Resumen de Sistema context-aware de videovigilancia inteligente bajo el paradigma edge-computing
Los sistemas de videovigilancia son hoy en día una de las principales herramientas para la prevención, detección e investigación de delitos contra la seguridad pública. Debido a esto, el mercado mundial de la videovigilancia ha crecido a una velocidad constante en las últimas décadas. Según los últimos informes, se espera que este crecimiento se mantenga durante los próximos años, con un crecimiento anual esperado de casi un 17\%.
Los sistemas tradicionales de videovigilancia constan de varias cámaras conectadas a monitores y/o grabadoras. Para que estos sistemas aporten valor, es de vital importancia que haya personal de seguridad observando los monitores o revisando las grabaciones. Sin embargo, por un lado, cada vez hay más cámaras, lo que dificulta la actividad de monitorización. Por otro lado, se ha demostrado que una persona pierde rápidamente la atención cuando se encuentra realizando este tipo de actividades.
Los últimos avances en videovigilancia tratan de mitigar estos problemas mediante la automatización de gran parte de las actividades que realizan los profesionales de seguridad. El campo de estudio que estudia estas automatizaciones se llama Videovigilancia Inteligente y nació hace algo más de dos décadas. A día de hoy, tanto un sistema de videovigilancia tradicional, como uno de Videovigilancia Inteligente, utiliza una gran variedad de tecnologías para la grabación, envío, gestión y visualización de dichas señales. Sin embargo, los sistemas de Videovigilancia Inteligente necesitan de tecnología extra para el procesamiento de las señales de vídeo. Estas tecnologías están relacionadas con la Inteligencia Artificial y, sobre todo, con la Visión Artificial.
La Videovigilancia Inteligente ha crecido mucho en los últimos años debido a varios factores. Por un lado se encuentra la demanda cada vez mayor por parte del personal de seguridad, que no puede cubrir todas las necesidades. Por otro lado, los ordenadores han crecido enormemente en capacidades de cómputo, lo que ha permitido a su vez mejorar los algoritmos de Visión Artificial necesarios en este campo. Todo junto ha propiciado un ecosistema tanto a nivel de investigación como a nivel de comercialización que ha permitido un gran avance en un corto periodo de tiempo.
Los últimos avances en Videovigilancia Inteligente parecen estar relacionados con añadir toda la información posible a estos sistemas. El objetivo principal es que sean capaces de tomar mejores decisiones y que además estas decisiones sean más complejas. En esta línea se enmarca el uso de la información de contexto, dando lugar a lo que se conoce como sistemas conscientes del contexto o \emph{Context-Aware}. El uso de la información de contexto ha demostrado ser de gran utilidad en este contexto, ya que estos sistemas cuentan con más inteligencia y flexibilidad que los sistemas tradicionales. Es por eso, por lo que ha empezado a aplicarse en distintos sistemas de Videovigilancia Inteligente.
Aunque el uso de la información de contexto puede ser de gran utilidad, el hecho de añadir aún más información a unos sistemas que ya de por sí crean volúmenes muy grandes datos puede crea problemas en la gestión de estos. Existen diversas soluciones y paradigmas a nivel de arquitectura y distribución de procesos para solucionar estos problemas. En este sentido, uno de los paradigmas que más presencia está tomando en este sector es el \emph{Edge-Computing}. Este paradigma de distribución de la computación dice que los procesamientos deben encontrarse lo más cerca del lugar donde se originan los datos. Es un paradigma muy relacionado con el llamado \emph{Internet of Things (IoT)}, concepto que tiene a su vez una gran relación con la Videovigilancia Inteligente.
Tanto la consciencia del contexto como el \emph{Edge-Computing} han sido utilizados en el ámbito de la Videovigilancia Inteligente. Sin embargo, no se ha encontrado ninguna aplicación o sistema en la literatura científica en donde se empleen conjuntamente. Sin embargo, dados los resultados que ya han demostrado por separado, parece lógico pensar que al combinarlos podrían crearse sistemas más avanzados, más eficaces y más eficientes. Un sistema con estas características obtendría una gran escalabilidad debido al paradigma \emph{Edge-Computing}, y una gran flexibilidad y capacidad de toma de decisiones debido a la consciencia del contexto.
Esta es la motivación principal de esta tesis. Se pretende crear un sistema de Videovigilancia Inteligente que combine ambos conceptos. Para ello, en primer lugar se presenta una arquitectura basada en el paradigma \emph{Edge-Computing} que además soporta la información de contexto. Después se proponen dos algoritmos diferentes que pueden ser integrados en esta arquitectura y que hacen uso de esta información de contexto. Para terminar, se propone una metodología de riesgos consciente del contexto que permite gestionar y resumir todas las alarmas generadas por el sistema. Este método permite agregar toda la información útil para el personal de seguridad en una señal de riesgo fácilmente entendible.
