Comparación entre algoritmos

4.2.1.

Modelo de fondo

Para la elección del algoritmo a utilizar, lo primero que debemos plantearnos es si disponemos de una estimación puntual del fondo. En caso de no disponer de ella, las posibilidades se ven reducidas a aquellos algoritmos que únicamente utilicen información de la imagen actual (In_{): Spagnolo 2006 [26],}

Muñoz 2016 y Wen 2009 [30]. Este tipo de algoritmos serán los ideales en caso de únicamente se quiera separar a los objetos abandonados (SFO_A) del resto, sin necesidad de distinguir entre sustracciones o falsas detecciones.

4.2.2.

Cantidad de gradientes significativos

Una vez decidido si se va a utilizar o no estimación puntual del fondo, debemos tener en cuenta el tipo de secuencia que se quiere analizar. En situaciones con gran cantidad de gradientes significativos en el fondo los algoritmos basados en gradientes presentan dificultades. En la figura 4.3 vemos como el fondo situado tras la mochila tiene un alto número de puntos de borde, luego los píxeles del contorno del SFO detectado van a tener siempre una alta presencia en la estimación puntual del fondo, existiendo una alta probabilidad de que el SFO sea clasificado como una falsa detección o incluso como una sustracción.

4.2.3.

Camuflaje

Las situaciones de camuflaje son un aspecto importante a tener en cuenta a la hora de elegir el algo- ritmo a utilizar. En estas situaciones, las estrategias que mejor funcionan son las basadas en gradientes. En algoritmos basados en crecimiento de regiones puede darse la situación ilustrada en el ejemplo de la figura 4.4. Se observa como la región de píxeles compatibles se extiende por parte del fondo erróneamente, situación que puede provocar clasificaciones erróneas.

Por otro lado, los algoritmos basados en color pueden tener también problemas debidos al camuflaje. Si un objeto se asemeja demasiado al fondo sobre el que se sitúa, los histogramas de dentro y fuera de la región serán muy similares (ver figura 4.5).

4.2.4.

Fondos poco homogéneos

Las estrategias de crecimiento de regiones no funcionan bien para secuencias con fondos poco homo- géneos, como la ilustrada en la figura 4.6. Podemos ver como, debido a la alta variación de los píxeles pertenecientes a los alrededores del SFO (árbol situado tras la caja), las regiones compatibles son pe- queñas tanto para la imagen actual como para la estimación puntual del fondo. Esto hace que el SFO se clasifique erróneamente como falsa detección en caso de usarse estimación puntual del fondo. En caso

CAPÍTULO 4. RESULTADOS 38

Figura 4.4: Ejemplo de camuflaje en algoritmos de crecimiento de regiones. a) Imagen actual (In_{), b)}

región compatible correspondiente a la imagen actual.

CAPÍTULO 4. RESULTADOS 39

Figura 4.6: Ejemplo de escenario con fondo poco homogéneo en algoritmos que utilizan estimación puntual del fondo (Pn_{). Las imágenes de la segunda fila representan las regiones de píxeles compatibles}

resultado del algoritmo de crecimiento de regiones.

Algoritmos Tipo de Utiliza modelo Muchos gradientes Camuflaje Fondos poco algoritmo de fondo significativos en el fondo homogéneos

Spagnolo 2006 Gradientes NO χ √ ∼ Evangelio 2011 Gradientes SÍ χ √ ∼ Tian 2008 Crecimiento SÍ ∼ ∼ χ Muñoz 2016 Crecimiento NO ∼ ∼ χ Ferrando 2006 Color SÍ √ ∼ √ Wen 2009 Color NO √ ∼ √

Cuadro 4.2: Resumen de ventajas e inconvenientes de los algoritmos implementados. Notación:√ (fun- ciona bien), χ(funciona mal),∼(puede funcionar pero depende de otros factores).

de no usarse, únicamente distinguimos entre lo que es objeto abandonado y lo que no. Si la diferencia entre las dos regiones compatibles es pequeña, la probabilidad de que una pase a ser mayor que la otra y viceversa aumenta, dando lugar a resultados poco fiables.

4.2.5.

Resumen

En la tabla 4.2, podemos ver un resumen de cómo funcionan los algoritmos implementados frente a distintas situaciones.

En muchas ocasiones, los factores que analizamos están ligados. Por ejemplo, una imágen cuyo fondo no es homogéneo suele tener gran cantidad de gradientes y viceversa. En otras, el funcionamiento del algoritmo irá ligado con la medida en la que afecte alguno de los problemas. Por ejemplo, los algoritmos de crecimiento de regiones funcionan bien en situaciones de camuflaje no demasiado severas, siempre y cuando se exija una alta similitud entre píxeles vecinos para considerarlos compatibles. Sin embargo, si el grado de camuflaje aumenta, la probabilidad de que el algoritmo deje de funcionar también lo hace.

Capítulo 5

Conclusiones y líneas futuras

En este capítulo se resumen, en la sección 5.1, las principales características de los métodos implemen- tados en base a los resultados obtenidos en el capítulo anterior. Además, en la sección 5.2, se plantean distintas líneas de trabajo futuro con el fin integrar las estrategias implementadas en un sistema completo.

5.1.

Conclusiones

Tras analizar distintas estrategias para discriminar entre objetos abandonados y sustraídos, se han implementado aquellas que se han considerado más representativas de entre todas las existentes en el estado del arte, comparando sus ventajas e inconvenientes con el fin de proporcionar información suficiente para poder tomar la decisión de qué estrategias son mejores en función de las características de las secuencias sobre las que se apliquen.

De la comparación estre las distintas estrategias implementadas, se destacan los siguientes puntos:

Utilización de una estimación puntual del fondo. Existen aplicaciones, como la detección de robos, en las que es imprescindible diferenciar las sustracciones de las falsas detecciones. Esta distinción únicamente es posible cuando hablamos de métodos que utilizan una estimación puntual del fondo con la que comparar la imagen actual. En cambio, muchas aplicaciones no tienen la necesidad de realizar esta distinción, ya que únicamente buscan diferenciar los objetos abandonados del fondo de la escena (por ejemplo, para realimentar el modelo de fondo incorporando tanto los objetos sustraídos como las falsas detecciones).

Funcionamiento según el tipo de escenario.Hemos podido comprobar distintas ventajas e in- convenientes que presentan los algoritmos implementados analizando su funcionamiento en distintos tipos de escenarios. Los algoritmos basados en gradientes tienen un mal funcionamiento cuando el fondo de la imagen contiene numerosos gradientes significativos, confundiéndose con los bordes del objeto. Los algoritmos basados en crecimiento de regiones tienen dificultades en entornos con un alto grado de camuflaje, así como en escenarios con fondos poco homogéneos en los que la compa- tibilidad entre píxeles vecinos es baja. Por último, los algoritmos basados en histogramas de color únicamente presentan problemas en situaciones de camuflaje, donde los histogramas de color del interior y exterior de la región son muy similares.

Número de parámetros. Por último, un aspecto importante a tener en cuenta es la cantidad de parámetros a utilizar y lo estrictos que son a la hora de elegir su valor. Los dos primeros tipos de algoritmos (gradientes y crecimiento) tienen un mayor número de parámetros y umbrales que dificultan la utilización de los mismos. Sin embargo, al tener gran cantidad de parámetros, es posible adaptarlos a un mayor número de escenarios distintos. En cambio, la flexibilidad de los algoritmos basados en histogramas de color es considerablemente menor.

Finalmente, de este análisis se concluye que no existe un algoritmo que proporcione mejores resultados que el resto, ya que todos ellos presentan problemas en algún tipo de situación. Por tanto, la mejor opción sería realizar un algoritmo que combine las distintas estrategias con el fin de proporcionar buenos resultados en la gran mayoría de situaciones. Además, al tener que realizar únicamente un preprocesado para todos ellos, el coste computacional no sufriría un aumento excesivo.

CAPÍTULO 5. CONCLUSIONES Y LÍNEAS FUTURAS 41