el cuerpo y las
piernas.
37
Experimentación. Uso en tiempo real
38
Capítulo 5
Conclusiones
La ejecución de la batería de pruebas ha sido realizada mediante
el uso de un PC con procesador AMD Ahtlon II Neo K325 de doble
núcleo a 1.3 Ghz, RAM 4 Gb, tarjeta grá�ca ATI Mobility Radeon HD
4225 con memoria compartida, y SO Windows 7 Home Premium 64-bits.
Los resultados obtenidos tras la experimentación pueden ser mejorables
tanto en rendimiento como en e�cacia del algoritmo. Sería interesante
para trabajos futuros aplicar diversos métodos para cada una de las
técnicas aplicadas de visión por ordenador y reconocimiento de patrones.
Puede resultar de interés realizar un análisis exhaustivo sobre el artículo
Tracking Human Faces in Real-Time [21] de Jie Yang y Alex Waibel, o
Robust Face Tracking Using Color [16] elaborado por Karl Schwerdt y
James L. Crowley, que permite alcanzar un conocimiento más exhaustivo
de la cuestión tratada, con ayuda de la biografía utilizada de referencia
en ambos artículos.
La estrategia planteada en Protecting Personal Identi�cation Video
39
Conclusiones
resulta de interés como planteamiento esquemático en la mejora de ren-
dimiento de los algoritmos de procesamiento de vídeo. Esta estrategia
se basa en la eliminación de información innecesaria a la hora de rea-
lizar determinados procesos costosos, como es el caso de la detección
de características basada en plantillas. En lugar de reducir los costes de
procesamiento mejorando el rendimiento de alguno de los algoritmos uti-
lizados, se plantea la combinación de algoritmos ya existentes de forma
que se mejore el rendimiento global del procesamiento.
Como se ha podido observar, las condiciones del medio vigilado ge-
neran problemas a la hora de llevar a cabo el seguimiento. Esto obliga
a que el uso del seguimiento de caras visto en este documento se use
sólo bajo determinadas circunstancias, por lo que antes de nada habrá
que analizar la escena a vigilar mediante videocámara. Si el medio obliga
a mejorar la sensibilidad del algoritmo ante los cambios en las condi-
ciones de la escena, entonces será necesario analizar otros métodos que
haga robusto al algoritmo ante estos cambios. En lo general, a la hora de
aplicar técnicas de visión por ordenador es necesario analizar todas los
condicionantes que son susceptibles de acaecer. Es decir, no existe una
única solución global que pueda ser usada bajo cualquier circunstancia
del entorno considerado.
Cabe destacar que el algoritmo propuesto para la ocultación de caras
no siempre resultará e�caz a la hora de evitar el reconocimiento de la
persona, ya que existen otras características de la persona que pueden fa-
cilitar su reconocimiento: ropa usada, silueta, forma de andar, etc. Por lo
que dependiendo del nivel de privacidad al que desee llegar puede resul-
40
Videovigilancia y privacidad
tar interesante la ocultación completa del cuerpo. Si no fuese factible la
aplicación de esta técnica habría que buscar otras soluciones alternativas.
Como deducción desde el punto de vista político y social, resulta in-
teresante contemplar la existencia de soluciones software que permiten
respetar la privacidad de las personas ante los sistemas de videovigi-
lancia. En la actualidad, el acceso a los sistemas de videovigilancia es
sencillo, o lo que es lo mismo, la implantación de estos no están bajo
ningún control por parte de la Administración. Aunque exista normativa
legal tanto en el ámbito público como en el privado para la regulación
de la videovigilancia, esto no exime de su incumplimiento por parte de
los particulares en perjuicio del interés general. Como solución factible se
podría plantear incorporar soluciones de serie a los sistemas de videovigi-
lancia. Estos deberían obligar el cumplimiento del derecho fundamental
a la intimidad durante el visionado del vídeo capturado mediante el uso
de cámaras de videovigilancia. Sólo el poder judicial debería ser el ente
quien pudiera visionar las imágenes registradas por las cámaras, siempre
que estás faciliten la detención y enjuiciamiento de sospechosos de deli-
to. Siguiendo esta línea se podrían plantear soluciones en el ámbito de
la videovigilancia tales como:
Aplicación de máscara a caras para control de perímetro a zonas
privadas.
Uso de máscara para ocultación de cuerpos en personas controladas
en zonas con acceso restringido.
41
Conclusiones
42
Bibliografía
[1] G.R. Bradski and A. Kaehler. Learning opencv. O'Reilly, 2008.
[2] M. Castrillón-Santana, O. Déniz-Suárez, L. Antón-Canalís, and
J. Lorenzo-Navarro. Face and facial feature detection evaluation.
In International Conference on Computer Vision Theory and Ap-
plications, 2008.
[3] M. Castrillón-Santana, O. Deniz-Suarez, C. Guerra-Artal, and
J. Isern-Gonzalez. Cue combination for robust real-time multiple
face detection at di�erent resolutions. Computer Aided Systems
Theory�EUROCAST 2005, pages 398�403, 2005.
[4] A. Catoira et al. La videovigilancia y la garantía de los derechos
individuales: su marco jurídico. 2003.
[5] D. Chen, Y. Chang, R. Yan, and J. Yang. Protecting personal
identi�cation in video. Protecting Privacy in Video Surveillance,
pages 115�128, 2009.
[6] N. Dalal and B. Triggs. Histograms of oriented gradients for human
detection. 2005.
43
BIBLIOGRAFÍA
[7] A. Elgammal, R. Duraiswami, D. Harwood, and L.S. Davis. Back-
ground and foreground modeling using nonparametric kernel den-
sity estimation for visual surveillance. Proceedings of the IEEE,
90(7):1151�1163, 2002.
[8] D. Exner, E. Bruns, D. Kurz, A. Grundh
.ofer, and O. Bimber. Fast and robust camshift tracking. In Com-
puter Vision and Pattern Recognition Workshops (CVPRW), 2010
IEEE Computer Society Conference on, pages 9�16. IEEE.
[9] R. Gross, L. Sweeney, J. Cohn, F. Torre, and S. Baker. Face de-
identi�cation. Protecting Privacy in Video Surveillance, pages 129�
146, 2009.
[10] Upper Body Detection in Unconstrained Still Images. Upper body
detection in unconstrained still images. School of Computer Science
and Software Engineering. The University of Western Australia.
[11] P. KaewTraKulPong and R. Bowden. An improved adaptive back-
ground mixture model for real-time tracking with shadow detection.
In Proc. European Workshop Advanced Video Based Surveillance
Systems, volume 1. Citeseer, 2001.
[12] H. Kruppa, M. Castrillon-Santana, and B. Schiele. Fast and robust
face �nding via local context. In Joint IEEE Internacional Works-
hop on Visual Surveillance and Performance Evaluation of Tracking
and Surveillance (VS-PETS), pages 157�164. Citeseer, 2003.
44
Videovigilancia y privacidad
[13] A.J. Lipton, H. Fujiyoshi, and R.S. Patil. Moving target classi�ca-
tion and tracking from real-time video. In Applications of Computer
Vision, 1998. WACV'98. Proceedings., Fourth IEEE Workshop on,
pages 8�14. IEEE, 1998.
[14] E.M. Newton, L. Sweeney, and B. Malin. Preserving privacy by
de-identifying face images. Knowledge and Data Engineering, IEEE
Transactions on, 17(2):232�243, 2005.
[15] H. Schneiderman and T. Kanade. A statistical method for 3d object
detection applied to faces and cars. In cvpr, page 1746. Published
by the IEEE Computer Society, 2000.
[16] K. Schwerdt and J.L. Crowley. Robust face tracking using color. fg,
page 90, 2000.
[17] P. Squires. Citizens, justice and cctv: democracy, privacy and e�ec-
tive crime prevention. In European Forum for Urban Safety. EFUS,
2010.
[18] P. Viola and M. Jones. Rapid object detection using a boosted
cascade of simple features. 2001.
[19] P. Viola and M. Jones. Robust real-time face detection. In Inter-
national conference on computer vision, volume 1. Citeseer, 2001.
[20] P. Wagner. Statistical machine learning with opencv. 2011.
45
BIBLIOGRAFÍA
[21] J. Yang, A. Waibel, and CARNEGIE-MELLON UNIV PITTS-
BURGH PA SCHOOL OF COMPUTER SCIENCE. Tracking hu-
man faces in real-time. Citeseer, 1995.
[22] A. Yilmaz, O. Javed, and M. Shah. Object tracking: A survey. Acm
Computing Surveys (CSUR), 38(4):13, 2006.
46