170
UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA La Universidad Católica de Loja ESCUELA CIENCIAS DE LA COMPUTACIÓN MODALIDAD ABIERTA Y A DISTANCIA “Identificación de patrones utilizando modelos ocultos de Markov” Trabajo de fin de carrera previo a la obtención del título de ingeniero en informática. Autores: Balcázar Jumbo, Paola de Jesús Godoy Maza, Viviana Marisol Director: Ing. Gómez Alvarado Héctor Fernando CARIAMANGA - ECUADOR 2012

Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

  • Upload
    ledieu

  • View
    227

  • Download
    0

Embed Size (px)

Citation preview

Page 1: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA

La Universidad Católica de Loja

ESCUELA CIENCIAS DE LA COMPUTACIÓN MODALIDAD ABIERTA Y A DISTANCIA

“Identificación de patrones utilizando modelos ocultos de

Markov”

Trabajo de fin de carrera previo a la obtención del título de ingeniero en informática.

Autores: Balcázar Jumbo, Paola de Jesús Godoy Maza, Viviana Marisol

Director:

Ing. Gómez Alvarado Héctor Fernando

CARIAMANGA - ECUADOR 2012

Page 2: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso
Page 3: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

i

CERTIFICACIÓN: Ingeniero Héctor Gómez DIRECTOR DE TESIS CERTIFICA: Que el presente trabajo de tesis ha sido objeto de un minucioso análisis, construcción, revisión, corrección, cumpliendo de tal forma con los requisitos exigidos para este tipo de proyecto. Por lo que autoriza su presentación, sustentación y defensa.

……………………………………… Ing. Héctor Gómez

Loja, Marzo del 2012

Page 4: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

ii

CESIÓN DE DERECHOS

Paola de Jesús Balcázar Jumbo y Viviana Marisol Godoy Maza, declaramos conocer y aceptar las disposiciones del Art. 67 del Estatuto Orgánico de la Universidad Técnica Particular de Loja, que en su parte pertinente, dice textualmente: “Forman parte del patrimonio de la Universidad la propiedad intelectual, de investigación, trabajos científicos o técnicos y tesis de Grado que se realicen a través o con el apoyo financiero, académico o institucional (operativo) de la Universidad”. ……………………………….…………………. …....……………………………………… Paola de Jesús Balcázar Jumbo Viviana Marisol Godoy Maza

Page 5: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

iii

AUTORÍA:

Todos los conceptos, opiniones e ideas realizadas en el presente proyecto, son de exclusividad de las autoras.

Paola de Jesús Balcázar Jumbo Viviana Marisol Godoy Maza

Page 6: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

iv

DEDICATORIA

Con mi amor incondicional y mucho cariño dedico este trabajo a quienes me dan la inspiración para vivir. A Dios porque ilumina mis pensamientos y me dio la oportunidad de vivir; a mis Padres que son los guías de mi camino y por toda la ayuda brindada tanto en el aspecto económico como moral; a mi hija mi mayor orgullo y motivación para seguir adelante; a mis hermanos y sobrinos que durante todo este tiempo me brindaron todo su apoyo moral. A todos ellos muchas gracias.

PAOLA

Con todo mi amor dedico este trabajo a Dios supremo padre quién es el autor y la luz de mi vida. A mi esposo e hijos que con su amor y cariño me impulsaron a seguir luchando por mi ideal; a mis queridos padres y hermanos, quiénes hicieron posible mi superación brindándome su apoyo incondicional día a día en lo económico y moral; gracias a ellos he logrado culminar con éxito mi carrera universitaria ya que sin su apoyo no lo hubiera logrado.

VIVIANA

Page 7: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

v

AGRADECIMIENTO Agradezco de todo corazón a Dios por haberme regalado ese don maravilloso que es la vida, a mis padres, hermanos y amigos, y a todas las personas que me brindaron su apoyo y confianza para culminar con éxitos este proyecto. A la Universidad Técnica Particular de Loja por haberme brindado la oportunidad de superarme, de manera especial a la escuela de Ciencias de la Computación y su director en la persona del Ing. Nelson Piedra, a los distinguidos catedráticos y catedráticas que con abnegación supieron inculcarme sus conocimientos a lo largo de nuestra vida universitaria, además por brindarnos su amistad y confianza. Un agradecimiento de manera especial al Ing. Héctor Gómez por todo el apoyo y comprensión brindados a lo largo del desarrollo del Proyecto sinceramente sin su ayuda no hubiera sido posible lograrlo.

Las Autoras.

Page 8: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

6

ÍNDICE

RESUMEN ................................................................................................................................... 9

PROYECTO DE TESIS .................................................................................................................. 10

INTRODUCCIÓN GENERAL ........................................................................................................ 10

MOTIVACIÓN …. ........................................................................................................................ 10

PLANTEAMIENTO DEL PROBLEMA ........................................................................................... 10

METODOLOGÍA ......................................................................................................................... 10

OBJETIVOS ................................................................................................................................. 11

Objetivo General ...................................................................................................................... 11

Objetivos Específicos ................................................................................................................ 11

HIPÓTESIS .................................................................................................................................. 11

PREGUNTAS QUE EN ESTE PROYECTO DE TESIS SE HA PLANTEADO ........................................ 11

ESTRUCTURA DEL PROYECTO DE TESIS .................................................................................... 11

CAPÍTULO I:

1. MARCO TEÓRICO ................................................................................................................... 13

1.1 Cadenas de Markov .................................................................................................................. 13

1.1.1 Procesos Estocásticos ........................................................................................................ 13

1.1.1.1 Variables Aleatorias ........................................................................................................... 13

1.1.1.2 Correlación ......................................................................................................................... 13

1.1.2 Estado ................................................................................................................................ 13

1.1.3 Evento ................................................................................................................................ 13

1.2 Redes Bayesianas ...................................................................................................................... 15

1.3 Modelos Ocultos de Markov .................................................................................................... 17

1.4 Medidas de Seguridad en Supermercados ............................................................................... 23

1.4.1 Videovigilancia ................................................................................................................... 23

1.5 Comportamiento Humano ...................................................................................................... 23

CAPÍTULO II:

2. OBTENCIÓN DE PATRONES POR MEDIO DE MODELOS OCULTOS DE MARKOV ...................... 25

2.1 Comportamiento Normal (Compra) ......................................................................................... 25

2.1.1 Descripción ........................................................................................................................ 25

2.1.2 Diagrama de flujo ............................................................................................................... 26

Page 9: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

7

2.1.3 Experimentación ................................................................................................................ 27

1. Análisis de vídeos de comportamiento normal con MOM ..................................................... 27

2. Diseño de la solución .............................................................................................................. 29

3. Pruebas de los estados efectuados por las personas ............................................................. 31

2.2 Comportamiento sospechoso (hurto) ...................................................................................... 41

2.2.1 Descripción ........................................................................................................................ 41

2.2.2 Diagrama de flujo ............................................................................................................... 42

2.2.3 Experimentación ................................................................................................................ 43

1. Análisis de vídeos de comportamiento sospechoso con MOM ......................................... 43

2. Diseño de la solución ......................................................................................................... 44

3. Pruebas de los estados efectuados por las personas ........................................................ 47

Discusión del tema .................................................................................................................... 56

Conclusiones ................................................................................................................ 57

Recomendaciones ........................................................................................................ 58

Trabajos futuros ........................................................................................................... 59

Bibliografía …………………………………………………………………………………….. ......................... 60

Enlaces ......................................................................................................................... 62

ÍNDICE DE TABLAS

TABLA N°1 .................................................................................................................... 28

TABLA N°2 .................................................................................................................... 44

ÍNDICE DE GRÁFICOS

Figura N°1 (a) ................................................................................................................ 14

Figura N°1 (b) ............................................................................................................... 14

Figura N°2 (a) ................................................................................................................ 15

Figura N°2 (b) ................................................................................................................ 16

Figura N°2 (c) ................................................................................................................ 16

Figura N°3 ..................................................................................................................... 32

Figura N°4 ..................................................................................................................... 33

Figura N°5 ..................................................................................................................... 34

Figura N°6 ..................................................................................................................... 35

Page 10: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

8

Figura N°7 ..................................................................................................................... 36

Figura N°8 ..................................................................................................................... 37

Figura N°9 ..................................................................................................................... 38

Figura N°10 ................................................................................................................... 39

Figura N°11 ................................................................................................................... 40

Figura N°12 ................................................................................................................... 47

Figura N°13 ................................................................................................................... 48

Figura N°14 ................................................................................................................... 49

Figura N°15 ................................................................................................................... 50

Figura N°16 ................................................................................................................... 51

Figura N°17 ................................................................................................................... 52

Figura N°18 ................................................................................................................... 53

Figura N°19 ................................................................................................................... 54

Figura N°20 ................................................................................................................... 55

ÍNDICE DE ANEXOS

ANEXO N°1 ................................................................................................................... 67

ANEXO N°2 ................................................................................................................... 70

ANEXO N°3 ................................................................................................................... 73

ANEXO N°4 ................................................................................................................... 74

ANEXO N°5 ................................................................................................................... 78

ANEXO N°6 ................................................................................................................... 80

ANEXO N°7 ................................................................................................................... 82

ANEXO N°8 ................................................................................................................... 84

ANEXO N°9 ................................................................................................................... 91

ANEXO N°10 ............................................................................................................... 163

ANEXO N°11 ............................................................................................................... 166

Page 11: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

9

RESUMEN

La presente tesis tiene como objetivo el Inferir patrones que representen el comportamiento sospechoso de las personas en supermercados a través de Modelos Ocultos de Markov. Por medio de la observación directa de videos de compras y de hurto se procedió a etiquetar manualmente los estados camina, parado, observa cámaras de seguridad, toma producto; sumando el total de estas acciones (estados) y partir de estos datos obtener los porcentajes y promedio de las mismas. Para la identificación de dichos patrones se procedió a realizar el diseño de la solución, el cuál consiste en utilizar los porcentajes del aparecimiento de veces de los estados en los videos y obtener de estos datos probabilidades. De acuerdo a estos resultados que sirven como entradas en el entorno de Matlab se procedió a realizar las simulaciones correspondientes para cada estado y conocer el número de alertas y/o alarmas que se generan dado el aparecimiento de un conjunto de estados. Como aporte final el resultado fue satisfactorio ya que se identificó patrones que representan el comportamiento sospechoso de las personas a través del modelo propuesto.

Page 12: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

10

PROYECTO DE TESIS

INTRODUCCIÓN GENERAL

En este capítulo se describe la motivación, planteamiento del problema, metodología, objetivos generales y específicos, hipótesis, preguntas que en el proyecto de tesis se han planteado, y la estructura del proyecto de tesis.

MOTIVACIÓN Cuando las personas compran en un supermercado registran patrones de comportamiento, otras cuya acción es el hurto tienen patrones similares. Es importante, para la persona que vigila, clasificar el comportamiento de unas y otras. En esta investigación, se clasificó el comportamiento y se aplicó una técnica que emite alertas y/o alarmas según sea su tipo.

PLANTEAMIENTO DEL PROBLEMA

En la actualidad un gran número de supermercados han reforzado los sistemas de seguridad con cámaras de vídeo. Por medio de este sistema, una persona vigilante detecta anomalías. Pero, el cansancio distrae a la persona y no le permite estar atento. En esta tesis, se propone aplicar los Modelos Ocultos de Markov (MOM), con el fin de inferir la secuencia de estados relacionados con actitudes anómalas (actitudes sospechosas). Creemos que la propuesta en producción ayudaría a una persona vigilante.

METODOLOGÍA En este proyecto de tesis, se utilizó la experimentación como metodología:

Observación de los videos recolectados de hurto y compras en supermercados,

con el fin de obtener la secuencia de las actitudes (estados) registradas por las personas en los videos (registro).

Etiquetado manual de los estados.

Normalización de los datos obtenidos: se anota el número de veces que una persona pasó del estado parada a caminando, de caminando a observando cámaras de seguridad, etc. El objetivo es obtener el promedio de las transiciones y su porcentaje, ya que son las entradas para los MOM.

Page 13: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

11

Elaboración de un cuadro comparativo de las probabilidades de transición para el comportamiento normal y sospechoso.

Experimentación en el entorno de simulación Matlab.

OBJETIVOS Objetivo General:

Inferir patrones que representen el comportamiento sospechoso de las personas en supermercados a través de Modelos Ocultos de Markov.

Objetivos específicos:

1. Etiquetar estados en videos de hurto y compra. 1 Identificar a los estados ocultos (alerta y alarma). 2 Clasificar los estados por registro y tiempo de duración.

HIPÓTESIS

Los Modelos Ocultos de Markov aplicados a un proceso de compra en supermercados, infieren patrones sospechosos.

PREGUNTAS QUE ESTE PROYECTO DE TESIS SE HA PLANTEADO:

En un proceso de compra en supermercados: 1 ¿Cómo se puede diferenciar a una persona con comportamiento normal de una

persona considerada sospechosa?

2 ¿En qué momento deben generarse las alertas y alarmas? ESTRUCTURA DEL PROYECTO DE TESIS:

PROYECTO DE TESIS: Introducción general, motivación, planteamiento del problema, metodología, objetivos, hipótesis, preguntas, estructura del proyecto de tesis. CAPÍTULO I: Marco Teórico, en este capítulo se ha considerado importante incluir los conceptos y ejemplos de modelos probabilísticos tales como: cadenas de Markov, redes bayesianas, modelos ocultos y temas que se relacionan a nuestro trabajo de tesis: Seguridad en los supermercados, videovigilancia y comportamiento humano.

Page 14: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

12

CAPÍTULO II: Obtención de patrones por medio de Modelos Ocultos de Markov, en este capítulo se clasificó los videos obtenidos con el fin de identificar patrones que representen a las personas en esencia cuando cometen robo o hurto.

En las secciones de discusión del tema, conclusiones recomendaciones y trabajos futuros se detalla las decisiones tomadas en cada proceso de acuerdo al desarrollo del proyecto de tesis.

Page 15: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

13

CAPÍTULO I

1. MARCO TEÓRICO

En este capítulo se incluyen conceptos y ejemplos de algunos modelos probabilísticos tales como: Cadenas de Markov, Redes Bayesianas y Modelos Ocultos de Markov (MOM). Además, temas relacionados al trabajo de investigación (Seguridad en los supermercados, videovigilancia y comportamiento humano) serán descritos en los siguientes párrafos.

1.1 Cadenas de Markov

Según (Sheldon, 2000) “Una cadena de Markov es un modelo que representa un proceso que cambia de estado en el transcurso del tiempo. De cambio en cambio, se dice que ocurre una transición. La cadena de Markov corresponde a una clase específica de proceso estocástico en el ámbito de modelos probabilísticos”. En otras palabras, las cadenas de Markov son una serie de eventos que cambian de estado a lo largo del tiempo, en la cual la probabilidad de que ocurra un evento futuro depende del evento inmediato anterior.

1.1.1 Procesos estocásticos: “Es una sucesión de variables aleatorias (estocásticas) que evolucionan en función de otra variable, generalmente el tiempo. Cada una de las variables aleatorias del proceso tiene su propia función de distribución de probabilidad y entre ellas, pueden estar correlacionadas o no". http://diccionario.sensagent.com

1.1.1.1 Variables aleatorias: “También se le llama variable de azar o variable estocástica, y significa cantidad que puede tomar varios valores imprevistos”. http://www.monografias.com

1.1.1.2 Correlación: “Indica la fuerza y la dirección de una relación lineal entre dos variables aleatorias”. http://www.definicionabc.com

1.1.2 Estado: “En el lenguaje cotidiano, al igual que en la física y en la química, un estado es una situación en la que se encuentra algo o alguien. En estos casos, la palabra refiere a un modo de ser o de estar”. http://definicion.de

1.1.3 Evento: “Un evento es un acontecimiento, una cosa que sucede. Desde esta perspectiva El evento puede ser planificado o aparecer de manera imprevista”. http://definicion.de

Page 16: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

14

Ejemplo:

En relación al dominio en estudio, en la Figura Nº 1 se muestran algunos de los estados que registra un individuo cuando ingresa a un supermercado.

Figura N°1 Modelo de Markov que rFigura N°1 Modelo de Markov que representa el cambio de estados en la actitud de un individuo al ingresar a un supermercado. (a) Estados normales, (b) Estados sospechosos.

La Figura N°1 representa las acciones realizadas por una persona que ingresa a un supermercado. Las transiciones entre estados (de caminando a parado y luego a caminando) permite que el proceso sea representado por medio de cadenas de Markov. En la Figura N°1(a) la persona compra el producto mientras que en la Figura N°1(b) la persona registra estados sospechosos que pueden producir una alerta. El nivel de alerta a generarse dependerá del número de veces que repita la persona los estados y además del resultado obtenido al calcular la probabilidad de transición entre los estados registrados. Por ejemplo, Si una persona esta parada y luego camina, observa cámaras de seguridad, está parada y luego observa cámaras de seguridad, etc., está repitiendo los estados y al mismo tiempo los estados que registra empiezan a generar una probabilidad de alerta.

Individuo

Caminando

Actitud Normal Caminando

Parado

Parado

Caminando

Ingresa al supermercado

Observa producto (s)

Toma producto (s)

Se dirige a caja

Cancela producto (s)

Sale del supermercado

Individuo Actitud Sospechosa

Caminando

Caminando

Parado

Ingresa al supermercado

Observa producto (s)

Toma producto (s)

Sale del supermercado

Se desplaza dentro del supermercado

Observa cámaras

Devuelve producto (s)

a)

b)

Page 17: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

15

1.2 Redes bayesianas

Según López et al. (2006) “Una red bayesiana es un tipo concreto de grafo que se denomina grafo dirigido acíclico (GDA). Es dirigido porque los enlaces entre los vértices de la estructura están orientados. Por ejemplo, si (A, B)∈ E pero (B, A)∉ E, se diría que hay un enlace dirigido o arco entre los nodos y lo representaremos como A → B. Por su parte, es acíclico porque no pueden existir ciclos o bucles en el grafo; esto es, que si empezamos a recorrer un camino dirigido desde un nodo nunca podríamos regresar al punto de partida. Una conexión tipo A → B indica dependencia directa entre las variables”.

Entonces definimos que redes bayesianas son grafos acíclicos dirigidos, toman ese nombre porque no tienen ciclos de repetición, esto significa que para cada vértice no hay un camino que empiece y termine en el mismo lugar, además los enlaces entre los vértices representan relaciones de dependencia directa.

Ejemplo: Figura Nº2 a) Se muestra por medio de Grafos acíclicos dirigidos el proceso de evolución del comportamiento de un individuo para determinar el estado normal o sospechoso.

Figura Nº 2 (a) Comportamiento Normal

Individuo Observa producto

Toma producto

Ingresa al supermerca

do

Verifica Precio

Camina a caja

Sale Cancela en caja

Page 18: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

16

2 3

Figura Nº 2 (b) Comportamiento Sospechoso

Figura Nº 2 (c) Descripción detallada de los estados efectuados por los usuarios dentro de un supermercado.

Figura Nº2 (a, b, c) Grafos acíclicos dirigidos del proceso de evolución del comportamiento de un individuo cuando ingresa a un supermercado.

En la Figura Nº 2 se utilizó grafos acíclicos dirigidos para representar los estados efectuados por las personas dentro de un supermercado, de acuerdo a estos estados y al comportamiento de los mismos, se separa los estados que diferencian a los compradores normales de los posibles sospechosos.

Observa cámaras

Camina por el

supermercad

Ingresa al supermerca

do

Individuo

Observa producto

Sale Devuelve producto

Toma producto

Individuo Ingresa al supermercad

o

Camina por el

supermerca

Busca producto

.

Observa producto

Verifica Precio

Toma producto

Busca otro producto(s)

Toma nuevo

producto(

Verifica Precio

Lleva producto(s)

a caja

Devuelve algún

producto(s)

Cancela en caja

Sale

Page 19: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

17

1.3 Modelos ocultos de Markov

Según (Morgan, 1991) “Los Modelos Ocultos de Markov describen un proceso de probabilidad el cual produce una secuencia de eventos o símbolos observables. Son llamados ocultos porque hay un proceso de probabilidad subyacente que no es observable, pero afecta la secuencia de eventos observados”. Otros autores tales como Xuang, Acero, y Hon (2001) definen a “Los modelos ocultos de Markov como una extensión de las cadenas de Markov, en donde la salida del sistema puede tomar varios valores para cada estado, con lo que nace una nueva variable aleatoria (discreta o continua), conocida como vector de variables aleatorias. Este tipo de sistemas se implanta como un doble proceso estocástico: el de las transiciones entre estados y el de la salida para cada estado”. En un modelo oculto de Markov, el estado no es visible directamente para el observador, pero sí lo son las variables influenciadas por el estado. Los parámetros ocultos se los determina a partir de los parámetros observados. En esta investigación, se utilizará la propuesta de Morgan (Morgan, 1991) debido a que es la más cercana a los objetivos.

Ejemplo de utilización:

“Imagínese que tiene un amigo que vive lejos y con quien habla a diario por teléfono acerca de lo que hizo durante el día. A su amigo le interesan tres actividades: caminar por la plaza, salir de compras y limpiar su departamento. Lo que su amigo hace depende exclusivamente del estado del tiempo en ese día. Usted no tiene información clara acerca del estado del tiempo donde su amigo vive, pero conoce tendencias generales. Basándose en lo que su amigo le dice lo que hizo en el día, usted intenta adivinar el estado del tiempo.

Supóngase que el estado del tiempo se comporta como una cadena de Markov discreta. Existen dos estados, "Lluvioso" y "Soleado", pero usted no los puede observar directamente, es decir, están ocultos. Existe también una cierta posibilidad de que su amigo haga una de sus actividades cada día, dependiendo del estado del tiempo: "caminar", "comprar" o "limpiar". Dado que su amigo le cuenta sus actividades del día, esas son las observaciones. El sistema completo es un Modelo Oculto de Markov.

Usted conoce las tendencias generales del tiempo en el área y lo que a su amigo le gusta hacer. En otras palabras, los parámetros del MOM son conocidos. Pueden escribirse usando el lenguaje de programación Python:

Page 20: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

18

estados = ('Lluvioso', 'Soleado') observaciones = ('caminar', 'comprar', 'limpiar') probabilidad_inicial = {'Lluvioso': 0.6, 'Soleado': 0.4} probabilidad_transicion = { 'Lluvioso' : {'Lluvioso': 0.7, 'Soleado': 0.3}, 'Soleado' : {'Lluvioso': 0.4, 'Soleado': 0.6}, } probabilidad_emision = { 'Lluvioso' : {'caminar': 0.1, 'comprar': 0.4, 'limpiar': 0.5}, 'Soleado' : {'caminar': 0.6, 'comprar': 0.3, 'limpiar': 0.1}, }

En esta porción de código se tiene:

La probabilidad_inicial: que representa el estado en el que usted cree que se encuentra el MOM la primera vez que su amigo lo llama (es decir, sabe que es un poco más probable que esté lluvioso). La distribución de probabilidades que se usó aquí no es la de equilibrio, que es (dadas las probabilidades de transición) aproximadamente {'Lluvioso': 0.571, 'Soleado': 0.429}.

La probabilidad_transicion: representa el cambio del tiempo en la cadena de Markov por detrás del modelo. En este ejemplo, hay un 30% de probabilidad de que mañana esté soleado si hoy llovió.

La probabilidad_emision: representa con cuanta probabilidad su amigo realiza una actividad determinada cada día. Si llueve, hay un 50% de probabilidad de que esté limpiando su departamento; si hay sol, hay un 60% de probabilidades de que haya salido a caminar”. http://advancedtech.wordpress.com/2008/08/09/modelos-ocultos-de-harkov/

Ejemplo de los estados registrados por un individuo dentro de un supermercado:

Imaginemos que un individuo ingresa a un supermercado y se dispone a efectuar tres actividades: realizar compra, observar mercadería y verificar precios. Lo que el individuo realice dependerá del costo de mercadería, necesidad del producto y oferta del producto. No se tiene conocimiento preciso de lo que el individuo pretende hacer en el supermercado, pero se conoce tendencias generales.

Page 21: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

19

Asignacion de variables a los estados:

estados = ('Normal', 'Sospechoso')

observaciones = ('comprar', 'observar', 'verificar')

probabilidad_inicial = {'Normal': 0.6, 'Sopechoso': 0.4}

probabilidad_transicion = {

'Normal' : {'Normal': 0.7, 'Sospechoso': 0.3},

'Sospechoso' : {'Normal': 0.4, 'Sospechoso': 0.6},

}

probabilidad_emision = {

'Normal': {'comprar: 0.8, 'observar': 0.15, 'verificar': 0.05},

'Sospechoso': {'comprar': 0.1, 'observar': 0.7, 'verificar': 0.2},

}

En este algoritmo se tiene:

La probabilidad_inicial: representa el estado en la que se cree se encuentra el MOM la primera vez que el individuo ingresa al supermercado (es decir, se sabe que es un poco más probable que realice compras). Las probabilidades que se usó fueron aproximadas {'Normal': 0.6, 'Sospechoso': 0.4}.

La probabilidad_transicion: representa el cambio del tiempo en la cadena de Markov por detrás del modelo. En este ejemplo, hay un 30% de probabilidad de que pase de un estado sospechoso a normal.

La probabilidad_emision: representa con cuanta probabilidad un individuo realiza una actividad determinada. Si su estado es normal la probabilidad es del 80% para que realice compras a diferencia del estado sospechoso que es del 70% si observa cámaras de seguridad.

En este ejemplo solo se puede identificar uno de los 2 estados posibles normal o sospechoso. La probabilidad con que se pasa de un estado a otro depende del estado en que estamos en el presente, es decir si la persona está caminando puede pararse, o seguir caminando.

Page 22: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

20

Los datos de la secuencia de entrenamiento son una probabilidad de experimento es decir podrían variar; las entrevistas realizadas fueron utilizadas para representar las redes bayesianas como se muestra en el Anexo Nº 4, las cuales ayudaron a obtener datos reales del porque las personas acuden a los supermercados, personas que actúan de manera inapropiada y cuando se pueden generar alertas. En el ejemplo de la predicción climatológica que se asemeja a la propuesta. Utiliza la fórmula:

( )( ) P= probabilidad q= evento qn= número de evento Dependiendo del evento conocido buscamos la ocurrencia del siguiente evento basándonos en factores que se van generando. a) Para analizar la secuencia de estados es decir la probabilidad de que ocurra un

evento dada la ocurrencia anterior de otros se utiliza la siguiente fórmula:

( ) ∏ ( ) ( )

La probabilidad (P) de que ocurra un número de eventos (qn) dependerá de la sucesión de los eventos anteriores (q), en razón de que estos siempre están condicionados por el primer evento de ocurrencia.

b) Para estudiar la ocurrencia de alertas y alarmas (estados ocultos para HMM)

( ) ∏ ( )

( )

La Probabilidad (P) de que un evento (q) ocurra dependerá de la sucesión de observaciones (X1) el estado que generará alertas y alarmas para confirmar comportamiento sospechoso y normal es (bq) debido a los cambios en los eventos. Los Modelos Ocultos de Markov han sido utilizados en aplicaciones de diferentes campos tales como: videovigilancia, reconocimiento de imágenes, comportamiento humano etc. A continuación se hace una breve descripción de las mismas:

- Sistema de autenticación biométrica de huella dactilar asistido por interfaz de voz

para el control de accesos, este trabajo trata sobre el desarrollo de un sistema electrónico digital para el control de accesos basado en la tecnología de autenticación biométrica de huella dactilar, este sistema pretende facilitar el

Page 23: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

21

acceso a inmuebles de los usuarios para que en lugar de llaves u otros objetos solo desplazaría su dedo y podrán entrar. Escuela Técnica Superior de Ingeniería [ETSI] (s.f.).

- Sistemas de reconocimiento de acciones humanas basado en modelos probabilísticos de espacios de estados; este trabajo es un sistema capaz de reconocer automáticamente acciones humanas capturadas mediante una video cámara integra un amplio abanico de aplicaciones video vigilancia, sistemas interactivos, anotación e indexación de videos, contextualiza los principales tipos de modelos gráficos probabilísticos dirigidos y no dirigidos en el ámbito del reconocimiento de acciones humanas, examinando sus ventajas y desventajas frente al problema. Universidad de Granada [UG] (2009).

- Sistema de Video Vigilancia para el Sistema de Transporte Colectivo (STC) este trabajo tiene como objetivo fortalecer y extender las funciones y capacidades del personal de Vigilancia y/o corporaciones policiales, con la finalidad de incrementar la seguridad para usuarios, empleados, material rodante en instalaciones. (Bases para la licitación pública internacional. Nº 30102003_006/007.Red de comunicaciones y Servicios http://www.metro.df.gob.mx/imagenes/licitaciones/bases006_07anexo2.pdf)

- Empleo de sistemas biométricos para el reconocimiento de personas en

aeropuerto. Este trabajo fue desarrollado en el 2005, probando un prototipo de un sistema de verificación facial con imágenes extraídas de las cámaras de video vigilancia del aeropuerto de Barajas, el sistema incluye digitalización de las imágenes, localización y recorte de las caras en escena, verificación de sujetos y obtención de resultados. Instituto Universitario de Investigación sobre seguridad interior [IUI] (s.f.).

- Vigilancia Inteligente: Modelado de Entornos Reales e Interpretación de

conductas para la seguridad este trabajo trata de la elaboración de un estado de arte sobre los sistemas de video vigilancia que incluye desde los primeros sistemas rudimentarios hasta los últimos y más avanzados reducir la dependencia humana en los sistemas de vigilancia en lo posible. Universidad de Castilla la Mancha [UCM] (2008).

- Sistema de Reconocimiento de Rostros para Maggie este trabajo es desarrollado

en el contexto de la robótica en el campo de la visión artificial, su aporte fundamental es el desarrollo de un sistema de reconocimiento para rostros para Maggie (Robot) el mismo que le permiten al robot ejecutar en tiempo real y en forma autónoma las siguientes acciones: detectar los rostros de las personas en escenas visuales, tomar imágenes de los rostros segmentados. Bracho (2008).

Page 24: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

22

- Diseño y Desarrollo de un Sistema de Reconocimiento de caras el objetivo de este proyecto es realizar el diseño y la implementación de un prototipo de un sistema de reconocimiento de caras humanas, en concreto, un sistema bidimensional; es decir dada una base de datos de fotografías de personas y una fotografía de prueba, encontrar a la persona de la fotografía de prueba entre las que hay en la base de datos, dado como resultado las cinco personas de la base de datos que más se parecen a la persona fotografía de prueba. Universidad Carlos III de Madrid [UCM] (2009).

- Soft computing and non-parametric techniques for effective video surveillance systems. Esta tesis se centra en las aplicaciones con fines de seguridad en lugares públicos (videovigilancia), utilizando Modelos ocultos de markov para modelar probabilidades de emisión.

Proponiendo varios objetivos interconectados para el diseño de un sistema de vıdeovigilancia cuyo funcionamiento es pensado para un amplio rango de condiciones. Primeramente propone una métrica de evaluación del detector y sistema de seguimiento basada en una mínima referencia. Dicha técnica es una respuesta a la demanda de ajuste de forma rápida y fácil del sistema adecuándose a distintos entornos. También propone una técnica de optimización basada en Estrategias Evolutivas y la combinación de funciones de idoneidad en varios pasos. El objetivo es obtener los parámetros de ajuste del detector y el sistema de seguimiento adecuados para el mejor funcionamiento en una amplia gama de situaciones posibles Finalmente, propone la construcción de un clasificador basado en técnicas no paramétricas que pudieran modelar la distribución de datos de entrada independientemente de la fuente de generación de dichos datos. Se escogen actividades detectables a corto plazo que siguen un patrón de tiempo que puede ser fácilmente modelado mediante HMMs. La propuesta consiste en una modificación del algoritmo de Baum-Welch con el fin de modelar las probabilidades de emisión del HMM mediante una técnica no paramétrica basada en estimación de densidad con kernels (KDE). UCM (2008). El aporte de esta investigación es obtener patrones en el contexto de supermercados, en los eventos en los que se ha cometido hurto para poder identificar el comportamiento normal o sospechoso de una persona.

Page 25: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

23

1.4 Medidas de seguridad en supermercados

Basándose en [Anexo Nº 2], se sugiere tomar en cuenta las siguientes medidas:

Guardias de seguridad dentro y fuera del supermercado

Cámaras de seguridad

Sistemas de videovigilancia

1.4.1 Videovigilancia

Actualmente en nuestra sociedad el uso de cámaras que capturan imágenes para reforzar la vigilancia es una práctica muy amplia, con el fin de garantizar la seguridad de los bienes y personas en entornos empresariales, ya sean públicos o privados, permitiendo la captación y grabación de imágenes, para conseguir disminuir el alto índice de delincuencia. Los sistemas de vigilancia poco a poco han ido evolucionando, pero aún están limitados en su proceso de captación de imágenes el cual se fundamenta en la detección de movimiento en escenas estáticas, los mismos que están formados por una o más cámaras de seguridad y necesitan de la manipulación de operadores humanos. Es por ello que la videovigilancia tradicional ya no es tan factible debido a que en la actualidad los sectores demandan de mayor seguridad.

En la actualidad los estudios en el campo de la videovigilancia se han extendido notablemente, con el fin de mejorar estos sistemas de seguridad, centrándose en el desarrollo de algoritmos los cuales sean capaces de detectar automáticamente patrones que interpreten movimientos de personas, con una mínima intervención humana. Los sistemas de videovigilancia que capturan imágenes y actúan en tiempo real, deben analizar las secuencias de actividades de las personas, identificando comportamientos normales y activando alarmas cuando se produce un comportamiento sospechoso.

1.5 Comportamiento humano

Un ser racional puede comportarse de distintas maneras dependiendo del entorno en que se encuentra. Es necesario hacer este análisis para determinar ciertos cambios de actitud, basándonos especialmente en los movimientos de las personas tomando en cuenta que se encuentran en un lugar específico, en este caso cuando ingresan a un supermercado. El sistema inteligente debería ser capaz de interpretar este comportamiento, identificando patrones de movimiento (estados) tales como:

Page 26: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

24

caminar, pararse, observar cámaras de seguridad, tomar producto, guardar producto etc. Y a partir de este determinar si una persona es un comprador normal o un posible sospechoso.

Page 27: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

25

CAPÍTULO II 2. OBTENCIÓN DE PATRONES POR MEDIO DE MODELOS OCULTOS DE MARKOV

En este capítulo detallamos los pasos a seguir en la obtención de estados; los mismos que se les realizará un análisis y se representan en patrones estos sirven como entradas para la Simulación en Matlab.

2.1 Comportamiento normal (compra) 2.1.1 Descripción

En la fase de la observación se realizó lo siguiente:

1) Para obtener la base de datos de estados de comportamiento normal (BCN), se escogió de entre 98 vídeos de comportamiento normal, 70 vídeos lo más representativos posibles. Una vez escogidos los 70 vídeos, se etiquetó manualmente los estados que se han registrado en cada vídeo.

2) En BCN se anotó el tiempo que dura cada estado y el aparecimiento de las

transiciones. De acuerdo a estos se determinó los estados que más repiten.

3) Cada estado etiquetado se identificó mediante la observación directa a través de los videos.

4) Para cada BCN, se realizó la sumatoria de los tiempos que dura cada estado para

obtener un promedio de duración de los mismos. El valor promedio de duración de un estado sirve de base para comparar la duración de los estados con nuevos estados registrados en un nuevo vídeo. Por ejemplo, si en un nuevo vídeo se tiene que el estado parada duro 10 segundos y el promedio del estado parada para BCN es 4 segundos, esta duración probablemente genere una alerta. La lógica de este paso responde a que la repetición de un estado está directamente atado al tiempo que dura el mismo.

5) Se observó y registró la transición de un estado a otro. Por ejemplo, se hizo la

anotación del número de veces que una persona pasó del estado parada a caminando, de caminando a observando cámaras de seguridad, etc. Se obtuvo el promedio de las transiciones y el porcentaje de transición de un estado. Es decir, se obtuvo el número de veces que la persona pasó de parada a caminando.

Page 28: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

26

2.1.2 Diagrama de flujo Si No Si No Si No

Inicio

Proceso comportamiento

normal

Ingresa al supermercado.

Camina por el supermercado

Parada

Devuelveproducto

K = 0

Continúa compran

do

Toma producto

K=k+1

K=k-1

1

Page 29: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

27

No Si No En el diagrama de flujo del proceso de comportamiento normal muestra que k es una variable numérica que tiene valor inicial 0 y sirve para guardar la cantidad de productos que ha tomado una persona al hacer sus compras. Ingresa al supermercado camina, se para si toma un producto k irá en aumento si lo devuelve k se disminuye hasta llegar a pagar en caja o salir del supermercado sin comprar. 2.1.3 Experimentación 1. Análisis de vídeos de comportamiento normal con Modelos Ocultos de Markov

Para este análisis, se tomó en cuenta de cada video, el número de veces y el tiempo que cada persona se ha mantenido parada, caminando, observando cámaras de seguridad y tomando productos. Los resultados se pueden observar en la Tabla Nº 1 de donde se obtuvo el detalle del etiquetado manual.

1) Total de repetición de veces de los estados observados en 70 videos:

a. Repetición de veces

La persona está parada 368 veces La persona camina 539 veces La persona toma producto 184 veces La persona observa cámaras de seguridad 8 veces Número total de acciones realizadas por las personas en los videos = 1099 acciones.

Camina paga en caja

Camina y sale del

supermercado

Fin

k>0

1

Page 30: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

28

b. Porcentajes (Número estado*100)/número total acciones En los 70 videos la persona está parada 33.48% En los 70 videos la persona camina 49.04% En los 70 videos la persona toma producto 16.74% En los 70 videos la persona observa cámaras de seguridad 0.73% Total= 100%

2) Total de tiempo en segundos de los estados observados en 70 videos:

a. Tiempo en segundos La persona está parada 1717seg. ; La persona camina 2493seg. ; La persona toma producto 655seg. ; La persona observa cámaras de seguridad 17seg. Número total de segundos realizados por las personas en los videos =4882seg.

b. Porcentajes

(Número seg.*100)/número total seg. En los 70 videos la persona está parada 35.17% En los 70 videos la persona camina 51.07% En los 70 videos la persona toma productos 13.42% En los 70 videos la persona observa cámaras de seguridad 0.35% Total= 100%

Resultados de los estados en aparecimiento de veces y el tiempo:

Tabla N°1

Estado Porcentaje de aparecimiento de los estados en los videos

Porcentajes de tiempo de los estados en los videos

Parado 33.48% 35.17%

Caminando 49.04% 51.07%

Observa cámaras de seguridad 0.73% 0.35%

Toma producto 16.74% 13.42%

Tabla N°1 Porcentajes de 4 estados tanto en repetición de veces y tiempo

En la tabla Nº 1 se muestra los resultados obtenidos de los estados que registran las personas en un supermercado, detallando de cada estado el porcentaje de aparecimiento de los estados en los videos y los porcentajes de tiempo de duración de los mismos. Teniendo estos datos como probabilidad inicial, a partir de los mismos se puede obtener la probabilidad de transición y la probabilidad de emisión, en los Modelos Ocultos de Markov.

Page 31: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

29

2. Diseño de la solución

Para este diseño solo tomamos en cuenta los porcentajes de la repetición de veces (aparecimientos) de los estados en los videos. Teniendo estos datos como probabilidad inicial y a partir de los mismos obtener la probabilidad de transición y la probabilidad de emisión.

1) Simulación de generación de alertas y alarmas usando los Modelos Ocultos de Markov Para realizar las simulaciones se procedió a activar cada estado utilizando MOM. Los resultados son los siguientes.

estados = ('parada', 'camina', ’observa cámaras de seguridad’, ’toma producto’)

observaciones = ('alerta', 'alarma')

probabilidad_inicial = {'parada':0.3348, 'camina':0.4904, ’observa cámaras de seguridad’:0.73,’toma un producto’:0.1674:} Repetición de sucesos:

Probabilidad de transición de la persona cuando está parada.

Parada = 33.48 Camina = 49.04/33.48=1.46+33.48=34.94 Observa cámaras de seguridad = 0.73/33.48=0.02 Toma producto = 16.74 /33.48=0.5 Dado el estado parada se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo. Probabilidad de transición de la persona cuando camina.

Parada = 33.48/49.04=0.68 Camina = 49.04 Observa cámaras de seguridad = 0.73/49.04=0.014 Toma producto = 16.74 /49.04=0.34

Dado el estado camina se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se

Page 32: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

30

sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo.

Probabilidad de transición de la persona cuando observa cámaras de seguridad.

Parada = 33.48/0.73=45.86+0.73=46.59 Camina = 49.04/0.73=67.17+0.73=67.90 Observa cámaras de seguridad = 0.73 Toma producto = 16.74 /0.73=22.93+0.73=23.66

Dado el estado observa cámaras de seguridad se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo.

Probabilidad de transición de la persona cuando toma producto.

Parada = 33.48/16.74=2+16.74=18.74 Camina = 49.04/16.74=2.92+16.74=19.67 Observa cámaras = 0.73/16.74=0.04 Toma producto = 16.74

Dado el estado toma producto se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo. probabilidad_transicion = { 'parado' : {'parado': 0.3348, 'caminando': 0.3494, ‘observando cámaras de seguridad’: 0.02, ‘toma un producto’: 0.5: },

'caminando' : {'parado': 0.68, 'caminando': 0.4904, ‘observando cámaras de seguridad’: 0.014, ‘toma un producto’: 0.34: }, 'observando cámaras de seguridad': {'parado': 0.4659, 'caminando': 0.6790, ‘observando cámaras de seguridad’: 0.73, ‘toma un producto’: 0.2366:}, 'toma un producto': {'parado': 0.1874, 'caminando': 0.1967, ‘observando cámaras de seguridad’: 0.04, ‘toma un producto’: 0.1674:}, } probabilidad_emision = { 'parado' : {'alarma': 0.3, 'alerta': 0.7}, 'caminando' : {'alarma': 0.3, 'alerta': 0.7}, 'observando cámaras de seguridad' : {'alarma': 0.2, 'alerta': 0.8}, 'toma un producto' : {'alarma': 0.4, 'alerta': 0.6}, }

Page 33: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

31

2. Pruebas de los estados efectuados por las personas Con el resultado del conjunto de probabilidades descritas anteriormente, se procedió a realizar las simulaciones correspondientes para cada estado etiquetado de los vídeos. El objetivo es conocer el número de alertas y/o alarmas que se generan dado el aparecimiento de un conjunto de estados. HMM en MATLAB

El programa comercial MATLAB en su paquete (toolbox) de estadística, ofrece las funciones básicas para construir, simular y analizar HMM discretos. Mediante la creación de redes neuronales con las herramientas: JNNS (Java Neural Network Simulator), JHMMSim (Java Hidden Harkov Model Simulator).

Esta herramienta desarrollada por Relex, es una herramienta flexible, de gran alcance para modelar sistemas complejos, Relex Markov proporciona una muy buena capacidad de análisis de las cadenas ocultas de Markov en una forma fácil de usar. Relex Markov proporciona un rápido, análisis de fiabilidad de sistemas complejos con los fallos por causa común, la degradación, inducidos o fracasos dependen de múltiples componentes operativos, y otros que dependen de secuencia de eventos.

El modelo de estructura de MATLAB contiene los siguientes campos, que son los parámetros obligatorios y opcionales de un perfil HMM. Todos los valores de probabilidad se encuentran en la [0 1] rango.

Page 34: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

32

Activando el estado la persona está parada dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma.

Pi_w=[1 0 0 0 ]

A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura Nº 3 Gráfico de generación de alertas y alarmas activando el estado la persona está parada.

En la Figura N°3 se genera el estado de alerta 2 veces cuando la persona está parada, y 3 veces cuando la persona camina. Se genera el estado de alarma 2 veces cuando la persona está parada.

Page 35: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

33

Activando el estado la persona está parada y observando cámaras de seguridad dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[1 0 1 0 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura Nº 4 Gráfico de generación de alertas y alarmas activando el estado la persona está parada y observando cámaras de seguridad.

En la Figura N°4 se genera el estado de alerta una vez cuando la persona está parada, una vez cuando la persona observa cámaras de seguridad y una vez cuando la persona camina. Se genera el estado de alarma 2 veces cuando la persona está parada.

Page 36: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

34

Activando el estado la persona está parada y toma producto dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[1 0 0 1 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°5 Gráfico de generación de alertas y alarmas activando el estado la persona está parada y toma producto.

En la Figura N°5 se genera el estado de alerta una vez cuando la persona está parada, 5 veces cuando la persona camina. Se genera el estado de alarma 2 veces cuando la persona está parada y 2 veces cuando la persona camina.

Page 37: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

35

Activando el estado la persona camina dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[0 1 0 0 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°6 Gráfico de generación de alertas y alarmas activando el estado la persona camina.

En la Figura N°6 se genera el estado de alerta 2 veces cuando la persona está parada y 4 veces cuando la persona camina. Se genera el estado de alarma 3 veces cuando la persona está parada y una vez cuando la persona camina.

Page 38: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

36

Activando el estado la persona camina y observa cámaras de seguridad dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[0 1 1 0 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°7 Gráfico de generación de alertas y alarmas activando el estado la persona camina y observa cámaras de seguridad.

En la Figura N°7 se genera el estado de alerta 2 veces cuando la persona está parada y 2 veces cuando la persona camina. Se genera el estado de alarma una vez cuando la persona está parada y 3 veces cuando la persona camina.

Page 39: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

37

Activando el estado la persona camina y toma producto dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[0 1 0 1] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N° 8 Gráfico de generación de alertas y alarmas activando el estado la persona camina y toma producto.

En la Figura N°8 se genera el estado de alerta una vez cuando la persona está parada y 5 veces cuando la persona camina. Se genera el estado de alarma 2 veces cuando la persona está parada y 2 veces cuando la persona camina.

Page 40: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

38

Activando el estado la persona observa cámaras dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[0 0 1 0 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°9 Gráfico de generación de alertas y alarmas activando el estado la persona observa cámaras.

En la Figura N°9 se genera el estado de alerta 4 veces cuando la persona camina, y 2 veces cuando la persona está parada. Se genera el estado de alarma una vez cuando la persona observa cámaras, y una vez cuando la persona está parada.

Page 41: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

39

Activando el estado la persona observa cámaras y toma producto dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[0 0 1 1 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°10 Gráfico de generación de alertas y alarmas activando el estado la persona observa cámaras y toma producto.

En la Figura N°10 se genera el estado de alerta 2 veces cuando la persona observa cámaras, y una vez cuando la persona está parada, y 3 veces cuando la persona camina. Se genera el estado de alarma 2 veces cuando la persona está parada.

Page 42: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

40

Activando el estado la persona toma producto dentro de un supermercado cuando realiza sus compras; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[0 0 0 1 ] A_w = [0.3348 0.3494 0.02 0.5; 0.68 0.4904 0.014 0.34; 0.4659 0.6790 0.73 0.2366; 0.1874 0.1967 0.04 0.1674] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°11 Gráfico de generación de alertas y alarmas activando el estado la persona toma producto.

En la figura N°11 se genera el estado de alerta 2 veces cuando la persona está parada, y 3 veces cuando la persona camina. Se genera el estado de alarma una vez cuando la persona está parada.

Page 43: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

41

2.2 Comportamiento sospechoso (hurto) 2.2.1 Descripción

En la fase de la observación se realizó lo siguiente:

1) Para obtener la base de datos de estados de comportamiento sospechoso BCS, se escogió de entre 694 vídeos de comportamiento sospechoso, 70 vídeos lo más representativos posibles. Una vez escogidos los 70 vídeos, se etiqueto manualmente los estados que se han registrado en cada vídeo.

2) En BCS se anotó el tiempo que dura cada estado y el aparecimiento de las transiciones. De acuerdo a estos se determinó los estados que más repiten.

3) Cada estado etiquetado se identificó mediante la observación directa a través de los

videos.

4) Para cada BCS, se realizó la sumatoria de los tiempos que dura cada estado para obtener un promedio de duración de los mismos. El valor promedio de duración de un estado sirve de base para comparar la duración de los estados con nuevos estados registrados en un nuevo vídeo. Por ejemplo, si en un nuevo vídeo se tiene que el estado parada duro 10 segundos y el promedio del estado parada para BCN es 4 segundos, esta duración probablemente genere una alerta. La lógica de este paso responde a que la repetición de un estado está directamente atado al tiempo que dura el mismo.

5) Se observó y registro la transición de un estado a otro. Por ejemplo, se hizo la

anotación del número de veces que una persona pasó del estado parada a caminando, de caminando a observando cámaras de seguridad, etc. Se obtuvo el promedio de las transiciones y el porcentaje de transición de un estado. Es decir, se obtuvo el número de veces que la persona pasó de parada a caminando.

Page 44: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

42

2.2.2 Diagrama de flujo si no El presenta diagrama de flujo muestra el comportamiento sospechoso de una persona al ingresar a un supermercado la misma que camina por el supermercado observa las cámaras de seguridad, se para, toma el producto, camina y sale del supermercado.

Proceso robo o hurto

Ingresa al supermercado.

Camina por el supermercado

Toma producto

Parada

Fin

Camina y sale del

supermercado

Inicio

Observa cámaras de seguridad

Page 45: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

43

2.2.3 Experimentación

1. Análisis de vídeos en caso de hurto con Modelos Ocultos de Markov

Para el este análisis, se tomó en cuenta en cada video, el número de veces y el tiempo que cada persona se ha mantenido parada, caminando, observando cámaras de seguridad y tomando productos. Los resultados se pueden observar en la Tabla Nº 2. de donde se obtuvo el detalle del etiquetado manual.

1) Total de repetición de veces de los estados observados en los 70 videos en caso de

hurto:

a. Repetición de veces En los 70 videos la persona está parada = 589 veces. En los 70 videos la persona camina = 392 veces. En los 70 videos la persona observa cámaras de seguridad = 93 veces. En los 70 videos la persona toma producto = 124 veces. Número total de acciones realizadas por las personas en los videos = 1198 acciones.

b. Porcentajes (Número estado*100)/número acciones En los 70 videos la persona está parada = 49.2% En los 70 videos la persona camina = 32.7% En los 70 videos la persona observa cámaras de seguridad = 7.7% En los 70 videos la persona toma producto = 10.4% Total=100%

2) Total de tiempo en segundos de los estados observados en los 70 videos en caso de hurto:

a. Tiempo en segundos En los 70 videos la persona está parada= 2347seg. ; 39:07 En los 70 videos la persona camina = 1219seg. ; 20:19 En los 70 videos la persona observa cámaras de seguridad= 123seg. ; 2:03 En los 70 videos la persona toma producto= 219seg. ; 3:39 Número total de segundos = 3908seg. ; 65:08

b. Porcentajes (Número estado*100)/número total acciones En los 70 videos la persona está parada = 60.06% En los 70 videos la persona camina = 31.19% En los 70 videos la persona observa cámaras de seguridad =3.15 % En los 70 videos la persona toma producto= 5.60% Total = 100%

Page 46: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

44

Resultados de los estados en aparecimiento de veces y el tiempo Tabla N°2

Estado Porcentaje de aparecimiento de los estados en los videos

Porcentajes de tiempo de los estados en los videos

Parado 49.2% 60.06%

Caminando 32.7% 31.19%

Observa cámaras de seguridad 7.7% 3.15 %

Toma producto 10.4% 5.60%

Tabla N°2 Porcentajes de 4 estados tanto en repetición de veces y tiempo

Dado los resultados del total de repetición de veces observados en 70 videos: se elaboró la tabla Nº 2 la cual muestra los resultados obtenidos de las actividades que realizan las personas cuando cometen hurto o robo, detallando de cada estado el porcentaje de aparecimiento de los estados en los videos y el porcentajes de tiempo de los mismos.

2. Diseño de la solución

Para este diseño solo tomamos en cuenta los porcentajes de la repetición de veces (aparecimientos) de los estados en los videos. Teniendo estos datos como probabilidad inicial y a partir de los mismos obtener la probabilidad de transición y la probabilidad de emisión.

1) Simulación de generación de alertas y alarmas usando los Modelos ocultos de

Markov Para realizar las simulaciones se procedió a activar cada estado utilizando MOM. Los resultados son los siguientes. Se obtiene 4 estados que efectúan las personas

estados = ('parada', 'camina', ’observa cámaras de seguridad’, ’toma un producto’) observaciones = ('alerta', 'alarma') probabilidad_inicial = {'parada':0.492, 'camina':0.327, ’observa cámaras de seguridad’:0.77, ’toma un producto’:0.104} Repetición de sucesos: Probabilidad de transición de la persona cuando esta parada. Parada = 49.2 Camina = 32.7/49.2= 0.66 Observa cámaras de seguridad = 7.7 /49.2= 0.15 Toma producto =10.4 /49.2= 0.21

Page 47: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

45

Dado el estado parada se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo.

Probabilidad de transición de la persona cuando camina. Parada = 49.2/32.7=1.50+32.7=34.2 Camina = 32.7 Observa cámaras de seguridad = 7.7/32.7=0.23 Toma producto = 10.4/32.7=0.31 Dado el estado camina se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo. Probabilidad de transición de la persona cuando observa cámaras de seguridad Parada = 49.2/7.7=6.38+7.7=14.08 Camina = 32.7/7.7=4.24+7.7=11.9 Observa cámaras de seguridad = 7.7 Toma producto = 10.4/7.7=1.35+7.7=9.05 Dado el estado observa cámaras de seguridad se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo.

Probabilidad de transición de la persona cuando toma producto Parada = 49.2/10.4=4.73+10.4=15.13 Camina = 32.7/10.4=3.14+10.4=13.54 Observa cámaras de seguridad = 7.7/10.4=0.74 Toma producto = 10.4 Dado el estado toma producto se procedió a obtener los resultados para los demás tomando en cuenta que si la probabilidad de los demás estados es mayor al estado activado se sumara el resultado de la división entre el estado activo y los demás estados más la probabilidad del estado activo.

Page 48: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

46

probabilidad_transicion = {'parado' : {'parada': 0.492, 'camina': 0.66, ‘observa cámaras de seguridad’: 0.15, ’toma producto’:0.21 }, 'caminando' : {'parada': 0.342, 'camina': 0.327, ‘observa cámaras de seguridad’: 0.23, ’toma producto’:0.31 }, 'observando cámaras de seguridad' : {'parada': 0.1408, 'camina': 0.1194, ‘observa cámaras de seguridad’: 0.77, ’toma producto’:0.905 },

} 'toma un producto' : {'parada': 0.1513, 'camina':0.1354, ‘observa cámaras de seguridad’: 0.74, ’toma producto’:0.104 }, probabilidad_emision = { 'parada' : {'alarma': 0.3, 'alerta': 0.7}, 'camina' : {'alarma': 0.3, 'alerta': 0.7}, 'observa cámaras de seguridad' : {'alarma': 0.2, 'alerta': 0.8}, 'toma producto' : {'alarma': 0.4, 'alerta': 0.6}, }

Page 49: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

47

2) Pruebas de los estados efectuados por las personas

Dado el conjunto de probabilidades descritas anteriormente, se procedió a realizar las simulaciones correspondientes para cada estado etiquetado los vídeos. El objetivo es conocer el número de alertas o alarmas que se generan dado el aparecimiento de un conjunto de estados. Activando el estado la persona está parada dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 1 0 0 0 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°12 Gráfico de generación de alertas y alarmas activando el estado la persona está parada.

En la Figura N°12 se genera el estado de alerta 2 veces cuando la persona está parada, 4 veces cuando la persona camina y una vez cuando la persona observa cámaras. Se genera el estado de alarma 2 veces cuando la persona está parada.

Page 50: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

48

Activando el estado la persona está parada y observa cámaras de seguridad dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 1 0 1 0 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°13 Gráfico de generación de alertas y alarmas activando el estado la persona está parada y observa cámaras de seguridad.

En la Figura N°13 se genera el estado de alerta una vez cuando la persona está parada y 4 veces cuando la persona observa cámaras de seguridad. Se genera el estado de alarma una vez cuando la persona está parada, 2 veces cuando la persona camina y una vez cuando observa cámaras de seguridad.

Page 51: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

49

Activando el estado la persona está parada y toma producto dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 1 0 0 1 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°14 Gráfico de generación de alertas y alarmas activando el estado la persona está parada y toma producto.

En la Figura N°14 se genera el estado de alerta una vez cuando la persona está parada, 4 veces cuando la persona camina y 2 veces cuando la persona observa cámaras de seguridad. Se genera el estado de alarma una vez cuando la persona está parada, una vez cuando la persona camina y una vez cuando la persona observa cámaras de seguridad.

Page 52: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

50

Activando el estado la persona camina dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 0 1 0 0 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°15 Gráfico de generación de alertas y alarmas activando el estado la persona camina.

En la Figura N°15 se genera el estado de alerta 2 veces cuando la persona está parada, 3 veces cuando la persona camina y una vez cuando la persona observa cámaras de seguridad. Se genera el estado de alarma una vez cuando la persona está parada y una vez cuando la persona camina.

Page 53: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

51

Activando el estado la persona camina y observa cámaras de seguridad dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 0 1 1 0 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°16 Gráfico de generación de alertas y alarmas activando el estado la persona camina y observa cámaras de seguridad.

En la Figura N°16 se genera el estado de alerta una vez cuando la persona camina y 4 veces cuando la persona observa cámaras de seguridad. Se genera el estado de alarma una vez cuando la persona está parada, 2 veces cuando la persona camina y una vez cuando la persona observa cámaras de seguridad.

Page 54: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

52

Activando el estado la persona camina y toma producto dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 0 1 0 1 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°17 Gráfico de generación de alertas y alarmas activando el estado la persona camina y toma producto.

En la Figura N°17 se genera el estado de alerta 4 veces cuando la persona camina y 4 veces cuando la persona observa cámaras de seguridad. Se genera el estado de alarma 2 veces cuando la persona camina y una vez cuando la persona observa cámaras de seguridad.

Page 55: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

53

Activando el estado la persona observa cámaras dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 0 0 1 0 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°18 Gráfico de generación de alertas y alarmas activando el estado la persona observa cámaras de seguridad.

En la Figura N°18 se genera el estado de alerta 2 veces cuando la persona observa cámaras de seguridad, 2 veces cuando la persona está parada, y 3 veces cuando la persona camina. Se genera el estado de alarma una vez la persona observa cámaras de seguridad, y una vez cuando la persona está parada.

Page 56: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

54

Activando el estado la persona observa cámaras y toma producto dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 0 0 1 1 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°19 Gráfico de generación de alertas y alarmas activando el estado la persona observa cámaras de seguridad y toma producto.

En la Figura N°19 se genera el estado de alerta 5 veces cuando la persona observa cámaras de seguridad. Se genera el estado de alarma una vez cuando la persona está parada, 2 veces cuando la persona camina, y una vez cuando la persona observa cámaras de seguridad.

Page 57: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

55

Activando el estado la persona toma producto dentro de un supermercado cuando existe hurto; de acuerdo a sus movimientos podremos reconocer cuando se produce una alerta y cuando una alarma. Pi_w=[ 0 0 0 1 ] A_w = [0.492 0.66 0.15 0.21; 0.342 0.327 0.23 0.31; 0.1408 0.1194 0.77 0.905; 0.1513 0.1354 0.74 0.104] B_w = [0.3 0.7; 0.3 0.7; 0.2 0.8; 0.4 0.6; 1 0] [data,hidden] = sample_dhmm(Pi_w,A_w,B_w,1,10) plotseq_w(data,hidden)

Figura N°20 Gráfico de generación de alertas y alarmas activando el estado la persona toma producto.

En la Figura N°20 se genera el estado de alerta 2 veces cuando la persona observa cámaras de seguridad, 2 veces cuando la persona está parada, y 3 veces cuando la persona camina. Se genera el estado de alarma una vez cuando la persona está parada

Page 58: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

56

Discusión del tema:

En la presente tesis se utilizó la metodología experimental; partiendo de la obtención de datos a través de la observación de videos, etiquetado manual de los estados, y normalización de datos obtenidos tanto de comportamiento normal como de comportamiento sospechoso. Para realizar la investigación se seleccionó de un número determinado de videos tanto de compras y hurto en supermercados; los eventos de ocurrencia relevantes tomando en cuenta acciones predeterminadas como son: caminar, pararse, observar cámaras de seguridad y tomar producto. Cabe recalcar que para los videos tomamos en cuenta ventanas temporales de 5seg. Para poder etiquetar las actividades efectuadas por las personas es decir: se etiquetaba el número de veces que la persona en el video caminaba, se paraba, observaba cámaras de seguridad o tomaba un producto, sumando el total de acciones y sacando el promedio de las mismas realizamos una comparación con los videos de hurto arrojando como resultado que las personas permanecen el mayor tiempo paradas. Además se tomó como principio tres modelos probabilísticos para el desarrollo de la tesis tales como: Cadenas de Markov, Redes Bayesianas, y los Modelos Ocultos de Markov; después de un breve análisis a cada uno de estos modelos, se utilizó el más acertado que es Modelos Ocultos de Markov, ya que a través de él se identificó los patrones que representan el comportamiento sospechoso de las personas en los supermercados, y a partir de los estados observables se obtuvo los estados ocultos de alerta y alarma. (Estos estados se generan cuando el sistema identifica los patrones de comportamiento sospechoso). Para la identificación de dichos patrones se siguió una serie de pasos mediante los cuales se obtuvo los estados; a los mismos que se les realizó un análisis y se representan en patrones, de acuerdo a estos resultados que sirven como entradas en el entorno de simulación Matlab. El cual nos ayudaba a predecir la ocurrencia de los estados ocultos (alerta y alarma) e identificar la ocurrencia de una alarma y el tiempo en que se desarrolló. Como aporte final el resultado fue satisfactorio ya que se logró identificar patrones que representan el comportamiento sospechoso de las personas a través del modelo propuesto (MOM).

Page 59: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

57

Conclusiones:

A través de los 140 videos observados se concluyó que generalmente las personas realizan una serie de actividades que las denominamos estados, entre las más comunes son: caminar, pararse, observar cámaras de seguridad, tomar producto.

En los videos de compras observados, se obtuvo como resultado que las personas permanecen caminando un 49.04%, este porcentaje es mayor a los porcentajes de los otros estados.

En las diferentes pruebas que se realizó utilizando Matlab se observa que cuando las

personas realizan sus compras el estado que genera mayor número de alertas es cuando las personas caminan, y el estado que genera mayor número de alarmas es cuando las personas se mantienen paradas.

Al realizar las pruebas en Matlab se generan mayor número de alertas que de

alarmas. Las personas mantienen una similitud de eventos lo que hace obtener patrones (camina, parado, observa cámaras de seguridad, toma producto) que representan el comportamiento de las mismas; proporcionado el número de repeticiones de los patrones nos ayudarán a diferenciar entre compradores y posibles sospechosos.

A través de los modelos ocultos de Markov se pudo identificar patrones sospechosos

y estados ocultos (alerta y alarma).

En los 70 videos observados en que las personas cometen hurto se determinó que estas permanecen paradas un 49.2%, siendo el porcentaje de este estado mayor a los porcentajes de los otros estados observados.

Cuando las personas cometen hurto los estados que generan mayor número de

alertas es cuando observan cámaras de seguridad; y el estado que genera mayor número de alarmas es cuando las personas caminan. Esto quiere decir que el sistema es satisfactorio

Al realizar las pruebas en Matlab se obtuvo como resultado que las personas

consideradas sospechosas repiten una serie de comportamientos (patrones) los cuales generan alarmas, dando esto como conclusión final que la experimentación realizada es satisfactoria ya que se logró obtener el objetivo inicialmente planteado.

Page 60: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

58

Recomendaciones: Se debe experimentar con distintos contextos de videovigilancia, tratando de

incrementar su exactitud utilizando ventanas temporales para representar la duración de los eventos.

Se recomienda la utilización de MOM ya que este modelo probabilístico ayuda a detectar variables ocultas las mismas que servirán para que el sistema realice automáticamente las funciones con la mínima intervención de los usuarios. Ejemplo una plancha que ajuste su temperatura según el tipo de tela.

Se propone la utilización de Matlab ya que este; se puede considerar un entorno

matemático de simulación que puede utilizarse para modelar y analizar sistemas, ya que es una herramienta interactiva basada en matrices para cálculos científicos y de ingeniería.

Se recomienda realizar otras combinaciones de estados como parado, mueve los

brazos, mueve la cabeza, camina, contabilizando estos movimientos podríamos obtener más estados para obtener patrones con mayor rango de diferenciación para reconocer el comportamiento normal y sospechoso de un individuo.

Además sugerimos que basándose en nuestra investigación se podría diseñar, crear

y ejecutar un sistema inteligente que permita detectar automáticamente a una persona sospechosa basándose en sus patrones de comportamiento (repetitivos) y de producirse el delito el mismo sistema generará la alarma.

Page 61: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

59

Trabajos futuros Creación de un sistema de video vigilancia, el principal interés se fundamenta en dar

ayuda a las investigaciones futuras, para que continúen con estudios dentro de esta línea de investigación, mejorando la manera de detectar automáticamente las actividades de las personas, aplicando estos sistemas en otros lugares donde existe mucha inseguridad de personas y de bienes.

Se recomienda para próximos trabajos de investigación la utilización de los Modelos

ocultos de Markov en otras aplicaciones tales como la Computación Ubicua.

Utilización de los Modelos Ocultos de Markov en bases de datos (denominadas de entrenamiento) con lo que es posible seleccionar el MOM más apropiado (a veces, con un gran número de estados ocultos) obteniéndose modelos con una alta capacidad de predicción, pues el problema típico es clasificar o identificar nuevos datos.

Page 62: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

60

BIBLIOGRAFÍA. [1] López, J., García, J. y de la Fuente, M. L. (2006). Modelado causal con redes

bayesianas. (Actas de las XVII Jornadas de Automática, 198-202) http://www.ual.es/personal/jpuga/Publicaciones/Articulos/REMA_vol13n1a2.pdf

[2] Morgan, 1991 D.P, “Neural Networks and Speech processing.” Kluwer (Academic Publishers, Masachussets http://catarina.udlap.mx/u_dl_a/tales/documentos/lis/clemente_f_e/capitulo2.pdf

[3] Nixon, M., Tan, T., Chellappa, R.(2006). Human Identification based on Gait. International series on Biometrics, Springer http://www.gavab.etsii.urjc.es/blosxom/publicaciones_new/ano2008/jrbp08_Sanchez.pdf

[4] Reconocimiento de acciones humanas basadas en modelos probabilísticos de espacio de estados http://digibug.ugr.es/bitstream/10481/4855/1/1861565x.pdf

[5] Sheldon M. Ross. (2000). Introduction to probability models. Harcourt/Academic Press, Burlington, MA, seventh edition http://servicio.bc.uc.edu.ve/ingenieria/revista/Inge-Industrial/volI-n2/art3.pdf

[6] Xuedong Xuang, Alex Acero, Hsiao-Wuen Hon. Spoken Language Processing. Prentice Hall PTR, 2001. http://upcommons.upc.edu/pfc/bitstream/2099.1/6087/1/PFC.pdf

[7] Curso Matlab http://www.waudiovisual.com/tiny_mce/plugins/filemanager/files/MATLAB_AVANZADO.pdf

[8] Definición de estado htt://definicion.de/estado/ (20-12-2010) [9] Definición de evento http://definicion.de/evento/ (19-12-2010) [10] Definición de correlación Diccionario ABC.

http://www.definicionabc.com/general/correlacion.php (23-03-2011) [11] Definición de Procesos estocásticos Sensagent, Diccionario Sensagent.

http://diccionario.sensagent.com/proceso+estoc%C3%A1stico/es-es/ (23-03-2011) [12] Diseño y desarrollo de un Sistema de reconocimiento de caras http://e-

archivo.uc3m.es/bitstream/10016/5831/1/PFC_CarmenVirginia_Gamez_Jimenez.pdf [13] Definición de Variables Aleatorias Monografías.com.

http://www.monografias.com/trabajos81/distribuciones-de-probabilidad-discreta/distribuciones-de-probabilidad-discreta.shtml (11-06-2010)

[14] Ejemplo de utilización utilizando HMM http://advancedtech.wordpress.com/2008/05/19/aplicaciones-de-los-modelos-de-markov/ (04-05-2010)

[15] Empleo de sistemas biométricos para el reconocimiento de personas en aeropuerto http://www.iuisi.es/15_boletines/15_2006/doc046-2006.pdf

[16] Valores probabilísticos (Anexo Nº4) http://www.scribd.com/doc/19095776/REPRESENTACION-TABULAR-Y-GRAFICA (28-06-2010)

Page 63: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

61

[17] Manual de seguridad http://www.firmainf.es/pdf/dcmonografias/seguridadcentroscomerciales.pdf (11-06-2010)

[18] Matlab utilizando Modelos Ocultos de Markov http://advancedtech.wordpress.com/2008/08/09/modelos-ocultos-de-harkov/

[19] Modelado de Entornos Reales e Interpretación de conductas para la seguridad http://www.esi.uclm.es/www/jalbusac/doc/masteralbusac.pdf

[20] Sistema de autenticación biométrica de huella dactilar http://mural.uv.es/juangar2/JJMedia/pfcIE_jjgarcia.pdf

[21] Sistema de Video Vigilancia para el Sistema de Transporte Colectivo (STC) http://www.metro.df.gob.mx/imagenes/licitaciones/bases006_07anexo2.pdf

[22] Sistema de Reconocimiento de Rostros para Maggihttp://bibcyt.ucla.edu.ve/edocs_bciucla/bracho_maritza/tdig_b73_2008.pdf

Page 64: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

62

ENLACES: VIDEOS DE COMPRA

http://www.youtube.com/watch?v=2CJjOoDPUks http://www.youtube.com/watch?v=Woi7wHwH7zM http://www.youtube.com/watch?v=_Q6ph6ha8h8 http://www.youtube.com/watch?v=vgeVUQLgV7k http://www.youtube.com/watch?v=wIvq_03ILgQ http://www.youtube.com/watch?v=akq_dE7ju6Y http://www.youtube.com/watch?v=46Wb1DDZn8k http://www.youtube.com/watch?v=FdiRpT_3x30 http://www.youtube.com/watch?v=F5XqLZJz6LQ http://www.youtube.com/watch?v=VqunvvR5GRI http://www.youtube.com/watch?v=ncD_luZzxSg http://www.youtube.com/watch?v=qDgONVDwSao http://www.youtube.com/watch?v=v7_F-qqZM3U http://www.youtube.com/watch?v=UP5vei-VnyQ http://www.youtube.com/watch?v=Dwoa6kqQ8fA http://www.youtube.com/watch?v=drybxijMNJw http://www.youtube.com/watch?v=Uu3DA9PFY9E http://www.youtube.com/watch?v=Qog-EP1wLzE http://www.youtube.com/watch?v=NZtvGVsF2Eg http://www.youtube.com/watch?v=GVirXarYVTo http://www.youtube.com/watch?v=9OhA9NeQ3m0 http://www.youtube.com/watch?v=ncKlmqixe5U http://www.youtube.com/watch?v=mP0GwI-8HZo http://www.youtube.com/watch?v=NjNN0vlP-mA http://www.youtube.com/watch?v=krlD_IwoDO4 http://www.youtube.com/watch?v=ZZlMR-t1rVs http://www.youtube.com/watch?v=oynqSkymZQ0 http://www.youtube.com/watch?v=_Q6ph6ha8h8 http://www.youtube.com/watch?v=hQEE17fZ1Us http://www.youtube.com/watch?v=x40dlrX2IJg http://www.youtube.com/watch?v=w7qhwjqtb1U http://www.youtube.com/watch?v=UPFF6L2zWu4 http://www.youtube.com/watch?v=LNe19l-8h94 http://www.youtube.com/watch?v=LNe19l-8h94 http://www.youtube.com/watch?v=pZirO4xajEM http://www.youtube.com/watch?v=uuqzJVklEUU http://www.youtube.com/watch?v=iyB0M3PM4Xc http://www.youtube.com/watch?v=vgeVUQLgV7k http://www.youtube.com/watch?v=ROrZneH5P8U

Page 65: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

63

http://www.youtube.com/watch?v=yoZ3FyyejOE http://www.youtube.com/user/iaaang?blend=15&ob=5#p/u/0/9RSKiKOypqk http://www.youtube.com/watch?v=UUFHrtS2f8c http://www.youtube.com/watch?v=V-KGH2DH-p8 http://www.youtube.com/watch?v=wIvq_03ILgQ http://www.youtube.com/watch?v=f3ISDz7ca1M http://www.youtube.com/watch?v=vRMeNCQXNa0 http://www.youtube.com/watch?v=4TiG2Jt4Njk http://www.youtube.com/watch?v=HnysLbLCOX8 http://www.youtube.com/watch?v=KlaOdK5Hlt8 http://www.youtube.com/watch?v=if9s46Qrefg http://www.youtube.com/watch?v=Wrmc2UkP_C8 http://www.youtube.com/watch?v=KBDySWH2s40 http://www.youtube.com/watch?v=W1BhIuztYXg http://www.youtube.com/watch?v=jFWPyguDtF4 http://www.youtube.com/watch?v=btFSX7McxWY http://www.youtube.com/watch?v=kXExk7YS0H8 http://www.youtube.com/watch?v=mnPA0WGA2Xg http://www.youtube.com/watch?v=Nn9BvGIt12c http://www.youtube.com/watch?v=DJjCXlwEdaA http://www.youtube.com/watch?v=9_uRjGuIHqQ http://www.youtube.com/watch?v=3twu9i2dMTU http://www.youtube.com/watch?v=C8QDFYJ20D0 http://www.youtube.com/watch?v=eZvv3tpfLF0 http://www.youtube.com/watch?v=gkjWMNHs_VA http://www.youtube.com/watch?v=CoWQdljzkzo http://www.youtube.com/watch?v=U724-K7-WBw http://www.youtube.com/watch?v=nIfO04yLiRI http://www.youtube.com/watch?v=NXSAVYKI0oQ http://www.youtube.com/watch?v=I5PuCJbaUHk VIDEOS DE HURTO http://www.youtube.com/watch?v=ya0J_h51Zu4 http://www.youtube.com/watch?v=sFBynyCKFdc http://www.youtube.com/watch?v=9QM6DpE90RY http://www.youtube.com/watch?v=7BFTcJ49zuc http://www.youtube.com/watch?v=Lb_FVn9Gr_E http://www.youtube.com/watch?v=s1cLYLFU0hw http://www.youtube.com/watch?v=h6XV5VkDd0U http://www.youtube.com/watch?v=l9VEVYO0Blc http://www.youtube.com/watch?v=8QneK3xOTR4 http://www.youtube.com/watch?v=370aEdn0sKc

Page 66: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

64

http://www.youtube.com/watch?v=nUGdI5itZpU http://www.youtube.com/watch?v=4Ii-YoQk9gs http://www.youtube.com/watch?v=FaBKxsDOX-Q http://www.youtube.com/watch?v=dbHvRmVAsXI&feature=related http://www.youtube.com/watch?v=Fb6b2hjaVh4 http://www.youtube.com/watch?v=dFPJNsb6XMU http://www.youtube.com/watch?v=Hj29L1isv6w http://www.youtube.com/watch?v=On7JPCyxzCU http://www.youtube.com/watch?v=f7zHWccdEnw http://www.youtube.com/watch?v=JVS9drEOhuM http://www.youtube.com/watch?v=fqQh2w8G-P4 http://www.youtube.com/watch?v=7xL4TLyhHwE http://www.youtube.com/watch?v=s046KfZbViI&feature=related http://www.youtube.com/watch?v=bMq_h1MIOas http://www.youtube.com/watch?v=EUw2kZaesUg http://www.youtube.com/watch?v=1cQipJbo1tE http://www.youtube.com/watch?v=MsXH_J12kCQ http://www.youtube.com/watch?v=gK2fOdwMRN8 http://www.youtube.com/watch?v=BlxSTFENN_o http://www.youtube.com/watch?v=G9jFLuiYKcw http://www.youtube.com/watch?v=61VKW-_keQA http://www.youtube.com/watch?v=AGRNBD_WWHo http://www.youtube.com/watch?v=tRj2V3mYXJQ http://www.youtube.com/watch?v=onPhlFw5eCA&feature=related http://www.youtube.com/watch?v=onPhlFw5eCA http://www.youtube.com/watch?v=UJHf7vN14Ww http://www.youtube.com/watch?v=2u3X7ihGevU&feature=mfu_in_order&list=UL http://www.youtube.com/watch?v=AX_XDXCdWso&feature=related http://www.youtube.com/watch?v=ayIYsb9ADkQ&feature=related http://www.youtube.com/watch?v=v7xaYB4_xF8 http://www.youtube.com/watch?v=qtvkmnS9u7g http://www.youtube.com/watch?v=UglYgik03KU http://www.youtube.com/watch?v=m9VVRaX8EnA http://www.youtube.com/watch?v=T-dEzo-mAiI http://www.youtube.com/watch?v=UYx0R15RxSg http://www.youtube.com/watch?v=VF7y0TkofjA http://www.youtube.com/watch?v=ZSdhEAN4Htg http://www.youtube.com/watch?v=EgDNfAzpfQA http://www.youtube.com/watch?v=XhP2oikaeXM http://www.youtube.com/watch?v=gCKXHgaZ2iw http://videosbeta.net/roba-en-supermercado-y-lo-esconde-bajo-la-falda/ http://www.youtube.com/watch?v=fTJuFCmDHWQ

Page 67: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

65

http://www.youtube.com/watch?v=65NCbeZI_Q0 http://www.youtube.com/watch?v=erUgH9uOkfA http://www.youtube.com/watch?v=EwBB6YMdn9A http://www.youtube.com/watch?v=9NhE9B-KBnY http://www.youtube.com/watch?v=e3bHclPbFCs http://www.youtube.com/watch?v=A5geb-fxj3Y http://www.youtube.com/watch?v=ol4ntf2_JTo http://www.youtube.com/watch?v=nrR73FPUk0k http://www.youtube.com/watch?v=zi9Bnwo9ETk http://www.youtube.com/watch?v=baJr4KPaGtY

Page 68: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

66

ANEXOS

Page 69: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

67

ANEXO Nº 1

“UN ESTUDIO SOBRE LA IDENTIFICACIÓN DE PERSONAS BASADA EN SU MOVIMIENTO AL CAMINAR (GAIT)”

El reconocimiento de personas basado en su postura y forma de caminar (gait) es un método de identificación de individuos estudiada desde el siglo XIX por la Medicina y la Biomecánica. Desde un punto de vista más general, el patrón de movimiento al caminar de una persona puede indicar algún tipo de patología.

Preproceso de los datos:

La etapa de preproceso puede descomponerse en la secuencia de pasos intermedios que se describen a continuación.

Captura y procesado inicial del vídeo Para este trabajo se han usado secuencias de vídeo propias, por ello es importante una adecuada captura de los datos, ya que el resto del proceso dependerá de la fiabilidad y facilidades que nos proporcione este paso.

Umbralización adaptativa de los fotogramas A pesar de la calidad de las tomas realizadas, y debido a la autorregulación por parte del diafragma de la cámara, la intensidad lumínica en la secuencia del vídeo no es uniforme para toda la escena, por lo que no podemos establecer un umbral fijo de binarización desde el comienzo. Por este motivo, y gracias al contraste y equilibrio que hay entre las zonas claras y obscuras en cada fotograma, se puede utilizar la media del valor de todos los píxeles para fijar un buen umbral para la binarización de los fotogramas.

Sustracción de fondo aplicada a cada fotograma Para la perfecta localización del sujeto, es necesaria la eliminación del fondo del fotograma, ya que las irregularidades que introduce sobre el sujeto pueden complicar la obtención posterior de puntos de interés, añadiendo ruido e imperfecciones. La substracción de fondo se realiza para cada fotograma del video con el fondo de la escena (es decir, usando una misma imagen sin el sujeto caminando).

Eliminación de ruido En esta etapa se trata de limpiar la silueta del sujeto, que contiene una serie de líneas horizontales resultantes del entrelazado introducido durante la conversión del formato propio de la cámara al formato AVI.

Recorte y selección de fotogramas Para conseguir secuencias donde aparezcan en todos los fotogramas la silueta completa del individuo caminando, se eliminan manualmente algunos fotogramas al principio y al final de cada secuencia grabada. Estas

Page 70: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

68

nuevas secuencias contienen, al menos, dos o tres pasos (por lo que se dispone, al menos, de un ciclo completo de paso por vídeo).

Obtención de puntos de interés La etapa de detección de puntos de interés permitirá posteriormente calcular las características discriminantes consideradas. Los puntos de interés necesarios y su proceso de detección se describen a continuación.

(a)Resultado de la substracción de fondo y (b) de la eliminación de ruido para un fotograma ejemplo Silueta recortada para un fotograma ejemplo y (b) localización del centro de gravedad, marcado en el centro de la cadera.

Centro de gravedad (punto CG) Este punto permite localizar al sujeto dentro de cada fotograma y nos indica dónde está el centro de la cadera del mismo en cada instante. Su cómputo se realiza a partir de la media de las abscisas y de las ordenadas, respectivamente, de todos los puntos de la silueta del sujeto (píxeles blancos).

Plantas de los pies (puntos PP1 y PP2) Para la detección de las posiciones aproximadas de cada pie, se obtiene la imagen especular con respecto al eje de abscisas del fotograma considerado A continuación, se trazan, por cada una de las columnas de la imagen, líneas descendentes en vertical hasta tocar algún píxel de la silueta invertida del Sujeto.

Extremo superior de la cabeza (punto EC) En este caso sólo se busca un único punto y, por una mayor sencillez, no se calcula la imagen especular de la silueta del individuo. El máximo absoluto que se obtiene sobre el histograma calculado determina el punto extremo superior de la cabeza (EC).

Obtención de características discriminantes

A partir de la localización automática de los cuatro puntos (CG, PP1, PP2, EC) extraídos de la silueta del individuo caminando, se procede a calcular un conjunto de características discriminantes. Para dichas características se elegirá su valor máximo en cada secuencia de vídeo. Todas las características discriminantes consideradas se han calculado para resultar invariantes a escala y a traslación.

Longitud máxima (o envergadura) del paso Representa la distancia máxima, en el eje de abscisas, de separación de los pies para una secuencia de vídeo que contiene, al menos, un ciclo de paso.

Page 71: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

69

Periodo de cadencia del paso Si se analiza en una secuencia de vídeo, la distancia existente entre ambos pies en un semi-ciclo del paso (fotogramas que transcurren entre el apoyo consecutivo de cada uno de los pies en el suelo), los valores obtenidos describen un movimiento ondulatorio. Si se representa gráficamente esta distancia de separación de los pies (en píxeles) para un individuo concreto, entre fotogramas consecutivos.

Angulo máximo de apertura de piernas al andar Para calcular esta característica angular, representada en radianes, se definen los dos vectores que unen el centro de gravedad del individuo con ambas plantas de sus pies, y se obtiene el ángulo µ que forman ambos vectores.

Pendiente de la postura corporal Esta característica angular ilustra la inclinación corporal una persona al andar.

Variación máxima (en vertical) del centro de gravedad Como al caminar la cadera realiza un movimiento ondulatorio, el centro de gravedad del individuo también lo hará. Se ha calculado la variación de ordenadas de la posición del punto CG durante todos los fotogramas de cada secuencia de vídeo.” [Sánchez Ángel, Pantrigo Juan José, Rubio Alberto and Virseda Jesús. Departamento De Ciencias de la Computación, Universidad Rey Juan Carlos, Móstoles, Madrid, Spain.]

Este ejemplo presenta un prototipo inicial de sistema de reconocimiento biométrico basado en la postura y el movimiento corporal al caminar (gait). El identificar a una persona caminando la misma que puede simular ser otra persona en base a sus movimientos.

Page 72: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

70

ANEXO Nº 2

“MEDIDAS DE SEGURIDAD EN LOS CENTROS COMERCIALES Y EL COMERCIO INDEPENDIENTE”

“No cabe duda de que la distribución comercial, inmersa en una continua evolución, se enfrenta a un gran número de riesgos y amenazas, lo que obliga a mantener unos niveles de máxima exigencia en todos sus sistemas de seguridad, tanto en lo que se refiere al control de procesos y productos, como a la protección de personas y bienes. Aunque existen muchos puntos comunes en el planteamiento de la seguridad de las grandes superficies y los pequeños comercios, lo cierto es que también existen importantes diferencias marcadas, en gran medida por el tamaño de los establecimientos y la complejidad de los servicios que se ofrecen en unos y en otros.

El tamaño del comercio es un aspecto fundamental a la hora de hablar de seguridad, tanto desde el punto de vista arquitectónico y de concentración de productos, como del tráfico de personas.

Sin menospreciar la importancia de todo tipo de siniestros en entorno de la actividad comercial, las cifras ponen de manifiesto que la principal fuente de pérdidas del sector detallista se encuentra en las diferencias de inventario o pérdida desconocida, por su impacto económico en la cuenta de resultados y por su frecuencia. Así, según la última edición de Barómetro Europeo del Hurto en la Distribución, realizado por el Center for Retail Research (CRR), los distribuidores europeos perdieron 27,25 millardos de euros durante el período 2002-2003.

El Reino Unido es el país más afectado por la pérdida desconocida, seguido de Noruega y Grecia. España se situaría, según los datos del centro de investigación británico, en el séptimo puesto de un ranking de 16 países que cierran Austria y Suiza, con los menores niveles de pérdida. Si bien es cierto que la mayoría de hurtos se producen en el punto de venta, éste es un problema que debe controlarse a lo largo de toda la cadena.

Según el Manual de Seguridad en Centros Comerciales y Grandes Superficies, del Grupo de Estudios Técnicos, se puede establecer que un 25 por ciento de los empleados roba habitualmente, un 50 por ciento robaría si tuviese oportunidad y un 25 por ciento no robaría en absoluto. Estos alarmantes datos sacan a la luz el grave problema con el que se encuentran los gestores de la seguridad. Algunos de los hurtos más frecuentes se producen en la línea de cajas por escaneo falso de productos o falta de registro de precios, por anulaciones fraudulentas, falsas

Page 73: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

71

devoluciones a los clientes, así como registros de precios inferiores o de otros departamentos al de los artículos o entrega de cambio de menos a los clientes.

El personal de seguridad, en concreto los guardias jurados y los vigilantes internos, absorben más del 60 por ciento del presupuesto total, según el Barómetro Europeo del Hurto en la Distribución, mientras que el 23 por ciento de la inversión se destina a los equipos y tecnología, principalmente sistemas de protección electrónica de productos y circuitos cerrados de televisión (CCTV)- y un 6 por ciento a las amortizaciones.

Invertir en seguridad reporta grandes beneficios a los establecimientos comerciales ya que, además de reducir la materialización de los riesgos y las pérdidas económicas, los clientes tienen la sensación de estar debidamente protegidos, lo que se percibe como una calidad intangible que le hará sentirse más cómodo en ese establecimiento que en otro en el que la percepción no es la misma.

Los sistemas anti hurto abarcan gran parte de la inversión en seguridad por parte de los detallistas de todo el mundo. Para hacer frente a esta problemática existen tanto empresas proveedoras de sistemas de control de gestión como empresas proveedoras de soluciones tecnológicas con las que se tratan e reducir e incluso eliminar estas pérdidas que sufre el sector. La gran mayoría de los sistemas anti hurto se orienta hacia la protección de los bienes expuestos o almacenados y a reducir las posibilidades de realización de actos delictivos. En las grandes superficies esta seguridad disuasoria se centra en la protección frente a los hurtos, los robos, los atracos y los fraudes que, en este tipo de actividad comercial, inciden de forma importante en la rentabilidad o el balance anual en forma de diferencias de inventario, pérdidas desconocidas no deseadas ni previstas, etc.

Los expertos en seguridad aseguran que la instalación de sistemas anti hurto, los cuales cada día son más sofisticados y eficaces, resultan rentables a corto plazo. Actualmente en España, además de los circuitos cerrados de televisión y los vigilantes de seguridad, los sistemas anti hurto por excelencia son la radiofrecuencia, los dispositivos electromagnéticos y la tecnología acustomagnética.

Una de las soluciones que ya están utilizando fabricantes y distribuidores para minimizar el problema es la instalación de etiquetas de seguridad en origen. La colocación automatizada de etiquetas de seguridad electrónica en los productos durante su fabricación o embalaje, y no en la tienda, no sólo ayudan a combatir el hurto con mayor eficiencia, sino que aporta numerosas ventajas adicionales tanto para fabricantes como distribuidores.

Page 74: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

72

Es evidente que un buen trabajo en la prevención y en el desarrollo de planes de seguridad servirá para garantizar la tranquilidad a clientes, empleados y a la empresa en su conjunto.” (http://www.firmainf.es/pdf/dcmonografias/seguridadcentroscomerciales.pdf)

Page 75: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

73

ANEXO Nº 3

Encuesta dirigida a varios usuarios que ingresan al Supermercado.

1. ¿Por qué razón ingresa Ud. A un Supermercado?

…………………………………………………………………………………………………………………………

2. ¿Por qué compra producto(s)?

…………………………………………………………………………………………………………………………

3. ¿Usted compra directamente el producto(s) que necesita, o antes realiza un recorrido general por todo el local?

…………………………………………………………………………………………………………………………

4. ¿Verifica Ud. El precio antes de comprar?

…………………………………………………………………………………………………………………………

5. ¿Por qué verifica el precio?

…………………………………………………………………………………………………………………………

6. ¿Solicita información sobre los productos a adquirir, Porqué?

…………………………………………………………………………………………………………………………

GRACIAS

Page 76: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

74

ANEXO Nº 4 Para poder obtener los valores probabilísticos se utilizó la siguiente fórmula: hi= ni*n/100 n= 100 (tamaño de la muestra). x= variable de interés. ni= frecuencia absoluta. Es el número de veces que se repite cada opción.

Tabla Nº3 X Ni Hi

Comprar 83 0.83

Observar 13 0.13

Comparar precio 4 0,04

100 100%

Tabla Nº3 Ingreso al supermercado

Tabla Nº4

X Ni Hi

Por necesidad 83 0.83

Aprovechando oferta 17 0.17

100 100%

Tabla Nº4 Compra de productos

Tabla Nº5

X Ni Hi

Interés del producto 77 0.77

Cancelar factura 23 0.23

100 100%

Tabla Nº5 ¿Cuándo se verifica precio?

En esta tabla se procedió a tomar en cuenta los datos de 77 personas, por el motivo de que algunas contestaron que no verificaban precio.

Tabla Nº6 X Ni Hi

Costo 71 0.71

Calidad 6 0.06

77 100%

Tabla Nº6 ¿Por qué verifica precio?

Tabla Nº7 X Ni Hi

Camina varias veces por el local 23 0.46

Parado mucho tiempo 7 0.14

Observa cámaras 20 0.40

50 100%

Tabla Nº7 Persona nerviosa

Page 77: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

75

Tabla Nº8

X Ni Hi

El sistema detecta productos faltantes

28 0.56

El producto no se encuentra físicamente en el lugar

22 0.44

50 100%

Tabla Nº8 Señal de alerta

En las dos últimas tablas se utilizó datos de las encuestas realizadas a 50 personas.

De acuerdo al grafico de la Figura Nº2 (a, b, c) y al procesamiento de las encuestas efectuadas al personal y clientes de un supermercado, en la Figura Nº3 se representa los estados registrados por las personas cuando compran en un supermercado, con el fin de identificar aquellos que producen alertas y/o alarmas.

Figura Nº3 Redes Bayesianas Causa-Efecto

Ingresa al supermercado

Compra de producto

Comparar precios

Por comprar

Aprovecha oferta

Por Necesidad

Por observar

¿Por qué verifica precio?

¿Cuando se verifica Precio?

Sin respuesta

Cancelar factura

Calidad Costo Interés del producto

Persona Nerviosa

Señal de alerta

Camina varias veces por el

supermercado

Parado mucho tiempo

Observa cámaras

El producto no se encuentra

físicamente en el lugar.

En el stock el sistema detecta

producto(s) faltantes

83% 13% 4% 83% 17%

90%

23% 71% 6% 23%

46% 40% 14%

77%

10%

Page 78: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

76

INGRESO AL SUPERMERCADO

COMPRA DE PRODUCTOS

83%

13%

4% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

INGRESO AL SUPERMERCADO

Comprar

Observar

Comparar precio

83%

17%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

COMPRA DE PRODUCTOS

Por necesidad

Aprovechando oferta

Page 79: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

77

¿CUÁNDO SE VERIFICA PRECIO?

¿POR QUÉ SE VERIFICA PRECIO?

77%

23%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

Interés del producto Cancelar factura

¿CUÁNDO SE VERIFICA PRECIO?

Interés del producto

Cancelar factura

71%

6%

23%

0%

10%

20%

30%

40%

50%

60%

70%

80%

¿POR QUÉ SE VERIFICA PRECIO?

Costo

Calidad

Sin respuesta

Page 80: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

78

ANEXO Nº 5

Cuando usted considera que una persona está nerviosa, ha notado que dicho individuo toma las siguientes actitudes. (Tomamos como ejemplo un Supermercado.)

a) Camina varias veces de uno a otro sitio.

SI ( ) NO ( )

b) Pasa parado mucho tiempo en un determinado lugar.

SI ( ) NO ( )

c) Observa cámaras varias veces, sin dejar de perderles la vista.

SI ( ) NO ( )

d) Mira varias veces a su alrededor.

SI ( ) NO ( )

e) Toma alguna otra actitud, (cuál)

SI ( ) NO ( )

…………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………

GRACIAS

Page 81: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

79

PERSONA NERVIOSA

23%

7%

20%

0%

5%

10%

15%

20%

25%

PERSONA NERVIOSA

Camina varias veces por ellocal

Parada mucho tiempo

Observa cámaras

Page 82: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

80

ANEXO Nº 6

Encuesta dirigida al Sr. Gerente del Supermercado.

1. ¿Alguna vez se ha dado el caso de hurto dentro del Supermercado?

……………………………………

En caso de haber ocurrido:

a) ¿Cómo lo detecto?

………………………………………………………………………………………………………………………………

b) ¿En qué horario se dio?

………………………………………………………………………………………………………………………………..

c) ¿Qué actitud tomo al respecto?

………………………………………………………………………………………………………………………………

2. ¿Se lleva el inventario de ingreso y salida de productos?

…………………………………………………………………………………………………………………………

3. ¿Cuándo se puede dar una señal de alerta?

…………………………………………………………………………………………………………………………………

4. ¿Qué medidas de seguridad tiene el Supermercado?

………………………………………………………………………………………………………………………………

5. ¿Cree que las medidas de seguridad que tiene el local actualmente son suficientes, o necesitan mejorar la seguridad?

……………………………………………………………………………………………………………………………………

6. Si Ud. cree que se debe mejorar la seguridad ¿Cómo podría ser?

…………………………………………………………………………………………………………………………………

GRACIAS

Page 83: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

81

SEÑAL DE ALERTA

28%

22%

0%

5%

10%

15%

20%

25%

30%

SEÑAL DE ALERTA

El sistema detectaproductos faltantes

El producto no seencuentra fisicamente enel lugar

Page 84: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

82

ANEXO Nº 7

Encuesta dirigida al Sr. Que realiza la Guardia dentro del Supermercado.

1. ¿Cómo desempeña su función?

………………………………………………………………………………………………………………………………

2. ¿Alguna vez se ha dado el caso de hurto dentro del Supermercado?

…………………………………

3. ¿Ha detectado actitudes sospechosas en los usuarios?

………………………………….

En caso de haber detectado usuarios sospechosos:

a) ¿Puede usted señalar cómo es el comportamiento de los usuarios sospechosos?

…………………………………………………………………………………………………………………………

b) ¿Qué actitud toma usted?

…………………………………………………………………………………………………………………………

4. ¿Cree que las medidas de seguridad que tiene actualmente son suficientes, o necesitan mejorar la seguridad?

………………………………………………………………………………………………………………………………

a) ¿Si Ud. Cree que deben mejorar la seguridad del local: como podría ser?

…………………………………………………………………………………………………………………………

GRACIAS

Page 85: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

83

SEÑAL DE ALERTA

28%

22%

0%

5%

10%

15%

20%

25%

30%

SEÑAL DE ALERTA

El sistema detectaproductos faltantes

El producto no seencuentra fisicamente enel lugar

Page 86: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

84

ANEXO Nº 8

Encuesta dirigida a las cajeras del Supermercado.

1. ¿Alguna vez se ha dado el caso de hurto dentro del Supermercado?

………………………………………

2. ¿Ud. Como cajera puede ayudar a detectar si algún producto(s) se encuentra faltante?

………………………………………

a) Si la respuesta es afirmativa ¿Cómo lo detecta?

…………………………………….…………………………………………………………………………………..

3. Al cancelar una persona en caja usted como podría identificar si está persona no oculto algún producto?

………………………………………………………………………………………………………………………………

4. ¿Puede usted identificar qué producto(s) tienen mayor salida en el Supermercados?

………………………………………………………………………………………………………………………………

5. ¿Al momento de cancelar se ha dado el caso de la devolución de algún producto?

……………………………………

6. ¿Se da el caso que las personas les solicitan información sobre los productos existentes?

……………………………………

En caso de ser afirmativa la respuesta:

a) ¿Qué información solicitan?

……………………………………………………………………………………………………………………

GRACIAS

Page 87: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

85

SEÑAL DE ALERTA

28%

22%

0%

5%

10%

15%

20%

25%

30%

SEÑAL DE ALERTA

El sistema detectaproductos faltantes

El producto no seencuentra fisicamente enel lugar

Page 88: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

86

Page 89: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

87

Page 90: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

88

Page 91: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

89

Page 92: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

90

Page 93: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

91

ANEXO Nº 9 Detalle de la Secuencia y el Tiempo de los Estados Observados en 70 Videos.

VIDEO Nº 1 De compras en el supermercado Repetición de veces Camina, Camina, Camina, Camina, parada, parada, parada, parada, parada, parada, toma producto, camina, camina, parada, parada, parada, toma producto, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, parada, parada, camina, camina, camina, camina, parada, toma producto, camina, camina, parada, parada, parada, parada, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina. Camina=35 Parada=16 Toma producto=3 Tiempo en segundos Camina(5seg.), Camina(5seg.), Camina(5seg.), Camina(3seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(2seg.), toma producto(4seg.), camina(5seg.), camina(3seg.), parada(5seg.), parada(5seg.), parada(5seg.), toma producto(4seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(2seg.), parada(5seg.),parada(4seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(1seg.), parada(5seg.), toma producto(2seg.), camina(5seg.), camina(1seg.),parada(5seg.), parada(5seg.), parada(5seg.), parada(1seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(1seg.). Camina=156seg.; 2:36 Parada=72seg.; 1:12 Toma producto=10seg. VIDEO Nº 2 De compras con la abuela Repetición de veces Camina, camina, camina, camina, camina, parada, camina, parada, toma producto, camina, parada, toma producto, camina, camina, camina, parada, camina, camina, camina, camina, parada, parada, parada, parada, toma producto, toma producto, camina, camina, parada, parada, camina, camina, camina, camina, parada, parada, parada, parada, parada, parada, parada, parada, camina, camina, parada, parada, parada, parada, parada.

Page 94: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

92

Camina=22 Parada=23 Toma producto=4 Tiempo en segundos Camina(5seg.), Camina(5seg.), Camina(5seg.), Camina(5seg.), Camina(2seg.), parada(2seg.), camina(3seg.), parada(5seg.), toma producto(1seg.), camina(3eg.), parada(2seg.), toma producto(1seg.), camina(5seg.) , camina(5seg.) , camina(1seg.) , parada(5seg.), camina(5seg.), camina(5seg.) , camina(5seg.) , camina(2seg.) , parada(5seg.), parada(5seg.), parada(5seg.), parada(4seg.), toma producto(2seg.), toma producto(1seg.), camina(5seg.), camina(5seg.), parada(5seg.), parada(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(2seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(2seg.), camina(5seg.), camina(1seg.), parada(5seg.), parada(5s3g.), parada(5seg.), parada(5seg.), parada(2seg.). Camina=89seg. ; 1:29 Parada=102seg. ; 1:42 Toma producto=5seg. VIDEO Nº 3 De compras Repetición de veces Parada, parada, parada, toma producto, camina, camina, parada, toma producto, camina, parada, camina, parada, parada, toma producto, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, parada, parada, camina, camina, parada, parada, parada, camina, parada, parada, parada, parada, toma producto, camina, camina, parada, parada, camina, camina, parada, parada, parada, parada, parada, parada, camina, camina, camina, parada, parada. Camina=25 Parada=26 Toma producto=4 Tiempo en segundos Parada(5seg.), parada(5seg.), parada(4seg.), toma producto(1seg.), camina(5seg.), camina(4seg.),parada(2seg.), toma producto(1seg.), camina(2seg.), parada(3seg.), camina(2seg.), parada(5seg.), parada(4seg.), toma producto(2seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(3seg.), parada(5seg.), parada(2seg.),camina(5seg.),camina(2seg.)parada(5seg.),parada(5seg.), parada(3seg.),camina(5seg.), parada(5seg.), parada(5seg.), parada(5seg.),parada(2seg.), toma producto(3seg.), camina(5seg.), camina(2seg.),parada(5seg.), parada(2seg.),camina(5seg.), camina(3seg.), parada(5seg.), parada(5seg.), parada(5seg.),

Page 95: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

93

parada(5seg.), parada(5seg.), parada(3seg.), camina(5seg.), camina(5seg.), camina(2seg.), parada(5seg.), parada(1seg.). Camina= 105seg. ; 1:45 Parada= 106seg. ; 1:46 Toma producto=7seg. VIDEO Nº 4 La niña y la mamá de compras Repetición de veces Parada, parada, parada, parada, parada, toma producto, camina, parada, camina, parada, parada, parada, parada, parada, parada, parada, parada, observa cámara de seguridad, toma producto, camina, parada, toma producto. Camina=3 Parada=15 Observa cámaras de seguridad=1 Toma producto=3 Tiempo en segundos Parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(2seg.), toma producto(2seg.), camina(4seg.), parada(5seg.), camina(4seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(2seg.), observa cámaras(1seg.), toma producto(1seg.), camina(2seg.), parada(5seg.), toma producto(2seg.). Camina=10seg. Parada=74seg. ; 1:14 Observa cámaras=1seg. Toma producto=5seg. VIDEO Nº5 Supermercado 1 Repetición de veces Camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, parada, toma producto, camina, camina, parada, toma producto, camina, camina, camina, camina, camina, camina, camina. Camina=20 Parada=2 Toma producto=2

Page 96: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

94

Tiempo en segundos Camina (5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(4seg.),parada (39seg.), toma producto (5seg.), camina (5seg.), camina(3seg.),parada (2seg.), toma producto(1seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(4seg.). Camina= 96seg.; 1:36 Parada=41seg. Toma producto=6seg. VIDEO Nº 6 Bagunca no bretas_1 Repetición de veces Parada, parada, parada, parada, toma producto, camina, parada, parada, camina, parada, camina, camina, parada, parada, camina, camina, camina, parada, parada, camina, camina, camina, camina, camina, camina, camina, camina, camina. Camina=16 Parada=11 Toma producto=1 Tiempo en segundos Parada(5seg.), parada(5seg.), parada(5eg.s), parada(5eg.s), toma producto (3seg.), camina(2seg.), parada(5seg.) ,parada(2seg.), camina(3seg.), parada(2seg.), camina(5seg.), camina(1seg.), parada(1seg.), camina(5seg.), camina(5seg.), camina(3seg.), parada(5seg.), parada(1seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(1seg.). Camina=65seg. ; 1:5 Parada=36seg. Toma producto=3seg. VIDEO Nº7 Familia no supermercado Repetición de veces Parada, camina, camina, parada, parada, camina, camina, parada, toma producto, camina, parada, toma producto, camina, parada, parada, parada, parada, camina, camina. Camina=8 Parada=9 Toma producto=2

Page 97: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

95

Tiempo en segundos Parada(5seg.), camina(5seg.), camina(4seg.), parada(5seg.), parada(5seg.), camina(5seg.), camina(5seg.), parada(1seg.), toma producto(1seg.), camina(5seg.), parada(3seg.), toma producto(3seg.), camina(2seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(1seg.), camina(5seg.), camina(1seg.). Camina=32seg. Parada=35seg. Toma producto=4seg. VIDEO Nº 8 Palhacada no supermercado Repetición de veces Parada, camina, camina, camina, parada, camina, parada, parada, toma producto, camina, parada, camina, parada, camina, parada, camina, camina, parada, camina, parada, parada, parada, parada, parada, parada, parada, toma producto. Camina=10 Parada=15 Toma producto=2 Tiempo en segundos Parada(1seg.), camina(3seg.), camina(5seg.), camina(5seg.), parada(1seg.), camina(3seg.), parada(5seg.), parada(3seg.), toma producto(1seg.), camina(2seg.), parada(2seg.), camina(2seg.), parada(5seg.), camina(1seg.), parada(2seg.), camina(5seg.), camina(5seg.), parada(3seg.), camina(3seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(5seg.), parada(2seg.),toma producto(2seg.). Camina=34seg. Parada=59seg. Toma producto=3seg. VIDEO Nº 9 Ceci en el súper Repetición de veces Parada, parada, parada, parada, camina, parada, camina, parada, parada, parada, parada, camina, parada, parada, parada, toma producto, camina, parada, toma producto, camina, parada, camina. Camina=6 Parada=14 Toma producto=2

Page 98: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

96

Tiempo en segundos Parada(5seg.), parada (5seg.), parada (5seg.), parada (5seg.), camina(5seg.), parada(1seg.), camina(2seg.), parada(5seg.), parada (5seg.), parada (5seg.) parada (4seg.), camina(5seg.), parada(5seg.), parada (5seg.), parada (1seg.), toma producto(3seg.), camina(4seg.), parada(3seg.), toma producto(2seg.), camina(5seg.), parada(4seg.), camina(2seg.). Camina=23seg. Parada=58seg. Toma producto=5seg. VIDEO Nº 10 Darío de compras en el súper Repetición de veces Parada, camina, camina, parada, camina, camina, camina, parada, parada, toma producto, camina, camina, parada, parada, toma producto, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina. Camina=18 Parada=6 Toma producto=2 Tiempo en segundos Parada(3seg.), camina(5seg.), camina (5seg.), parada(3seg.), camina(5seg.), camina (5seg.), camina (2seg.), parada(5seg.), parada (5seg.), toma producto(3seg.), camina(5seg.), camina (5seg.), parada(5seg.), parada (5seg.), toma producto(5seg.), camina(5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina=37seg. Parada=26seg. Toma producto=8seg. VIDEO Nº 11 Amigao en Supermercados Repetición de veces Camina, camina, parada, parada, toma producto, camina, camina. Camina = 4 Parada = 2 Toma producto = 1

Page 99: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

97

Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (3seg.), camina (4seg.), camina (3seg). Camina = 17seg. Parada = 10seg. Toma producto = 3seg. VIDEO Nº 12 Bretas Supermercado Repetición de veces Camina, camina, parada, toma producto, camina, parada, toma producto, camina. Camina = 4 Parada = 2 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (3seg), toma producto (2seg), camina (5seg), parada (3seg.), toma producto (3seg.), camina (5seg.). Camina = 20seg. Parada = 6seg. Toma producto = 5seg. VIDEO Nº 13 De compras en supermercado de renombre Repetición de veces Camina, camina, camina, camina, camina, camina, camina, parada, toma producto, camina, parada, camina, camina. Camina = 10 Parada = 2 Toma Producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg) camina (5seg.), camina (5seg.), camina (5seg), camina (5seg.), camina (5seg), parada (5seg), toma producto (2seg.), camina (5seg.) parada (5seg), camina (5seg.), camina (5seg). Camina= 50seg. Parada = 10seg. Toma Producto = 2seg.

Page 100: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

98

VIDEO Nº 14 Supermercados Albert Praga Repetición de veces Camina, camina, parada, camina, parada, parada, parada, parada, parada, parada, parada, parada, toma producto, parada, parada, toma producto, parada, parada, camina, camina, camina, camina. Camina = 7 Parada = 13 Toma producto =2 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg), camina (5seg.), parada (5seg.), parada (5seg), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg), parada (5seg.), parada (5seg.), toma producto (1seg), parada (5seg.), parada (5seg), toma producto (1seg), parada (5seg.), parada (5seg.), camina (5seg.), camina (5seg), camina (5seg), camina (5seg.). Camina = 35seg. Parada = 65seg. Toma producto = 2seg. VIDEO Nº 15 Zwelarte de compras en el supermercado Repetición de veces Camina, camina, parada, toma producto. Camina = 2 Parada =1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.) parada (4seg.), toma producto (3seg.). Camina = 10seg. Parada = 4seg. Toma producto = 3seg.

Page 101: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

99

VIDEO Nº 16 Supermercados Plus Apesta Repetición de veces Camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, Camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, parada, toma producto, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, parada, toma producto, camina, camina, camina, camina. Camina, camina, camina. Camina = 44 Parada = 2 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg), camina (5seg), camina (5seg), camina (5seg), camina (5seg), camina(5seg), camina(5seg), camina(5seg), camina(5seg.), Camina (5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), parada(5seg.), toma producto(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg), camina(5seg), camina(5seg), camina(5seg), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), parada(5seg.), toma producto(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.). Camina (5seg.), camina (5seg.), camina (5seg.). Camina = 220seg.; 3:40 Parada = 10seg. Toma producto = 10seg. VIDEO Nº 17 Compras supermercados Repetición de veces Camina, camina, parada, toma producto, toma producto, camina, camina, parada, toma producto, parada, toma producto, parada, camina, camina, camina, parada toma producto, camina, camina, parada toma producto, camina, camina, parada, toma producto. Camina = 11 Parado = 7 Toma producto = 7 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg), toma producto (2seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada

Page 102: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

100

(5seg.) toma producto (5seg.), camina (5seg), camina (5seg.), parada (5seg.) toma producto (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg). Camina = 55seg. Parada = 35seg. Toma producto = 32seg. VIDEO Nº 18 Agilizando as Compras no Supermercado Repetición de veces Caminando, camina, parada, toma producto, camina, parada, toma producto, toma producto, camina, camina, camina. Camina = 6 Parada = 2 Toma producto = 3 Tiempo en segundos Caminando (5seg), camina (5seg), parada (5seg), toma producto (5seg), camina (5seg), parada (5seg), toma producto (5seg), toma producto (5seg), camina (5seg), camina (5seg), camina (5seg). Camina = 30seg. Parada = 10seg. Toma producto = 15seg. VIDEO Nº 19 Paz Berti y Mariam Ginnes supermercado chino Repetición de veces Camina, camina, parada, camina, parada, toma producto, camina, parada, camina, camina, parada, toma producto. Camina= 6 Parada = 4 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), camina (5seg.), parada (5seg.), toma producto (2seg.), camina (5seg.), parada (5seg), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg). Camina= 30seg. Parada = 20seg. Toma producto = 5seg.

Page 103: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

101

VIDEO Nº 20 Todos tenemos un supermercado chino a la vuelta Repetición de veces Parada, toma producto, camina, parada, toma producto. Camina = 1 Parada = 2 Toma producto=2 Tiempo en segundos Parada (5seg.), toma producto (3seg.), camina (5seg), parada (5seg.), toma producto (5seg.). Camina = 5seg Parada = 10seg. Toma producto=7seg. VIDEO Nº 21 Compras en supermercado 24h. Repetición de veces Parada, observa cámaras de seguridad, toma producto, camina, camina, parada, camina, camina. Camina = 4 Parada = 2 Observa cámaras = 1 Toma producto = 1 Tiempo en segundos Parada (5seg.), observa cámaras de seguridad (2seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), camina (5seg.), camina (5seg.). Camina = 20seg. Parada = 10seg. Observa cámaras de seguridad= 2 seg. Toma producto = 5seg. VIDEO Nº 22 Pelu y Juancho en el super chino Repetición de veces Camina, camina, camina, observa cámaras de seguridad, parada, toma producto, parada toma producto, camina, camina, camina, camina, camina. Camina = 8 Parada = 2

Page 104: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

102

Observa cámaras de seguridad = 1 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg), camina (5seg), observa cámaras de seguridad (2seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.) Camina = 40seg. Parada = 10seg. Observa cámaras de seguridad = 2seg. Toma producto = 10seg. VIDEO Nº 23 Comprando en el supermercado Repetición de veces Camina, camina, camina, camina, camina, parada, parada, toma producto. Camina = 5 Parada = 2 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.) parada (5seg.), parada (5seg.) toma producto (5seg.), camina (5seg.) Camina =25seg. Parada = 10seg. Toma producto = 5seg. VIDEO Nº 24 David Comprando en el supermercado Repetición de veces Parada, toma producto, camina, camina, parada, toma producto, camina. Camina = 3 Parada = 2 Toma producto = 2 Tiempo en segundos Parada (5seg), toma producto (4seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.).

Page 105: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

103

Camina = 15seg. Parada = 10seg Toma producto = 7seg. VIDEO Nº 25 Compras no supermercado Repetición de veces Camina, camina, camina, camina, parada, toma producto, camina, camina, camina, camina, parada, camina, camina, camina, camina, camina Camina = 13 Parada = 2 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg), camina (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.) Camina = 65seg Parada = 10seg. Toma producto = 5seg. VIDEO Nº 26 Sainsbuys Compras no supermercados Repetición de veces Camina, camina, parada, toma producto, parada, toma producto, parada, camina, parada, toma producto, parada, toma producto, camina, camina, camina, camina, camina, camina. Camina = 9 Parada = 5 Toma producto = 4 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg), toma producto (5seg.), parada (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.) Camina = 45seg. Parada = 25seg. Toma producto = 20seg.

Page 106: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

104

VIDEO Nº 27 De compras em Londres en el Primarax Repetición de veces Camina, parada, toma producto, parada, toma producto, parada, parada, toma producto, parada, parada, parada. Camina = 1 Parado = 7 Toma producto = 3 Tiempo en segundos Camina (6seg.), Parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), parada (5seg.), parada (5seg.). Camina = 6seg. Parada = 35seg Toma producto = 15seg. VIDEO Nº 28 De compras en el súper Repetición de veces Camina, camina, camina, parada, parada, parada, observa cámaras de seguridad, toma producto, camina, camina, camina, camina, camina, camina. Camina = 9 Parada = 2 Observa cámaras de seguridad= 1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (4seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 45seg. Parada = 10seg Observa cámaras de seguridad =4seg. Toma producto = 5seg.

Page 107: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

105

VIDEO Nº 29 De compras en el súper el fin de semana Repetición de veces Camina, camina, parada, toma producto, parada, camina. Camina =3 Parada =2 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), camina (5seg.) Camina =15seg. Parada =10seg. Toma producto = 3seg. VIDEO Nº 30 Haciendo las compras navideñas jajaj Repetición de veces Camina, camina, parada, toma producto, camina Camina = 3 Parada = 1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.) Camina = 15seg Parada = 5seg. VIDEO Nº 31 David dormido comprando galleta Repetición de veces Parada, parada, toma producto, camina. Camina = 1 Parada = 2 Toma producto =1 Tiempo en segundos Parada (4seg.), parada (4seg.), toma producto (3seg.), camina (5seg.).

Page 108: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

106

Camina = 5seg. Parada = 8seg. Toma producto =3seg. VIDEO Nº 32 De compras en culiacan Repetición de veces Camina, camina, parada, toma producto. Camina = 2 Parada =1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (2seg.) Camina = 10seg. Parada =5seg. Toma producto = 2seg. VIDEO Nº 33 En el súper mercado de Bogotá Repetición de veces Camina, camina, camina, camina, parada, toma producto, parada, toma producto, camina, camina. Camina = 6 Parada = 2 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), toma producto (3seg.), camina (5seg.), camina (5seg.). Camina = 30seg. Parada = 10seg Toma producto = 6seg.

Page 109: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

107

VIDEO Nº 34 Mi mercado Repetición de veces Camina, camina, parada, parada, toma producto, camina, camina, parada toma producto, camina, camina. Camina = 6 Parada =3 Toma producto= 2 Tiempo en segundos Camina (5se.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (2seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg.), camina (5seg.), camina (5seg.). Camina = 30seg. Parada =15seg. Toma producto= 5seg. VIDEO Nº 35 No compres demás en el supermercado Repetición de veces Camina, camina, parada, toma producto, camina, parada, toma producto, camina, parada, toma producto, camina. Camina =5 Parada =3 Toma producto = 3 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.). Camina =25seg. Parada =15seg. Toma producto = 6seg. VIDEO Nº 36 Plebita de compras por el centro de culiacan. Repetición de veces Camina, camina, parada, toma producto.

Page 110: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

108

Camina = 2 Parada =1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (4seg), parada (4seg.), toma producto (3seg.). Camina = 9seg. Parada =4seg. Toma producto = 3seg. VIDEO Nº 37 En el súper de compras con mis papis ¡! Repetición de veces Camina, camina, camina, parada, toma producto, toma producto, camina, camina. Camina = 5 Parada = 2 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (2seg.), toma producto (5seg.) camina (5seg.), camina (5seg.). Camina = 25seg. Parada = 10seg. Toma producto = 7seg. VIDEO Nº 38 Supermercado Nordestao e muito legal Repetición de veces Camina, camina, parada, parada, toma producto, camina, camina. Camina =4 Parada =2 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg).

Page 111: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

109

Camina =20seg. Parada =10seg. Toma producto =5seg. VIDEO Nº 39 Yo de compras Repetición de veces Camina, camina, camina, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, camina, camina, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, camina, camina, camina Camina = 8 Parada = 13 Toma producto =13 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (4seg.). Camina = 39seg. Parada = 65seg. Toma producto =65seg. VIDEO Nº 40 Súper mercado Repetición de veces Camina, camina, parada, observa cámaras de seguridad, toma producto, parada toma producto, camina, camina. Camina = 4 Parada = 2 Observa cámaras de seguridad = 1 Toma producto = 2

Page 112: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

110

Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), observa cámaras de seguridad (2seg.), toma producto (2seg.), parada (5seg.), toma producto (2seg), camina (5seg.), camina (5seg.). Camina = 20seg. Parada = 10seg. Observa cámaras de seguridad = 2seg. Toma producto = 4seg. VIDEO Nº 41 Comprando en el supermercado jajaja Repetición de veces Camina, camina, camina, parada, toma producto, camina, camina, parada, parada, toma producto, parada, toma producto, camina, camina. Camina = 7 Parada = 4 Toma producto = 3 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), toma producto (2seg.), camina (5seg.), camina (5seg.) Camina = 35seg. Parada = 20seg. Toma producto = 8seg. VIDEO Nº 42 Comprando Repetición de veces Camina, camina, camina, parada, parada, toma producto, toma producto, camina, camina Camina = 5 Parada =2 Toma producto =2 Tiempo en segundos Camina (3seg.), camina (3seg.), camina (3seg.), parada (2seg.), parada (3seg.), toma producto (4seg.), toma producto (5seg.), camina (3seg.), camina (3seg.).

Page 113: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

111

Camina = 15seg. Parada =5seg. Toma producto =9seg. VIDEO Nº 43 Mi vaca y yo de compras Repetición de veces Camina, camina, camina, camina, parada, observa cámaras de seguridad toma producto, parada, toma producto, parada, parada, parada, parada, toma producto, parada toma producto, camina, camina, camina Camina =7 Parada = 7 Observa cámaras de seguridad =1 Toma producto = 5 Tiempo en segundos Camina (5seg), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), observa cámaras de seguridad (2seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.) toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina =35seg. Parada = 35seg. Observa cámaras de seguridad =2seg. Toma producto = 25seg. VIDEO Nº 44 Celiaca de compras Repetición de veces Parada, parada, toma producto, parada, toma producto, parada, toma producto, parada toma producto, parada, parada, parada, parada, parada, parada, parada, camina, camina, camina, camina, camina, camina, camina, camina, camina. Camina = 10 Parada =11 Toma producto = 4 Tiempo en segundos Parada (5seg.), parada (5seg.), toma producto (2seg.), parada (5seg.), toma producto (2seg.), parada (3seg.), toma producto (5seg.), parada (5seg.) toma producto (5seg.), parada (5seg.), parada (5seg.), parada (7seg.), parada (5seg), parada (5seg.), parada (5seg.), parada (5seg.),

Page 114: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

112

camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 55seg. Parada =62seg. Toma producto = 10seg. VIDEO Nº 45 De compras1 Repetición de veces Camina, parada, camina, parada, toma producto, toma producto, camina, camina, camina, parada, toma producto, camina, camina. Camina = 7 Parada = 3 Toma producto = 3 Tiempo en segundos Camina (5seg.), parada (5seg.), camina (5seg.), parada (4seg), toma producto (2seg.), toma producto (3), camina (5seg.), camina (5seg.), camina (5seg.), parada (4seg.), toma producto (2seg.), camina (5seg.), camina (5seg). Camina = 35seg. Parada = 13seg. Toma producto = 7seg. VIDEO Nº 46 Compras en Roma Repetición de veces Camina, camina, camina, parada, parada, observo cámaras de seguridad, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, toma producto, camina, camina, camina, camina. Camina = 7 Parada = 7 Observo cámaras de seguridad =1 Toma producto=7 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.) parada (5seg.), parada (5seg.), observo cámaras de seguridad (2seg.) toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg), toma producto (5seg.), parada (5seg.),

Page 115: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

113

toma producto (5seg.), parada (5seg), toma producto (5seg), toma producto (5seg,) camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 35seg. Parada = 35seg. Observo cámaras de seguridad = 2seg. Toma producto=35seg. VIDEO Nº 47 De compras en Japón Repetición de veces Camina, camina, camina, camina parada, parada, toma producto, toma producto, camina, camina, camina. Camina = 7 Parada =2 Toma producto =2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.) parada (5seg.), parada (5seg.), toma producto (4seg.), toma producto (4seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 35seg. Parada =5seg. Toma producto =8seg. VIDEO Nº 48 Un día de compras Repetición de veces Camina, camina, camina, camina, parada, parada, toma producto, toma producto, camina. Camina = 5 Parada = 2 Toma producto =2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg), parada (5seg.), toma producto (3seg.), toma producto (4seg.), camina (5seg.) Camina = 25seg. Parada = 10seg. Toma producto =7seg.

Page 116: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

114

VIDEO Nº 49 Lucía y yo de compras. Repetición de veces Camina, camina, camina, camina, camina, camina, camina, parada, toma producto, camina. Camina =8 Parada = 1 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada, (5seg.) toma producto (2seg), camina (5seg.). Camina =40seg. Parada = 5seg Toma producto =2seg. VIDEO Nº 50 Vamos as compras. Repetición de veces Camina, parada, camina, camina, parada, toma producto, camina. Repetición de veces Camina =4 Parada = 2 Toma producto =1 Tiempo en segundos Camina (5seg.), parada (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (2seg), camina (5seg.). Camina =20seg. Parado = 10seg. Toma producto =2seg. VIDEO Nº 51 Vamos fazer compras?? Repetición de veces Camina, camina, camina, parada, toma producto, parada toma producto, camina.

Page 117: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

115

Camina =4 Parada = 2 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (4seg), toma producto (2seg.), parada (4seg.) toma producto (2seg.), camina (5seg.) Camina =20seg. Parado = 8seg. Toma producto = 4seg. VIDEO Nº 52 Sabe fazer compras. Repetición de veces Camina, camina, parada, toma producto, camina, camina, parada, parada, camina, camina. Camina = 5 Parada = 3 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), parada (5seg), parada (5seg.), camina (5seg.), camina (5seg.). Camina = 25seg. Parada = 15seg. Toma producto = 5seg. VIDEO Nº 53 Fazenco compras?! Repetición de veces Camina, camina, parada, toma producto, parada, parada, parada toma producto, camina, camina Camina = 4 Parada =4 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg), toma producto (5seg), parada (5seg.), parada (5seg.), para (5seg), toma producto (5seg.), camina (5seg.), camina (5seg.).

Page 118: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

116

Camina = 20seg. Parada =20seg. Toma producto = 9seg. VIDEO Nº 54 Supermercado Día. Repetición de veces Camina, camina, parada, toma producto, camina, camina, camina, parada, camina, camina Camina = 7 Parada = 2 Toma producto= 1 Tiempo en segundos Camina (5seg,), camina (5seg.), parada (5seg.), toma producto (2seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), camina (5seg.), camina (5seg.). Camina = 35seg. Parada = 10seg. Toma producto= 2seg. VIDEO Nº 55 Hanneke Jainita y yo de compras. Repetición de veces Camina, camina, camina, parada, parada, toma producto, toma producto, parada, camina, camina. Camina = 5 Parada = 3 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (4seg.), toma producto (5seg.), parada (5seg.), camina (5seg.), camina (5seg.). Camina = 25seg. Parada = 15seg. Toma producto = 9seg. VIDEO Nº 56 De compras en el supermercado.3gp Repetición de veces Camina, camina, camina, camina, camina, camina, parada, toma producto, camina, camina.

Page 119: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

117

Camina = 8 Parada =1 Toma producto = 1 Tiempo en segundos Camina, camina, camina, camina, camina, camina, parada, toma producto, camina, camina. Camina = 40seg. Parada =10seg. Toma producto = 10seg Total tiempo = 0:60seg. VIDEO Nº 57 Abril de compras. Repetición de veces Camina, camina, camina, parada, parada, toma producto, parada, toma producto. Camina = 3 Parada = 3 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.). Camina = 15seg. Parada = 15seg. Toma producto = 10seg. VIDEO Nº 58 Comportamiento de compra Repetición de veces Parada, parada, camina, parada, toma producto, camina. Parada = 3 Camina =2 Toma producto = 1 Tiempo en segundos Parada (3seg), parada (3seg.), camina (4seg.), parada (3seg.), toma producto (3seg.), camina (4seg.).

Page 120: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

118

Parada = 9seg. Camina =8seg Toma producto = 3seg. VIDEO Nº 59 Vamos de compras. wnm . Repetición de veces Camina, camina, parada, toma producto, parada, toma producto, parada, toma producto, parada toma producto, parada, toma producto, parada, toma producto, camina, camina, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, camina Camina = 5 Parada = 10 Toma producto =10 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg), parada (5seg), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.) , camina (5seg.), camina (5seg), parada (5seg), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.). Camina = 25seg, Parada = 50seg. Toma producto =50seg. VIDEO Nº 60 Niños de compras en el supermercado. Repetición de veces Camina, camina, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto. Camina = 2 Parada = 5 Toma producto = 5 Tiempo en segundos Camina (2seg.), camina (3seg.), parada (3seg.), toma producto (3seg.), parada (3seg.), toma producto (3seg.), parada (3seg.), toma producto (3seg.), parada (3seg.), toma producto (3seg.), parada (3seg.), toma producto (3seg.).

Page 121: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

119

Camina = 5seg. Parada = 15seg. Toma producto = 15seg. VIDEO Nº 61 Los Hippies del plus en el supermercado. Repetición de veces Camina, parada, toma producto, camina, toma producto, parada, toma producto, camina, camina, parada. Camina = 4 Parada =3 Toma producto =3 Tiempo en segundos Camina (3seg.), parada (3seg.), toma producto (3seg), camina (3seg.), toma producto (3seg.), parada (3seg.), toma producto (3seg.), camina (3seg.), camina (3seg.), parada (3seg.). Camina = 12seg. Parada =9seg. Toma producto =10 Total tiempo = 0:31seg. VIDEO Nº 62 Supermercado CAPRABO. Repetición de veces Parada, camina, camina, camina, parada, parada, toma producto, parada, toma producto, camina, parada toma producto, camina, camina, camina. Camina =7 Parada =5 Toma producto =3 Tiempo en segundos Parada (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), toma producto (2seg.), parada (5seg.), toma producto (3seg), camina (5seg.), parada (5seg.) toma producto (2seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina =35seg. Parada =25seg. Toma producto =7seg.

Page 122: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

120

VIDEO Nº 63 Compras en supermercado 24H. Repetición de veces Camina, camina, camina, parada, parada, observa cámaras de seguridad, toma producto, camina. Camina = 4 Parada = 2 Observa cámaras de seguridad = 1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (2seg.) toma producto (5seg.), camina (5seg.). Camina = 20seg. Parada = 10seg. Observa cámaras de seguridad =2seg Toma producto = 5seg. VIDEO Nº 64 Erasmo Bari 2009. Repetición de veces Camina, camina, camina parada, parada, parada, toma producto, camina, camina, camina, parada, toma producto, parada, parada, parada, toma producto, camina, camina, camina parada, toma producto, camina, camina, camina, camina, camina. Camina =14 Parada =8 Toma producto = 4 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.) , toma producto (5seg), camina (5seg.), camina (5seg.), camina (5seg,), camina (5seg.), camina (5seg.). Camina =70seg. Parada =40seg. Toma producto = 19seg.

Page 123: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

121

VIDEO Nº 65 Compras en el Supermercado, Ke más conoce. Repetición de veces Camina, camina, parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, parada, parada, parada, parada, parada, parada, parada, parada, toma producto, parada, parada, parada, toma producto, parada, parada, parada, parada, camina, camina. Camina = 4 Parada =18 Toma producto=6 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg) , toma producto (5seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada(5seg.), toma producto (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), camina (5seg.), camina (5seg.). Camina = 20seg. Parada =90seg. Toma producto=17seg. VIDEO Nº 66 Xavi y Alonso Silva. Repetición de veces Parada, parada, camina, camina, parada, toma producto, parada, toma producto, toma producto, parada, toma producto, parada, parada, parada, toma producto, parada, camina, camina. Camina = 4 Parada = 9 Toma producto = 5 Tiempo en segundos Parada (5seg.), parada (5seg.), camina (5seg.), camina (5seg.), parada (2seg), toma producto (2seg.), parada (2seg.), toma producto (2seg.), toma producto (2seg.), parada (5seg.), toma producto (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (2seg.), parada (5seg.), camina (5seg.), camina (5seg.).

Page 124: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

122

Camina = 20seg. Parada = 45seg. Toma producto = 10seg. VIDEO Nº 67 Rebelde Way y camila de compras. Repetición de veces Camina, camina, camina, parada, toma producto, toma producto, camina, camina, parada, toma producto, parada, toma producto, camina, camina. Camina =7 Parada =3 Toma producto =4 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), toma producto (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (3seg.), parada (5seg.), toma producto (3seg.), camina (5seg.), camina (5seg.). Camina =35seg. Parada =15seg Toma producto =16seg. VIDEO Nº 68 Supermercadoreco. Repetición de veces Camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, parada, toma producto, parada, toma producto, parada toma producto, camina, camina. Camina =15 Parada =3 Toma producto =3 Tiempo en segundos Camina (5seg.), camina (5seg,), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (2seg.), parada (5seg.), toma producto (2seg.), parada toma producto (3seg.), camina (5seg.), camina (5seg.). Camina =75seg. Parada =15seg. Toma producto =7seg

Page 125: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

123

VIDEO Nº 69 Cobrate tu mismo. Repetición de veces Camina, camina, camina, camina, parada, toma producto, parada, parada, parada, parada, camina, camina. Camina = 6 Parada =5 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), camina (5seg.), camina (5seg.) Camina = 30seg. Parada =25seg. Toma producto =5seg. VIDEO Nº 70 Supermercado día domingo, certo!. Repetición de veces Parada, toma producto, parada, toma producto, parada, toma producto, parada, toma producto, camina, camina. Camina = 2 Parada = 4 Toma producto =4 Tiempo en segundos Parada (5seg.), toma producto (2seg), parada (5seg.), toma producto (2seg.), parada (5seg.), toma producto (1seg.), parada (5seg.), toma producto (1seg.), camina (5seg.), camina (5seg.). Camina = 10seg. Parada = 20seg. Toma producto = 6seg.

Page 126: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

124

Detalle de la secuencia y el tiempo de los estados observados en 70 videos de hurto VIDEO Nº 1 Robo supermercado Repetición de veces Camina, camina, camina, camina, camina, camina, parada, parada, parada, observa cámaras de seguridad, toma producto, toma producto, camina. Camina=7 Parada=1 Observa cámaras de seguridad=1 Toma producto=2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1s), toma producto (2seg.), toma producto (2seg.), camina (3seg.). Camina=33seg. Parada= 15seg. Observa cámaras de seguridad=1seg. Toma producto= 4seg. VIDEO Nº 2 Robo en supermercados Bryan (1er persona) Repetición de veces Camina, camina, parada, camina, camina, parada, camina, camina, parada, parada, parada, toma producto, toma producto, camina, parada, parada, camina, parada, parada, toma producto, camina, parada, parada, parada, camina, parada, camina, camina, parada, toma producto, camina, parada, camina, camina, camina. Camina=16 Parada=15 Toma producto=4 Tiempo en segundos Camina(5seg.), camina(1seg.), parada(2seg), camina(5seg.), camina(1seg.), parada(4seg), camina(5seg.), camina(1seg.), parada(5seg.), parada(5seg.), parada(2s), toma producto(5seg.), toma producto(4seg.), camina(4seg.) parada(5seg.), parada(4seg.), camina(4seg.), parada(5seg.), parada(3seg.), toma producto(5seg.), camina(3seg.), parada(5seg.), parada(5seg.), parada(3seg.), camina(5seg.), parada(4seg.), camina(5seg.), camina(1seg.), parada(4seg.), toma producto(5seg.), camina(5seg.), parada(4seg.), camina(5seg.), camina(5seg.), camina(2seg.).

Page 127: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

125

Camina=57seg. Parada=60seg. ; 1 Toma producto=19seg. VIDEO Nº 3 Robo en supermercados Bryan (2da persona) Repetición de veces Camina, observa cámaras, parada, camina, observa cámaras de seguridad, parada, parada, toma producto, camina, camina, parada. Camina=4 Parada= 4 Observa cámaras de seguridad=2 Toma producto=1 Tiempo en segundos Camina (4seg.), observa cámaras de seguridad (1seg.), parada (1seg.), camina (5seg.), observa cámaras (1seg.), parada (5seg.), parada (4seg.), toma producto (5seg.), camina (5seg.), camina (3seg.), parada (4seg.). Camina=17seg. Parada= 14seg. Observa cámaras de seguridad=2seg. Toma producto=5seg. VIDEO Nº 4 Robo en supermercados Bryan (3ra persona) Repetición de veces Camina, camina, parada, toma producto, camina, camina, parada, camina. Camina=5 Parada=2 Toma producto=1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (2seg.), toma producto (3seg.), camina (5seg.), camina (3seg.), parada (2seg.), camina (2seg.). Camina=20seg. Parada=4seg. Toma producto=3seg.

Page 128: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

126

VIDEO Nº 5 ladrona de la boca Repetición de veces Parada, parada, parada, camina, toma producto, parada, parada, camina , toma producto, camina, camina, parada, camina, parada, camina, camina, camina, parada, camina, parada, toma producto, camina, camina, parada, toma producto, parada, toma producto, parada, parada, camina, camina, parada, parada, parada, toma producto, camina, parada, camina, parada, toma producto, camina, camina. Camina =17 Parada = 18 Toma producto =7 Tiempo en segundos Parada (5seg.), parada (5seg.), parada (3seg.), camina (1seg.), toma producto (4seg.), parada (5seg.), parada (1seg.), camina (3seg.), toma producto (1seg.), camina (5seg.), camina (3seg.), parada (3seg.), camina (5seg.), parada (1seg.), camina (5seg.), camina (5seg.), camina (1seg.), parada (1seg.), camina (1seg.), parada (1seg.), toma producto (1seg.), camina (5seg.), camina (4seg.), parada (2seg.), toma producto (1seg.), parada (2seg.), toma producto (1seg.), parada (5seg.), parada (2seg.), camina (5seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (1seg.), toma producto (2seg.), camina (5seg.), parada (2seg.), camina (5seg.), parada (5seg.), toma producto (2seg.), camina (5seg.), camina (1seg.). Camina = 61seg.; 1:01 Parada =54seg. Toma producto = 12seg. VIDEO Nº 6 Ladrona de la boca 2 Repetición de veces Camina, parada, camina, camina, parada , toma producto, toma producto , toma producto, observa cámaras de seguridad, camina, parada , camina , parada, parada, camina , parada , camina , parada , parada , parada , parada , parada , parada , camina , camina , parada, parada , parada , parada , parada, parada, parada, parada , parada , parada , parada , parada , parada , camina. Camina=10 Parada=25 Observa cámaras de seguridad=1 Toma producto=3

Page 129: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

127

Tiempo en segundos Camina (3seg.), parada (1seg.), camina (3seg.), camina (2seg.), parada (3seg.), toma producto (5seg.), toma producto (3seg.), toma producto (3seg.), observa cámaras de seguridad (1seg.), camina (2seg.), parada (2seg.), camina (3seg.), parada(5seg.), parada(1seg.), camina (3seg.), parada (5seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (2seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (2seg.). Camina=23seg. Parada=108seg.; 1:48 Observa cámaras de seguridad=1seg. Toma producto=11seg. VIDEO Nº 7 Robo de latas de atún Repetición de veces Camina, camina, observa cámaras de seguridad, parada, toma producto, parada, toma producto, camina, camina. Camina=4 Observa cámaras de seguridad =1 Parada=2 Toma producto=2 Tiempo en segundos Camina (5seg.), camina (5seg), observa cámaras de seguridad (2seg), parada (5seg), toma producto (2seg.), parada (5seg), toma producto (2seg), camina (5seg), camina (5seg.). Camina=20seg. Observa cámaras de seguridad =2seg. Parada=10seg Toma producto=4seg. VIDEO Nº 8 Amas de casa encargan robos Repetición de veces Camina, camina, camina, parada, parada, observa cámaras, parada, toma producto, camina, camina.

Page 130: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

128

Camina = 5 Parada = 3 Observa cámaras de seguridad = 1 Toma producto=1 Tiempo en segundos Camina (5seg.), camina (5seg), camina (5seg), parada (5seg), parada (5seg.), observa cámaras (5seg), parada (5seg) toma producto (12seg), camina (5seg.), camina (5seg). Camina= 25seg. Parada = 15seg. Observa cámaras de seguridad = 5seg. Toma Producto = 12seg. VIDEO Nº 9 Como robar en un Supermercado Repetición de veces Camina, camina, observa cámaras, parada, toma producto, observa cámaras, parada, toma producto, camina. Camina = 3 Parada = 2 Observa cámaras de seguridad = 2 Toma producto=2 Tiempo en segundos Camina (5seg.), camina (5seg.), observa cámaras (1seg.), parada (4seg.), toma producto (2seg.), observa cámaras (1seg.), parada (3seg.), toma producto (10seg.), camina (3seg.). Camina = 13seg. Parada = 7seg. Observa cámaras de seguridad = 2seg. Toma producto= 10seg. VIDEO Nº 10 Robo a un supermercado Repetición de veces Camina, camina, camina, parada, parada, toma producto (dinero) observa cámaras de seguridad, parada, parada, parada, toma producto, parada, parada, camina, camina, camina.

Page 131: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

129

Camina = 6 Parada = 7 Observa cámaras de seguridad = 1 Toma Producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg), parada (5seg.), toma producto (7seg.) observa cámaras de seguridad (3seg.), parada (7seg.), parada (5seg.), parada (5seg.), toma producto (7seg.), parada (5seg.), parada (5seg.), camina (5seg.), camina 5seg.), camina (5seg.). Camina = 30seg. Parada = 37seg. Observa cámaras de seguridad = 5seg. Toma Producto = 14seg. VIDEO Nº 11 Zwelarte robo en el supermercado Repetición de veces Camina, parada, toma producto. Camina = 1 Parada = 1 Toma Producto = 1 Tiempo en segundos Camina (5seg.), parada (5seg.), toma producto (7seg.). Camina = 5seg. Parada = 5seg. Toma producto = 7seg. VIDEO Nº 12 Robo en el Supermercado Repetición de veces Camina, camina, parada, parada, parada, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, observa cámaras de seguridad, parada, parada, toma producto, camina, camina, camina, camina. Camina = 6 Parada = 11 Observa cámaras de seguridad = 2 Toma Producto = 2

Page 132: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

130

Tiempo en segundos Camina(7seg.), camina (5seg.), parada (5seg.) , parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg), parada (5seg), observa cámaras de seguridad (3seg.), toma producto (7seg.), observa cámaras de seguridad ( 3seg.) parada (5seg.), parada (5seg), toma producto (7seg.) camina (5seg), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 32seg. Parada = 55seg. Observa cámaras de seguridad = 6seg. Toma producto = 12seg. VIDEO Nº 13 Robo Supermercados Repetición de veces Camina, camina, parada, observa cámaras de seguridad, parada, parada, toma producto, camina, camina, toma producto camina. Camina = 5 Parada = 3 Observa cámaras de seguridad = 1 Toma Producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (5seg.), observa cámaras de seguridad (4seg.), parada (5seg.), parada (5seg), toma producto (5seg), camina (5seg.), camina (5seg.), toma producto (5seg.) camina (5seg.). Camina = 25seg. Parada = 15seg. Observa cámaras de seguridad 4seg. Toma producto = 10seg. VIDEO Nº 14 Robo en Supermercados 2 Repetición de veces Camina, camina, camina, camina, camina, camina, parada, parada, parada, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, observa cámaras de seguridad, parada, toma producto, parada, toma producto camina, camina, camina, camina.

Page 133: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

131

Camina = 10 Parada = 11 Observa cámaras de seguridad = 2 Toma Producto = 3 Tiempo en segundos Camina (7seg), camina (5seg.), camina(7seg), camina (5seg.), camina(7seg), camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg), parada (5seg), observa cámaras de seguridad (3seg.), toma producto (7seg.), observa cámaras de seguridad ( 3seg.) parada (5seg.), toma producto (7seg) parada (5seg), toma producto (3seg.) camina (5seg), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 50seg. Parada = 55seg. Observa cámaras de seguridad = 6seg. Toma producto = 17seg. VIDEO Nº 15 Robo Pate en Supermercado Repetición de veces Camina, camina, camina, camina, parada, observa cámaras de seguridad, camina, camina, camina, parada, toma producto, camina. Camina = 8 Parada = 2 Observa cámaras de seguridad = 1 Toma Producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg), parada (5seg.), observa cámaras de seguridad (4seg.), camina (5seg), camina (5seg.), camina (5seg.) parada (5seg.), toma producto (6seg.), camina (5seg.). Camina = 40seg. Parada = 10seg. Observa cámaras de seguridad 4seg. Toma producto = 6seg.

Page 134: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

132

VIDEO Nº 16 Robo Mynisuper Repetición de veces Camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, observa cámaras de seguridad, parada, parada, toma producto, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, observa cámaras de seguridad, parada, parada, toma producto, camina, camina, camina, camina, camina. Camina = 30 Parada = 4 Observa cámaras de seguridad = 2 Toma producto = 2 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg), camina (5seg), camina (5seg.), camina (5seg), camina (5seg.), camina (5seg.), camina (5seg.), observa cámaras de seguridad (3seg.), parada (5seg.), parada (5seg.), toma producto (10seg), camina (5seg.), camina (5seg), camina (5seg.), camina (5seg), camina (5seg.), camina (5seg.), camina 5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg), observa cámaras de seguridad (3seg.) parada (5seg.), parada (5seg.), toma producto (10seg), camina (5seg), camina (5seg), camina (5seg), camina (5seg). Camina = 150seg. ; 2:30 Parada = 20seg. Observa cámaras de seguridad = 6seg. Toma producto = 20seg. VIDEO Nº 17 Robo supermercado (viejito) Repetición de veces Camina, parada, camina, camina, parada, parada, parada, camina, parada, parada, camina, camina, camina, observa cámaras, toma producto, observa cámaras. Camina = 7 Parada = 6 Observa cámaras de seguridad = 2 Toma producto = 1

Page 135: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

133

Tiempo en segundos Camina (3seg.), parada (4seg.), camina (5seg.), camina (4seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (2seg.), parada (5seg.), parada (3seg.), camina (5seg.), camina (5seg.), camina (2seg.), observa cámaras (1seg.), toma producto (2seg.), observa cámaras (1seg.). Camina = 26seg. Parada = 25seg. Observa cámaras de seguridad = 2seg. Toma producto = 2seg. VIDEO Nº 18 Robo paletilla ibérica en supermercado Repetición de veces Camina, parada, parada, parada, camina, camina, parada, camina, parada, camina, parada, parada, toma producto, camina, parada, observa cámaras, parada, parada, parada, observa cámaras, parada, parada, parada. Camina =6 Parada =14 Observa cámaras de seguridad =2 Toma producto =1 Tiempo en segundos Camina (3seg.), parada (5seg.), parada (5seg.), parada (2seg.), camina (5seg.), camina (1seg.), parada (1seg.), camina (5seg.), parada (1seg.), camina (2seg.), parada (5seg.), parada (2seg.), toma producto (3seg.), camina (3seg.), parada (4seg.), observa cámaras (1seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras (1seg.), parada (5seg.), parada (5seg.), parada (3seg.). Camina = 21seg. Parada = 50seg. Observa cámaras de seguridad =2seg. Toma producto =3seg. VIDEO Nº 19 Robo zumo supermercados Repetición de veces Camina, parada, parada, camina, camina, camina, camina, parada, camina, camina, parada, parada, parada, camina, parada, observa cámaras, parada, observa cámaras, toma producto, camina, camina, parada, parada, camina.

Page 136: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

134

Camina = 11 Parada = 10 Observa cámaras de seguridad = 1 Toma producto = 1 Tiempo en segundos Camina (1seg.), parada (5seg.), parada (4seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (4seg.), parada (1seg.), camina (5seg.), camina (6seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (2seg.), parada (2seg.), observa cámaras (1seg.), parada (5seg.), observa cámaras (1seg.), toma producto (1seg.), camina (5seg.), camina (1seg.), parada (5seg.), parada (2seg.), camina (1seg.). Camina = 35seg. Parada = 37seg. Observa cámaras de seguridad = 2seg. Toma producto = 1seg. VIDEO Nº 20 Ladrón café Repetición de veces Camina, camina, camina, parada, camina, parada, camina, camina, parada, observa cámaras, toma producto, parada, parada, parada, parada, parada, observa cámaras, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, camina, camina, camina, camina, camina, camina. Camina = 12 Parada = 18 Observa cámaras de seguridad = 2 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (2seg.), parada (1seg.), camina (4seg.), parada (4seg.), camina (5seg.), camina (2seg.), parada (4seg.), observa cámaras (1seg.), toma producto (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina = 61seg. ; 1:01 Parada = 78seg. ; 1:18 Observa cámaras de seguridad = 2seg. Toma producto = 2seg.

Page 137: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

135

VIDEO Nº 21 Ladrón de axe Repetición de veces Camina, camina, parada, camina, camina, parada, camina, camina, toma producto, camina, observa cámaras, camina. Camina = 8 Parada = 2 Observa cámaras de seguridad = 1 Toma producto = 1 Tiempo en segundos Camina (5seg.), camina (5seg.), parada (2seg.), camina (5seg.), camina (3seg.), parada (2seg.), camina (5seg.), camina (1seg.), toma producto (2seg.), camina (3seg.), observa cámaras (1seg.), camina (1seg.). Camina = 31seg. Parada = 4seg. Observa cámaras de seguridad =1seg. Toma producto = 2seg. VIDEO Nº 22 Cámara de seguridad Repetición de veces Parada, observa cámaras, toma producto, parada, observa cámaras, parada, toma producto, camina, camina. Camina = 2 Parada = 3 Observa cámaras de seguridad = 2 Toma producto =2 Tiempo en segundos Parada (5seg.), observa cámaras (5seg.), toma producto (3seg.), parada (4seg.), observa cámaras (3seg.), parada (2seg.), toma producto (4seg.), camina (5seg.), camina (1seg.). Camina = 6seg. Parada = 11seg. Observa cámaras de seguridad = 8seg. Toma producto = 7seg.

Page 138: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

136

VIDEO Nº 23 Robo a un supermercado por un niño Repetición de veces Camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, observa cámaras de seguridad, parada, parada, toma producto, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina, camina. Camina=25 Observa cámaras = 1 Parada=2 Toma producto=1 Tiempo en segundos Camina (5seg), camina (5seg), camina (5seg), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg), camina (5seg.), camina (5seg.), camina (5seg), observa cámaras de seguridad (5seg) , parada (5seg.), parada (5seg), toma producto (5seg), camina (5seg.), camina (5seg.), camina(5seg.), camina(5seg), camina(5seg), camina(5seg), camina (5seg), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg.), camina(5seg), camina(5seg). Camina=125seg. ;2:05 Observa cámaras = 5seg. Parada=10seg. Toma producto=5seg VIDEO Nº 24 El expediente informe de las mecheras (1er persona) Repetición de veces Parada, observa cámaras de seguridad, toma producto, parada, parada, observa cámaras de seguridad, toma producto, parada, observa cámaras de seguridad, toma producto, parada, parada, parada, observa cámaras de seguridad, toma producto, parada, parada, observa cámaras, parada, parada, observa cámaras de seguridad, toma producto, parada, parada, camina. Camina =1 Parada =13 Observa cámaras de seguridad =6 Toma producto =5 Tiempo en segundos Parada (4seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (6seg.), observa cámaras de seguridad (5seg.), toma producto (1seg.), parada (5seg.), parada (5seg.),

Page 139: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

137

parada (4seg.), observa cámaras de seguridad (3seg.), toma producto (2seg.), parada (5seg.), parada (5seg.),observa cámaras de seguridad(1seg.), parada (5seg.), parada (4seg.), observa cámaras de seguridad (5seg.), toma producto (1seg.), parada (5seg.), parada (1seg.), camina (2seg.). Camina = 2seg. Parada = 57seg. Observa cámaras de seguridad =16seg. Toma producto =7seg. VIDEO Nº 25 El expediente informe de las mecheras (2da persona) Repetición de veces Camina, camina, toma producto, parada, camina, parada, parada, parada, parada, camina, observa cámaras de seguridad, camina, camina, toma producto, parada, camina, parada, camina. Camina =8 Parada = 7 Observa cámaras de seguridad =1 Toma producto =2 Tiempo en segundos Camina (5seg.), camina (5seg.), toma producto (3seg.), parada (2seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (1seg.), camina (2seg.), observa cámaras de seguridad (2seg.), camina (5seg.), camina (4seg.), toma producto (2seg.), parada (1seg.), camina (1seg.), parada (1seg.), camina (4seg.). Camina =27seg. Parada =20seg. Observa cámaras de seguridad =2seg. Toma producto =5seg. VIDEO Nº 26 El expediente informe de las mecheras (3er persona) Repetición de veces Camina, parada, parada, camina, camina, parada, observa cámaras de seguridad, camina, camina, toma producto, camina. Camina = 6 Parada =3 Observa cámaras de seguridad =1 Toma producto =1

Page 140: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

138

Tiempo en segundos Camina (3seg.), parada (5seg.), parada (5seg.), camina (3seg.), camina (1seg.), parada (1seg.), observa cámaras de seguridad (1seg.), camina (5seg.), camina (2seg.), toma producto (1seg.), camina (5seg.). Camina =19seg. Parada =11seg. Observa cámaras de seguridad =1seg. Toma producto =1seg. VIDEO Nº 27 Ladrón como se roba en supermercado (1er persona) Repetición de veces Camina, parada, observa cámaras de seguridad, toma producto, camina, parada, observa cámaras de seguridad, toma producto, parada, observa cámaras de seguridad, toma producto, camina, parada, camina, observa cámaras de seguridad, toma producto, camina, camina, camina, toma producto, parada, camina, camina, camina, parada, camina, camina, parada, parada, camina. Camina =13 Parada = 8 Observa cámaras de seguridad =4 Toma producto =4 Tiempo en segundos Camina (2seg.), parada (2seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (2seg.), parada (2seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (2seg.), parada (1seg.), camina (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), camina (3seg.), toma producto (1seg.), parada (1seg.), camina (5seg.), camina (5seg.), camina (2seg.), parada (2seg.), camina (5seg.), camina (2seg.), parada (5seg.), parada (4seg.), camina (3seg.). Camina =42seg. Parada =18seg. Observa cámaras de seguridad =4seg. Toma producto =5seg.

Page 141: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

139

VIDEO Nº 28 Ladrón como se roba en supermercado (2da persona) Repetición de veces Camina, camina, camina, parada, camina, parada, camina, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, camina, parada, camina, parada, camina, parada, parada, camina, parada, camina, parada, parada, parada, camina. Camina =11 Parada =12 Observa cámaras de seguridad =2 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (3seg.), parada (1seg.), camina (1seg.), parada (1seg.), camina (1seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (1seg.), parada (1seg.), camina (1seg.), parada (5seg.), camina (4seg.), parada (5seg.), parada (5seg.), camina (2seg.), parada (1seg.), camina (4seg.), parada (5seg.), parada (5seg.), parada (1seg.), camina (1seg.). Camina =28seg. Parada =35seg. Observa cámaras de seguridad =2seg. Toma producto =1seg. VIDEO Nº 29 Robando en el súper D Repetición de veces Camina, observa cámaras, camina, observa cámaras de seguridad, parada, toma producto, camina. Camina =3 Parada =1 Observa cámaras de seguridad =2 Toma producto =1 Tiempo en segundos Camina (3seg.), observa cámaras de seguridad (1seg.), camina (2seg.), observa cámaras de seguridad (1seg.), parada (2seg.), toma producto (1seg.), camina (4seg.). Camina = 9seg. Parada = 2seg. Observa cámaras de seguridad =2seg. Toma producto =1seg.

Page 142: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

140

VIDEO Nº 30 Robando en el súper P Repetición de veces Camina, parada, observa cámaras de seguridad, toma producto, camina. Camina =2 Parada = 1 Observa cámaras de seguridad =1 Toma producto =1 Tiempo en segundos Camina (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (4seg.). Camina =9seg. Parada =3seg. Observa cámaras de seguridad =1seg. Toma producto =1seg. VIDEO Nº 31 Voz off robo en tiendas Repetición de veces Parada, parada, camina, parada, toma producto, camina, parada, parada, camina, parada, parada, camina, parada, camina, parada, camina, parada, parada, observa cámaras de seguridad, toma producto, parada, parada, camina, toma producto, parada, parada. Camina = 7 Parada =14 Observa cámaras de seguridad =1 Toma producto = 3 Tiempo en segundos Parada (5seg.), parada (3seg.), camina (4seg.), parada (3seg.), toma producto (1seg.), camina (2seg.), parada (5seg.), parada (5seg.), camina (1seg.), parada (5seg.), parada (2seg.), camina (1seg.), parada (1seg.), camina (4seg.), parada (1seg.), camina (3seg.), parada (5seg.), parada (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (5seg.), parada (5seg.), camina (1seg.), toma producto (2seg.), parada (5seg.), parada (2seg.). Camina =16seg. Parada =53seg. Observa cámaras de seguridad =1seg. Toma producto =4seg.

Page 143: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

141

VIDEO Nº 32 Robo en Zabinas Hidalgo Repetición de veces Camina, parada, parada, parada, observa cámaras de seguridad, parada, observa cámaras de seguridad, camina, parada, camina, parada, camina, parada, toma producto, toma producto, toma producto, parada, parada, camina, parada, parada, camina, parada, parada, parada, toma producto, toma producto, observa cámaras de seguridad, camina. Camina =7 Parada =14 Observa cámaras de seguridad =3 Toma producto =5 Tiempo en segundos Camina (1seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras de seguridad (2seg.), parada (1seg.), observa cámaras de seguridad (1seg.), camina (1seg.), parada (5seg.), camina (5seg.), parada (5seg.), camina (5seg.), parada (1seg.), toma producto (3seg.), toma producto (4seg.), toma producto (3seg.), parada (5seg.), parada (4seg.), camina (1seg.), parada (5seg.), parada (2seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (1seg.), toma producto (3seg.), toma producto (3seg.), observa cámaras de seguridad (1seg.), camina (1seg.). Camina =16seg. Parada =51seg. Observa cámaras de seguridad =4seg. Toma producto =16seg. VIDEO Nº 33 Robo jabón Josefa Repetición de veces Camina, parada, camina, parada, camina, toma producto, parada, camina, parada, camina. Camina =5 Parada = 4 Toma producto =1 Tiempo en segundos Camina (3seg.), parada (1seg.), camina (5seg.), parada (1seg.), camina (2seg.), toma producto (1seg.), parada (1seg.), camina (2seg.), parada (1seg.), camina (2seg.). Camina = 14seg. Parada = 4seg. Toma producto =1seg.

Page 144: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

142

VIDEO Nº 34 Roba en supermercado y lo esconde bajo la falda Repetición de veces Camina, parada, parada, camina, parada, parada, parada, observa cámaras de seguridad, toma producto, parada, camina, parada, parada, observa cámaras de seguridad, toma producto, parada, parada, toma producto, parada, toma producto, parada, toma producto, parada, camina, parada, parada, camina, parada, parada, camina. Camina = 6 Parada =17 Observa cámaras de seguridad =2 Toma producto =5 Tiempo en segundos Camina (3seg.), parada (5seg.), parada (1seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (4seg.), camina (2seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (5seg.), parada (5seg.), toma producto (1seg.), parada (2seg.), toma producto (1seg.), parada (4seg.), toma producto (1seg.), parada (4seg.), camina (3seg.), parada (5seg.), parada (1seg.), camina (1seg.), parada (5seg.), parada (1seg.), camina (2seg.). Camina = 15seg. Parada =63seg. ; 1:03 Observa cámaras de seguridad =2seg. Toma producto =5seg. VIDEO Nº 35 Robo 2 parte comida de pasteles y robo de queso Repetición de veces Camina, parada, parada, toma producto, toma producto, camina, parada, parada, camina, parada, parada, parada, parada, toma producto, camina, camina. Camina =5 Parada =8 Toma producto = 3 Tiempo en segundos Camina (2seg.), parada (5seg.), parada (2seg.), toma producto (1seg.), toma producto (1seg.), camina (3seg.), parada (5seg.), parada (5seg.), camina (4seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (1seg.), toma producto (3seg.), camina (5seg.), camina (1seg.).

Page 145: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

143

Camina =15seg. Parada = 33seg. Toma producto =5seg. VIDEO Nº 36 Robo en la meca Repetición de veces Camina, parada, toma producto, camina, parada, camina, parada, camina. Camina =4 Parada =3 Toma producto =1 Tiempo en segundos Camina (2seg.), parada (3seg.), toma producto (2seg.), camina (3seg.), parada (4seg.), camina (3seg.), parada (1seg.), camina (2seg.). Camina =10seg. Parada =8seg. Toma producto =2seg. VIDEO Nº 37 Robo supermercado viejita Repetición de veces Camina, parada, camina, parada, camina, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, camina, parada, camina, camina, parada, parada, parada, parada, camina, camina. Camina =8 Parada =8 Observa cámaras de seguridad =2 Toma producto =1 Tiempo en segundos Camina (3seg.), parada (3seg.), camina (5seg.), parada (3seg.), camina (3seg.), parada (4seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (3seg.), parada (1seg.), camina (3seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (4seg.), camina (5seg.), camina (1seg.). Camina =26seg. Parada =30seg. Observa cámaras de seguridad =2seg. Toma producto =1seg.

Page 146: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

144

VIDEO Nº 38 Robo supermercado señor joven Repetición de veces Camina, parada, parada, parada, observa cámaras de seguridad, camina, parada, parada, parada, observa cámaras de seguridad, toma producto, toma producto, parada, camina, camina. Camina =4 Parada =7 Observa cámaras de seguridad =2 Toma producto =2 Tiempo en segundos Camina (4seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), toma producto (1seg.), parada (2seg.), camina (5seg.), camina (1seg.). Camina =12seg. Parada =32seg. Observa cámaras de seguridad =2seg. Toma producto =2seg. VIDEO Nº 39 Robo de buñuelos y chocolates Repetición de veces Camina, parada, camina, camina, parada, parada, toma producto, toma producto, toma producto, camina, parada, observa cámaras de seguridad, camina, camina, parada, parada, parada, parada, toma producto, toma producto, observa cámaras de seguridad, toma producto, camina. Camina =7 Parada =8 Observa cámaras de seguridad =2 Toma producto =6 Tiempo en segundos Camina (3seg.), parada (4seg.), camina (5seg.), camina (4seg.), parada (5seg.), parada (5seg.), toma producto (3seg.), toma producto (3seg.), toma producto (3seg.), camina (5seg.), parada (1seg.), observa cámaras de seguridad (1seg.), camina (2seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (1seg.),toma producto (2seg.), toma producto (2seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), camina (2seg.).

Page 147: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

145

Camina =22seg. Parada =31seg. Observa cámaras de seguridad =2seg. Toma producto =15seg. VIDEO Nº 40 Robo botella coñac Repetición de veces Camina, camina, parada, parada, toma producto, camina, parada, parada, parada, parada, parada, parada, camina. Camina =4 Parada =8 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (2seg.), parada (5seg.), parada (3seg.), toma producto (5seg.), camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (1seg.), camina (5seg.). Camina =17seg. Parada =34seg. Toma producto =2seg. VIDEO Nº 41 Robo paq higos Repetición de veces Camina, parada, camina, parada, observa cámaras de seguridad, toma producto, camina. Camina =3 Parada =2 Observa cámaras de seguridad =1 Toma producto =1 Tiempo en segundos Camina (3seg.), parada (5seg.), camina (4seg.), parada (1seg.), observa cámaras de seguridad (1seg.), toma producto (3seg.), camina (4seg.). Camina =8seg. Parada =16seg. Observa cámaras de seguridad =1seg. Toma producto =3seg.

Page 148: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

146

VIDEO Nº 42 Robo magro y atún Repetición de veces Camina, parada, camina, parada, parada, parada, parada, parada, parada, parada, toma producto, toma producto, camina. Camina =3 Parada =8 Toma producto =2 Tiempo en segundos Camina (1seg.), parada (4seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (1seg.), toma producto (1seg.), camina (4seg.). Camina =6seg. Parada =39seg. Toma producto =2seg. VIDEO Nº 43 Robo desodorante Repetición de veces Parada, camina, parada, parada, toma producto. Camina =1 Parada =3 Toma producto =1 Tiempo en segundos Parada (2seg.), camina (2seg.), parada (5seg.), parada (4seg.), toma producto (2seg.). Camina =2seg. Parada =11seg. Toma producto =2seg. VIDEO Nº 44 Escaperos en Robledo Medellin (1er persona) Repetición de veces Camina, parada, camina, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, camina, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, camina, parada, observa cámaras de seguridad, toma producto, observa cámaras de seguridad, toma producto, parada, camina, parada, camina, parada,

Page 149: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

147

camina, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, camina, parada. Camina =8 Parada =21 Observa cámaras de seguridad =6 Toma producto =3 Tiempo en segundos Camina (3seg.), parada (3seg.), camina (1seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), camina (1seg.), parada (5seg.), parada (4seg.), observa cámaras (1seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), camina (1seg.), parada (2seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), parada (2seg.), camina (4seg.), parada (4seg.), camina (3seg.), parada (1seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (4seg.), camina (5seg.), parada (1seg.). Camina =19seg. Parada =86seg. ; 1:26 Observa cámaras de seguridad =6seg. Toma producto =4seg. VIDEO Nº 45 Escaperos en Robledo Medellin (2da persona) Repetición de veces Camina, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, camina, parada, parada, observa cámaras de seguridad, toma producto, camina, parada, camina, parada, parada, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, camina, parada, toma producto, camina, camina, parada. Camina =7 Parada =13 Observa cámaras de seguridad =4 Toma producto =4 Tiempo en segundos Camina (4seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (1seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (2seg.), toma producto (1seg.), camina (1seg.), parada (1seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), toma producto

Page 150: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

148

(1seg.), camina (1seg.), parada (4seg.), toma producto (1seg.), camina (5seg.), camina (1seg.), parada (1seg.). Camina =14seg. Parada =52seg. Observa cámaras de seguridad =5seg. Toma producto =4seg. VIDEO Nº 46 Rateras de Tijuana en la colonia el niño Repetición de veces Camina, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, parada, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, camina, parada, camina, parada, parada, parada, camina, parada, camina. Camina =5 Parada =18 Observa cámaras de seguridad =2 Toma producto =2 Tiempo en segundos Camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras de seguridad (1seg.), toma producto (4seg.), camina (1seg.), parada (4seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (2seg.), parada (1seg.), camina (2seg.). Camina =9seg. Parada =80seg. ; 1:20 Observa cámaras de seguridad =2seg. Toma producto =6seg. VIDEO Nº 47 Faldera robando Repetición de veces Camina, parada, observa cámaras de seguridad, toma producto, parada, camina, camina. Camina =3 Parada =2 Observa cámaras de seguridad =1 Toma producto =1

Page 151: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

149

Tiempo en segundos Camina (3seg.), parada (4seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), parada (1seg.), camina (5seg.), camina (2seg.). Camina =10seg. Parada =5seg. Observa cámaras de seguridad =1seg. Toma producto =2seg. VIDEO Nº 48 Ladronas farderas Repetición de veces Camina, camina, parada, parada, parada, parada, parada, camina, parada, parada, camina, parada, camina, parada, parada, camina, parada, parada, camina, parada, parada, observa cámaras de seguridad, parada, camina, parada, parada, camina, parada, parada, camina, parada, toma producto, observa cámaras de seguridad, camina, parada, camina, parada, camina. Camina =13 Parada =22 Observa cámaras de seguridad =2 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (4seg.), camina (2seg.), parada (5seg.), parada (5seg.), camina (2seg.), parada (1seg.), camina (2seg.), parada (5seg.), parada (5seg.), camina (1seg.), parada (5seg.), parada (3seg.), camina (1seg.), parada (5seg.), parada (1seg.), observa cámaras de seguridad (3seg.), parada (3seg.), camina (1seg.), parada (5seg.), parada (5seg.), camina (1seg.), parada (5seg.), parada (2seg.), camina (1seg.), parada (2seg.), toma producto (5seg.), observa cámaras de seguridad (3seg.), camina (1seg.), parada (2seg.), camina (1seg.), parada (1seg.), camina (2seg.). Camina =21seg. Parada =84seg. Observa cámaras de seguridad =6seg. Toma producto =5seg. VIDEO Nº 49 Robo en tienda Repetición de veces Camina, parada, parada, parada, parada, camina, parada, observa cámaras de seguridad, toma producto, parada, parada, parada, camina.

Page 152: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

150

Camina =4 Parada =8 Observa cámaras de seguridad =1 Toma producto =1 Tiempo en segundos Camina (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (3seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (3seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (2seg.), camina (3seg.). Camina =12seg. Parada =33seg. Observa cámaras de seguridad =1seg. Toma producto =3seg. VIDEO Nº 50 Robo en tienda captado en cámara Repetición de veces Camina, camina, parada, camina, camina, camina, parada, camina, camina, camina, camina, camina, camina, camina, camina, observa cámaras de seguridad, toma producto, parada, parada, parada, toma producto, parada, camina. Camina =14 Parada =6 Observa cámaras de seguridad =1 Toma producto =2 Tiempo en segundos Camina (5seg.), camina (1seg.), parada (2seg.), camina (5seg.), camina (5seg.), camina (1seg.), parada (1seg.), camina (3seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), observa cámaras de seguridad (1seg.), toma producto (4seg.), parada (5seg.), parada (5seg.), parada (3seg.), toma producto (2seg.), parada (5seg.), camina (3seg.). Camina =23seg. Parada =56seg. Observa cámaras de seguridad =1seg. Toma producto =6seg.

Page 153: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

151

VIDEO Nº 51 Robo en Santo Domingo de los colorados Repetición de veces Camina, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, toma producto, camina, camina. Camina =3 Parada =36 Toma producto =1 Tiempo en segundos Camina (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (1seg.), camina (5seg.), camina (4seg.). Camina =14seg. Parada =180seg. ; 3:00 Toma producto =1seg. VIDEO Nº 52 Escaperas Repetición de veces Camina, camina, camina, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, toma producto, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, camina, camina, camina. Camina =6 Parada =32 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), toma producto (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada

Page 154: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

152

(5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), camina (5seg.), camina (5seg.), camina (5seg.). Camina =28seg. Parada =154seg. ; 2:34 Toma producto =3seg. VIDEO Nº 53 Robo Repetición de veces Camina, parada, parada, parada, camina, parada, observa cámaras de seguridad, parada, camina, parada, parada, parada, parada, camina, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, toma producto, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, camina, camina, parada, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, parada, camina, parada, camina, parada, parada, parada, camina, camina, parada, parada, parada, camina, parada, parada, camina. Camina =12 Parada =42 Observa cámaras de seguridad =3 Toma producto =2 Tiempo en segundos Camina (2seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), parada (2seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), toma producto (1seg.) parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), camina (5seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad(1seg.), toma producto (1seg.), parada (4seg.), camina (1seg.), parada (3seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (4seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (1seg.), camina (3seg.), parada (5seg.), parada (2seg.), camina (3seg.). Camina =34seg. Parada =186seg. ; 3:06 Observa cámaras de seguridad =3seg. Toma producto =2seg.

Page 155: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

153

VIDEO Nº 54 Robo a compuneuquen Repetición de veces Camina, camina, parada, camina, parada, camina, camina, parada, parada, observa cámaras de seguridad, parada, parada, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, parada, parada, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, camina, camina. Camina =7 Parada =26 Observa cámaras de seguridad =7 Toma producto =2 Tiempo en segundos Camina (5seg.), camina (2seg.), parada (3seg.), camina (5seg.), parada (2seg.), camina (5seg.), camina (5seg.), parada (5seg.), parada (2seg.), observa cámaras de seguridad (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), toma producto (4seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (1seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), camina (5seg.), camina (5seg.). Camina =32seg. Parada =113seg. ; 1:53 Observa cámaras de seguridad =7seg. Toma producto =6seg. VIDEO Nº 55 Robo paq de rosquillas Ubagua Repetición de veces Camina, camina, parada, parada, toma producto, parada, camina. Camina =3 Parada =3 Toma producto =1

Page 156: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

154

Tiempo en segundos Camina (5seg.), camina (3seg.), parada (5seg.), parada (1seg.), toma producto (1seg.), parada (3seg.), camina (5seg.). Camina =13seg. Parada =9seg. Toma producto =1seg VIDEO Nº 56 Ben caught Stalin Repetición de veces Camina, parada, observa cámaras de seguridad, camina, camina, parada, camina, camina, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, camina, toma producto, parada, observa cámaras de seguridad, camina, camina, parada, parada, toma producto, camina, camina. Camina =10 Parada = 7 Observa cámaras de seguridad =4 Toma producto =2 Tiempo en segundos Camina (3seg.), parada (2seg.), observa cámaras de seguridad (1seg.), camina (5seg.), camina (5seg.), parada (3seg.), camina (5seg.), camina (2seg.), parada (5seg.), parada (1seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), camina (4seg.), toma producto (1seg.), parada (4seg.), observa cámaras de seguridad (1seg.), camina (5seg.), camina (1seg.), parada (5seg.), parada (1seg.), toma producto (3seg.), camina (5seg.), camina (4seg.). Camina =39seg. Parada =21seg. Observa cámaras de seguridad =4seg. Toma producto =4seg. VIDEO Nº 57 Así roban las chicas en un shoping Repetición de veces Camina, parada, parada, parada, observa cámaras de seguridad, parada, parada, parada, parada, parada, parada, parada, parada, parada, parada, observa cámaras de seguridad, observa cámaras de seguridad, toma producto, toma producto, camina, parada, parada, camina, camina, parada, camina, camina.

Page 157: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

155

Camina =6 Parada =16 Observa cámaras de seguridad =3 Toma producto =2 Tiempo en segundos Camina (4seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras de seguridad (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), toma producto (1seg.), camina (4seg.), parada (5seg.), parada (1seg.), camina (5seg.), camina (1seg.), parada (1seg.), camina (5seg.), camina (2seg.). Camina =21seg. Parada =67seg. ; 1:07 Observa cámaras de seguridad=3seg. Toma producto =2seg. VIDEO Nº 58 Computico robos a la tienda Repetición de veces Camina, parada, camina, parada, parada, parada, camina, toma producto, observa cámaras de seguridad, camina. Camina =4 Parada =4 Observa cámaras de seguridad =1 Toma producto =1 Tiempo en segundos Camina (3seg.), parada (3seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (2seg.), toma producto (2seg.), observa cámaras de seguridad (1seg.), camina (2seg.). Camina =8seg. Parada =16seg. Observa cámaras de seguridad =1seg. Toma producto =2seg. VIDEO Nº 59 Hurto robbery 1 (1er persona) Repetición de veces Toma producto, parada, parada, parada, observa cámaras de seguridad, toma producto, camina, parada, camina, observa cámaras de seguridad.

Page 158: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

156

Camina =2 Parada =4 Observa cámaras de seguridad =2 Toma producto =2 Tiempo en segundos Toma producto (1seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (2seg.), parada (1seg.), camina (2seg.), observa cámaras de seguridad (1seg.). Camina =4seg. Parada =14seg. Observa cámaras de seguridad =2seg. Toma producto =2seg. VIDEO Nº 60 Hurto robbery 1 (2da persona) Repetición de veces Toma producto, parada, parada, observa cámaras de seguridad, parada, parada, toma producto. Parada =4 Observa cámaras de seguridad =1 Toma producto =2 Tiempo en segundos Toma producto (2seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (2seg.), parada (5seg.), parada (2seg.), toma producto (2seg.). Parada =15seg. Observa cámaras de seguridad =2seg. Toma producto =4seg. VIDEO Nº 61 Hurto robbery 2 Repetición de veces Parada, observa cámaras de seguridad, parada, toma producto, parada, observa cámaras de seguridad, toma producto, parada, observa cámaras de seguridad, toma producto, parada, observa cámaras de seguridad. Parada =5 Observa cámaras de seguridad =4 Toma producto =3

Page 159: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

157

Tiempo en segundos Parada (1seg.), observa cámaras de seguridad (1seg.), parada (2seg.), toma producto (1seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (3seg.), parada (2seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), parada (2seg.), observa cámaras de seguridad (1seg.). Parada =10seg. Observa cámaras de seguridad =4seg. Toma producto =6seg. VIDEO Nº 62 El roba reloj Repetición de veces Camina, parada, parada, parada, parada, parada, parada, camina, parada, parada, toma producto. Camina =2 Parada =8 Toma producto =1 Tiempo en segundos Camina (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (8seg.), camina (1seg.), parada (5seg.), parada (1seg.), toma producto (3seg.). Camina =3seg. Parada =34seg. Toma producto =3seg. VIDEO Nº 63 Como un joven roba en tienda Repetición de veces Parada, toma producto, parada, parada, parada, toma producto, parada, parada, parada, parada, toma producto, toma producto, toma producto, parada, parada, toma producto, parada, parada, parada, toma producto, parada, parada, camina. Camina =1 Parada =15 Toma producto =7 Tiempo en segundos Parada (5seg.), toma producto (1seg.), parada (5seg.), parada (5seg.), parada (3seg.), toma producto (1seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), toma producto (1seg.), toma producto (1seg.), toma producto (1seg.), parada (5seg.), parada

Page 160: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

158

(5seg.), toma producto (2seg.), parada (5seg.), parada (5seg.), parada (2seg.), toma producto (1seg.), parada (5seg.), parada (3seg.), camina (3seg.). Camina =3seg. Parada =65seg. ; 1:05 Toma producto =8seg. VIDEO Nº 64 ladrona de tiendas Repetición de veces Camina, parada, toma producto, toma producto, camina, camina, parada, toma producto, toma producto, camina, camina, parada, toma producto, toma producto, camina, parada, camina, camina, parada, toma producto, toma producto, camina, camina, parada, toma producto, toma producto, camina. Camina =11 Parada =6 Toma producto =10 Tiempo en segundos Camina (5seg.), parada (5seg.), toma producto (1seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (1seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), parada (3seg.), toma producto (1seg.), toma producto (1seg.), camina (1seg.), parada (2seg.), camina (5seg.), camina (5seg.), parada (2seg.), toma producto (1seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), parada (2seg.), toma producto (1seg.), toma producto (1seg.), camina (3seg.). Camina =49seg. Parada =19seg. Toma producto =10seg. VIDEO Nº 65 Cuidado con este sujeto Repetición de veces Camina, camina, parada, parada, parada, observa cámaras de seguridad, toma producto, parada, parada, parada, parada, camina. Camina =3 Parada =7 Observa cámaras de seguridad =1 Toma producto =1

Page 161: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

159

Tiempo en segundos Camina (5seg.), camina (4seg.), parada (5seg.), parada (5seg.), parada (3seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (2seg.), camina (4seg.). Camina =13seg. Parada =30seg. Observa cámaras de seguridad =1seg. Toma producto =2seg. VIDEO Nº 66 El ladroncillo Repetición de veces Camina, camina, parada, toma producto, camina. Camina =3 Parada =1 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (1seg.), parada (4seg.), toma producto (1seg.), camina (5seg.). Camina =11seg. Parada =4seg. Toma producto =1seg. VIDEO Nº 67 La ladroncilla Repetición de veces Parada, parada, parada, parada, camina, parada, parada, parada, parada, observa cámaras de seguridad, toma producto, camina, camina. Camina =3 Parada =8 Observa cámaras de seguridad =1 Toma producto =1 Tiempo en segundos Parada (5seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (3seg.), parada (5seg.), parada (5seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (5seg.), toma producto (2seg.), camina (5seg.), camina (3seg.).

Page 162: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

160

Camina =11seg. Parada =38seg. Observa cámaras de seguridad =5seg. Toma producto =2seg. VIDEO Nº 68 Robo aleban 2 Repetición de veces Camina, parada, camina, parada, camina, parada, parada, parada, observa cámaras de seguridad, toma producto, camina, camina, camina, parada, camina, parada, camina, parada, parada, camina, camina, parada, parada, camina, parada, camina, camina, parada, camina, parada, observa cámaras de seguridad, toma producto, camina, parada, camina, camina. Camina =17 Parada =15 Observa cámaras de seguridad =2 Toma producto =2 Tiempo en segundos Camina (5seg.), parada (1seg.), camina (1seg.), parada (2seg.), camina (2seg.), parada (5seg.), parada (5seg.), parada (2seg.), observa cámaras de seguridad (2seg.), toma producto (1seg.), camina (5seg.), camina (1seg.), camina (4seg.), parada (5seg.), camina (1seg.), parada (3seg.), camina (2seg.), parada (5seg.), parada (3seg.), camina (5seg.), camina (1seg.), parada (5seg.), parada (1seg.), camina (5seg.), parada (2seg.), camina (5seg.), camina (1seg.), parada (1seg.), camina (5seg.), parada (2seg.), observa cámaras de seguridad (1seg.), toma producto (2seg.), camina (2seg.), parada (1seg.), camina (5seg.), camina (2seg.). Camina =52seg. Parada =43seg. Observa cámaras de seguridad =3seg. Toma producto =3seg. VIDEO Nº 69 Robo al descuido Repetición de veces Camina, parada, camina, parada, parada, camina, camina, parada, camina, camina, camina, parada, observa cámaras de seguridad, toma producto, camina, camina, toma producto, camina, camina, camina, parada, camina, parada, camina, camina, camina, camina, parada, toma producto, camina, camina, camina, parada, camina, parada, camina, parada, camina, parada, camina, parada, parada, toma producto, camina, camina, parada, camina, camina.

Page 163: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

161

Camina =28 Parada =15 Observa cámaras de seguridad =1 Toma producto =4 Tiempo en segundos Camina (5seg.), parada (1seg.), camina (5seg.), parada (5seg.), parada (1seg.), camina (5seg.), camina (5seg.), parada (2seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (3seg.), camina (5seg.), parada (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (5seg.), toma producto (1seg.), camina (5seg.), camina (5seg.), camina (5seg.), parada (2seg.), camina (5seg.), parada (2seg.), camina (3seg.), parada (2seg.), camina (2seg.), parada (2seg.), camina (5seg.), parada (5seg.), parada (1seg.), toma producto (2seg.), camina (5seg.), camina (2seg.), parada (2seg.), camina (5seg.), camina (5seg.). Camina =132seg. ; 2:12 Parada =43seg. Observa cámaras de seguridad =1seg. Toma producto =5seg. VIDEO Nº 70 Hurto DVD Repetición de veces Camina, camina, camina, parada, camina, parada, parada, parada, camina, parada, camina, parada, camina, parada, camina, parada, parada, observa cámaras de seguridad, parada, camina, parada, camina, parada, parada, observa cámaras de seguridad, parada, observa cámaras de seguridad, camina, parada, parada, camina, parada, parada, camina, parada, observa cámaras de seguridad, toma producto, camina, camina, camina, camina. Camina =17 Parada =19 Observa cámaras de seguridad =4 Toma producto =1 Tiempo en segundos Camina (5seg.), camina (5seg.), camina (3seg.), parada (2seg.), camina (1seg.), parada (5seg.), parada (5seg.), parada (3seg.), camina (1seg.), parada (3seg.), camina (1seg.), parada (3seg.), camina (5seg.), parada (2seg.), camina (5seg.), parada (5seg.), parada (1seg.), observa cámaras de seguridad (1seg.), parada (2seg.), camina (1seg.), parada (1seg.), camina (3seg.), parada (5seg.), parada (5seg.), observa cámaras de seguridad (1seg.), parada (5seg.), observa cámaras de seguridad (1seg.), camina (1seg.), parada (5seg.), parada (2seg.), camina (3seg.), parada (5seg.), parada (1seg.), camina (2seg.), parada (2seg.), observa cámaras de

Page 164: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

162

seguridad (1seg.), toma producto (2seg.), camina (5seg.), camina (5seg.), camina (5seg.), camina (2seg.). Camina =53seg. Parada =62seg. ; 1:02 Observa cámaras de seguridad =4seg. Toma producto =2seg.

Page 165: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

163

ANEXO Nº 10

Comparación de los estados observados en 70 videos de comportamiento normal y 70 de comportamiento sospechoso Total de repetición de veces de los estados observados en 70 videos comportamiento normal Repetición de veces La persona está parada 368 veces. Promedio = 5. 2 La persona camina 539 veces. Promedio = 7.7 La persona observa cámaras 8 vez. Promedio =0.1 La persona toma producto 184 veces. Promedio = 2.6 Número total de acciones realizadas por las personas en los videos = 1099 acciones. Porcentajes (Número estado*100)/número total acciones En los 70 videos la persona está parada 33.48% En los 70 videos la persona camina 49.04% En los 70 videos la persona observa cámaras 0.73% En los 70 videos la persona toma productos 16.74% Total= 100% Total de tiempo en segundos de los estados observados en 70 videos de comportamiento normal: Tiempo en segundos La persona está parada 1717seg. ; Promedio = 24.5 La persona camina 2493seg. ; Promedio = 35.6 La persona observa cámaras 17seg. Promedio = 0.24 La persona toma producto 184 veces. Promedio = 2.6 Número total de segundos realizados por las personas en los videos =4882seg. ; Porcentajes (Número seg.*100)/número total seg. En los 70 videos la persona está parada 35.17% En los 70 videos la persona camina 51.07% En los 70 videos la persona toma productos 13.42% En los 70 videos la persona observa cámaras 0.35% Total= 100%

Page 166: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

164

Total de repetición de veces de los estados observados en los 70 videos en caso de hurto: Repetición de veces En los 70 videos la persona está parada = 589 veces. Promedio = 8.41 En los 70 videos la persona camina = 392 veces. Promedio = 5.60 En los 70 videos la persona observa cámaras de seguridad = 93 veces. Promedio = 1.32 En los 70 videos la persona toma producto = 124 veces. Promedio = 1.77 Número total de acciones realizadas por las personas en los videos = 1198 acciones. Porcentajes (número estado*100)/número acciones En los 70 videos la persona está parada = 49.2% En los 70 videos la persona camina = 32.7% En los 70 videos la persona observa cámaras de seguridad = 7.7% En los 70 videos la persona toma producto = 10.4% Total=100% Total de tiempo en segundos de los estados observados en los 70 videos en caso de hurto: Tiempo en segundos En los 70 videos la persona está parada= 2347seg. ; 39:07 Promedio = 33.52 En los 70 videos la persona camina = 1219seg. ; 20:19 Promedio = 17.41 En los 70 videos la persona observa cámaras de seguridad= 123seg. ; 2:03 Promedio = 1.75 En los 70 videos la persona toma producto= 219seg. ; 3:39 Promedio = 3.12 Número total de segundos = 3908seg. ; 65:08 Porcentajes (número estado*100)/número total acciones En los 70 videos la persona está parada en tiempo = 60.06% En los 70 videos la persona camina en tiempo = 31.19% En los 70 videos la persona observa cámaras de seguridad en tiempo = 3.15 % En los 70 videos la persona toma producto en tiempo = 5.60% Total = 100%

Page 167: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

165

PROMEDIO COMPORTAMIENTO NORMAL

Estado Porcentaje de aparecimiento de los estados en los videos

Porcentajes de tiempo de los estados en los videos

Promedio de la repetición de eventos en los vi.

Promedio del tiempo en los videos.

Parado 33.48%

35.17% 5.2 24.5

Caminando 49.04%

51.07% 7.7 35.6

Observa cámaras de seguridad

0.73% 0.35% 0.1 0.24

Toma producto 16.74%

13.42% 2.6 2.6

PROMEDIO COMPORTAMIENTO SOSPECHOSO

Estado Porcentaje de

aparecimiento de los estados en los videos

Porcentajes de tiempo de los estados en los videos

Promedio de la repetición de eventos en los vi.

Promedio del tiempo en los videos.

Parado 49.02%

60.06% 8.41 33.52

Caminando 32.7%

31.19% 5.60 17.41

Observa cámaras de seguridad

7.7% 3.15% 1.32 1.75

Toma producto 10.4%

5.60% 1.77 3.12

Page 168: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

166

ANEXO Nº 11

PERFIL DEL ANTEPROYECTO DE TESIS

Título del proyecto: IDENTIFICACIÓN DE PATRONES UTILIZANDO MODELOS OCULTOS DE MARKOV

Duración: Propuesto por: Héctor F Gómez A

9 MESES Equipo: Docente Investigador: Tesistas:

Héctor F Gómez A Paola de Jesús Balcázar jumbo Viviana Marisol Godoy Maza

Línea de Investigación:

Identificación de patrones en imágenes

Propósito / Descripción Inferir patrones que representen el comportamiento sospechoso de las

personas en supermercados a través de Modelos Ocultos de Markov.

Componentes: Para la elaboración se ha dividido el desarrollo del proyecto en:

PROYECTO DE TESIS: Introducción general, motivación, planteamiento del problema, metodología, objetivos, hipótesis, preguntas, estructura del proyecto de tesis.

CAPITULO I: Temas relacionados, en este capítulo se ha considerado importante incluir los conceptos y ejemplos de modelos probabilísticos tales como: cadenas de Markov, redes bayesianas, modelos ocultos y temas que se relacionan a nuestro trabajo de tesis: Seguridad en los supermercados, videovigilancia y comportamiento humano.

CAPITULO II: Obtención de Patrones por Medio de Modelos Ocultos de Markov: En este capítulo se clasifico los videos obtenidos con el fin de identificar patrones que representen a las personas en esencia cuando cometen robo o hurto.

Page 169: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

167

Secciones de discusión del tema, conclusiones recomendaciones y trabajos futuros.

Cronograma

En función de cada componente, indicar la duración estimada.

Componente Tiempo 1. Marco Teórico, Aprendizaje de algoritmos Mes 1 y 2

2. Mejora a los algoritmos encontrados Mes 3 y 4

3. Algoritmos de Clasificación de Patrones, combinados. Mes 5 y 6

4. Pruebas Mes 6 7 8 9

7. Presupuesto (opcional)

Gastos afrontados por quienes hemos desarrollado la tesis. 8. Bibliografía / recursos

Pujari, Arun. Data Mining Techniques. University Press.2001.

Reyes J, Garcia R. El proceso de descubrimiento de conocimiento en base de datos, FIME-UANL.

ETISEO. Internal Technical Note, Video Annotations Rules.

Guil, F. Marin R. Extracting Uncertain Temporal Relations from Mined Frequent Sequences, University de Almería, University de Murcia.

Gómez L, Kuijpers B. Temporal Support in Sequential Pattern Mining, Instituto Tecnológico de Buenos Aires, Buenos Aires University, Hasselt University, Transnational University of Limburg.

Jorio L, Bringay S. Sequential Patterns for Maintaining Ontologies over Time. University de Montpellier, France.

Afshar, Ramin. Mining Frequent Max and Closed Sequential Patterns. University of Alberta, Alberta 2000

Dress, Andreas. The mathematical Basis of Molecular Phylogenetics. VSNS-BCD Copyright. July 1995.

Martinez-Tomás, R. . On the correspondence between objects and events for the diagnosis of

Page 170: Identificación de patrones utilizando modelos ocultos de ...dspace.utpl.edu.ec/bitstream/123456789/4629/1/TESIS..pdf · Inferir patrones que representen el comportamiento sospechoso

Identificación de Patrones utilizando Modelos Ocultos de Markov

168

situations in visual surveillance task, Pattern Recognition Letters, vol. 29 no. 8, 2008, p 1117-1135

Ondrej G, Borivo M. Searching All Seeds of Strings with Hamming Distance using Finite Automata.

A. Toshev, F. Brémond and M. Thonnat, "An A priori-based Method for Frequent Composite Event Discovery in Videos". The Proceedings of 2006 IEEE International Conference on Computer Vision Systems, New York, USA, January 5-7, 2006.

R. Hamid, A. Johnson, S. Batta, A. Bobick, C. Isbell, G. Coleman. “Detection and Explanation of Anomalous Activities: Representing Activities as Bags of Event n-Grams” Proceedings of IEEE Computer Vision and Pattern Recognition (CVPR 2005) June 2005.