Videovigilancia inteligente: herramientas imprescindibles
La visión siempre ha sido uno de los sentidos más importantes para el ser humano. Por lo tanto, en los últimos años, los proyectos en las ciencias computacionales relacionados en imitar este sentido han crecido; algunas de las actividades que realizamos con nuestros ojos actualmente son para el disfrute y ocio. Sin embargo, la visión humana se desarrolló como una herramienta importante que nos ha ayudado a nuestra supervivencia a través de los siglos; una de las actividades más importantes de nuestros ojos es poder mantenernos conscientes de nuestro entorno, y de esa forma mantenernos a salvo. Aunque en principio esta habilidad no ha cambiado, si ha podido evolucionar en algunos casos. Un ejemplo, son los sistemas de videovigilancia, que nos permiten extender la visión de nuestros ojos a lugares donde no podríamos alcanzar de otra forma.
La idea base de la videovigilancia no ha cambiado en años, una herramienta para ayudar a las personas ver más allá de lo que normalmente podrían. Ya sea que las cámaras de videovigilancia abarquen muchos sitios al mismo tiempo o cubran sitios de difícil alcance para las personas. A pesar de ello, el componente humano sigue siendo un punto débil de los sistemas de videovigilancia debido a su reducida capacidad de atención. Por lo tanto, se han ideado técnicas que puedan, no necesariamente reemplazar, pero si ayudar a los operadores humanos y de tal forma potenciar su habilidad de vigilar y reaccionar a lo que esté pasando en un entorno de interés. Los sistemas de vigilancia mejorados por medio de software especializado reciben el nombre de videovigilancia inteligente.
Hay diferentes tareas que resolver con la videovigilancia inteligente, como detección de anomalías, reconocimiento de personas, reconocimiento de acciones, entre otros (Sreenu & Durai, 2019). Una de las tareas más importantes es la detección de anomalías. Las anomalías son hechos o sucesos fuera de los normal o de lo considerado normal, por ejemplo, accidentes o crímenes. Por lo tanto, es importante la oportuna detección de anomalías. Aun así, existen diferentes complicaciones para la detección inteligente de anomalías. Una de las complicaciones iniciales era la escasa cantidad de ejemplos de anomalías encontrados en las bases de datos de videovigilancia. Los modelos usados en el análisis de imágenes y videos necesitan grandes cantidades de datos para aprender a entender la información. La solución más aceptada en el área ha sido entrenar modelos solo con información normal, para que aprenda a reconocer la normalidad de los escenarios (Zhao et al., 2017; Feng et al., 2021; Cruz-esquivel & Guzman-zavaleta, 2022). Cuando el modelo entrenado no reconoce correctamente un escenario, se puede saber que el sistema se encontró con una o varias anomalías.
Otro de las tareas importantes ha sido el reconocimiento de personas. Reconocer y dar seguimiento a una persona es una tarea importante que sirve para la procuración de justicia y es una tarea recurrente en los sistemas de videovigilancia en espacios públicos, pero han surgido varias dificultades importantes en esta área. El principal problema es la falta de precisión de los sistemas, especialmente en personas con tonos más oscuros de piel (Klare et al., 2012; Buolamwini & Gebru, 2018). Los investigadores han buscado la forma de solucionar este problema, siendo una de las soluciones más aceptadas la creación de una base de datos más variadas y que tenga una mayor representación de diferentes demografías (Smith, 2019). Esto ha generado una gran cantidad de cuestionamientos éticos sobre el uso de videovigilancia inteligente para la procuración de justicia y como esto podría afectar a las minorías o a los menos representados.
La aplicación de la videovigilancia inteligente es importante para mejorar la vida de los ciudadanos en varios aspectos. Por ello, y aunque muchos de estos sistemas se encuentran en etapas tempranas de desarrollo, ya se están utilizando a lo largo del mundo. Dada la inmersión de estos sistemas en nuestro día a día es importante informarnos y estar pendientes de su correcta aplicación para mejorar la vida de los ciudadanos y evitar que se usen los sistemas de videovigilancia para lo contrario.
Referencias:
Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Conference on fairness, accountability and transparency (pp. 77-91). PMLR.
Cruz-Esquivel, E., & Guzman-Zavaleta, Z. J. (2022). An Examination on Autoencoder Designs for Anomaly Detection in Video Surveillance. IEEE Access, 10, 6208–6217. https://doi.org/10.1109/ACCESS.2022.3142247
Feng, J., Liang, Y., & Li, L. (2021). Anomaly Detection in Videos Using Two-Stream Autoencoder with Post Hoc Interpretability. Computational Intelligence and Neuroscience, 2021. https://doi.org/10.1155/2021/7367870
Klare, B. F., Burge, M. J., Klontz, J. C., Bruegge, R. W. V., & Jain, A. K. (2012). Face recognition performance: Role of demographic information. IEEE Transactions on Information Forensics and Security, 7(6), 1789-1801.
Smith, J. 2019, Enero 19. IBM Research Releases ‘Diversity in Faces’ Dataset to Advance Study of Fairness in Facial Recognition Systems. IBM Research Blog. https://www.ibm.com/blogs/research/2019/01/diversity-in-faces/
Sreenu, G., & Durai, M. S. (2019). Intelligent video surveillance: a review through deep learning techniques for crowd analysis. Journal of Big Data, 6(1), 1-27.
Zhao, Y., Deng, B., Shen, C., Liu, Y., Lu, H., & Hua, X. S. (2017). Spatio-temporal AutoEncoder for video anomaly detection. MM 2017 – Proceedings of the 2017 ACM Multimedia Conference, 1933–1941. https://doi.org/10.1145/3123266.3123451
Sobre los Autores:
