Algoritmos paralelos para el análisis de videos full-HD de flujo vehicular registrados desde un UAV (unmanned aerial vehicle)

Recientemente se ha propuesto el método Principal Component Pursuit (PCP) [2,3] como una alternativa robusta (ante datos irregulares) a técnicas mas tradicionales (PCA [7] y técnicas derivadas). PCP es exitosamente usado para segmentar automáticamente objetos en movimiento del fondo (objetos estáticos, siendo PCP el estado del arte [41] en esta aplicación) en aplicaciones médicas [25] y en seguridad ciudadana [4,8,26,28], entre otras aplicaciones [5,6,27,32,33,34]. Sin embargo, vía los algoritmos existentes [1,2,3,4,6,28,29,46], el costo computacional de PCP es muy elevado y no permite aplicaciones practicas en tiempo real, p.e. análisis de imágenes aéreas de alta resolución orientado a seguridad ciudadana [26,35,38], pricipalmente porque los algoritmos existentes están basados en el cálculo de la descomposición de valores singulares (SVD) [11] o SVD parcial [45]. Este proyecto propone un desarrollo teórico/computacional el cual será aplicado al análisis de videos full-HD de flujo vehicular registrados desde un UAV. El desarrollo teórico/computacional apunta a la elaboración de un nuevo algoritmo paralelo, computacionalmente eficiente que solucione el problema PCP y que: (i) no incluya el cálculo directo de SVD, (ii) sea fácilmente paralelizable, teniendo especial énfasis en el modelo de programación SIMT ó CUDA [23,24]. Se destaca que en [21], artículo escrito por el investigador principal, se plantean las ideas base del nuevo algoritmo; en dicho artículo se muestra que la implementación secuencial (no paralela) del algoritmo planteado es hasta un orden de magnitud mas rápida que las implementaciones publicadas. El desarrollo de la aplicación planteada está orientado a utilizar el algoritmo planteado para segmentar, alinear y analizar (discriminación y conteo) automáticamente, en tiempo real, los objetos en movimiento (automóviles, peatones y ciclistas) en vídeos digitales (1920x1080 pixel, 30 cuadros por seg.) de flujo vehicular grabados desde un UAV.

REDES NEURONALES CONVOLUCIONALES 3D PARA EL RECONOCIMIENTO DE ACTIVIDAD HUMANA EN VIDEOS DIGITALES

Redes neuronales convolucionales (ó 'convolutional neural networks', CNN) [1], es una metodología en 'neural networks' (NN) en la que los datos crudos son utilizados como entrada, obteniendo resultados ampliamente superiores a aquellos obtenidos con NN clásicas. En NN clásicas, los datos (imágenes o vídeos en el presente contexto) son prepocesados siguiendo alguna metodología ad-hoc; como resultado se obtienen vectores con los que la NN (clasificador) es entrenada. Dado que los datos de entrenamiento presentan variabilidades (traslaciones y distorsiones locales) [2], el pre-procesamiento tiene que estandarizar dichos problemas. Debido a su estructura, inspirada en modelos biológicos para reconocimiento visual, CNN es robusta ante traslaciones y distorsiones locales, evitando la etapa de pre-procesamiento manual asociada a NN. CNN tienen una performance (clasificación) muy superior a NN clásicas; sin embargo, su costo computacional es mucho mayor, por lo cual su utilidad se ha visto restringida, en la mayoría de los casos, a análisis de datos 2D. El presente proyecto plantea el desarrollo de un nuevo algoritmo progresivo computacionalmente eficiente, a ser implementado en tecnología CUDA, para analizar vídeos digitales (datos 3D) vía CNN, enfocándose en aplicaciones orientadas al reconocimiento de actividades humanas (uso de teléfono celular, dejar/guardar un objeto, apuntar, etc.) lo cual tiene alta relevancia en seguridad ciudadana.

Algoritmo Progresivo Computacionalmente Eficiente para Representaciones 'sparse' convolucionales en 3D

Representaciones 'sparse' es una técnica ampliamente usada para aplicaciones en procesamiento de imágenes digitales. Dada la señal b, la cual puede representar datos multidimensionales, y el diccionario matricial D, el problema inverso que la representación sparse soluciona se enfoca en hallar la representación u con la mayor cantidad de entradas nulas posibles, tal que D u = b. En caso de que el diccionario es auto-aprendido en base a un conjunto de datos relevantes al problema específico, la performance de la representación sparse, medida en el número de entradas nulas en u, se incrementa aunque no llega a ser óptima. Recientemente se han propuesto métodos basados en representaciones 'sparse' convolucionales (convolutional sparse representations o CSR), en cuyo caso se auto-aprenden filtros, que al ser convolucionados con cada imagen ejemplo de modo global, genera un diccionario óptimo. CSR tiene claras ventajas respecto de métodos previos, sin embargo la gran mayoría de algoritmos computacionales son muy costosos por lo que su aplicación se ha visto restringida a casos bi-dimensionales (imágenes). El presente proyecto plantea el desarrollo de un algoritmo progresivo computacionalmente eficiente para analizar vídeos digitales (data tri-dimensional) vía técnicas CSR, enfocándose en aplicaciones orientadas al reconocimiento de actividades humanas. El reconocimiento de actividades humanas se orienta a la identificación de acciones que involucran movimiento (p.e. acciones importantes en un aeropuerto: uso de teléfono celular, dejar/guardar un objeto, apuntar, etc.), razón por la cual, en lugar de analizar el video original, que incluye objetos estáticos, se plantea analizar el correspondiente video sparse, en el cual los objetos estáticos han sido eliminados. Adicionalmente, y de modo preponderante, se plantea un nuevo algoritmo progresivo para solucionar el problema planteado en el dominio de Fourier, el cual reduce substancialmente el costo computacional

Algoritmo Paralelo para 'Principal Component Pursuit' en la Arquitectura CUDA con Casos de Estudio orientados a Seguridad Ciudadana y de Ayuda a Personas Discapacitadas

Recientemente se ha propuesto el método Principal Component Pursuit (PCP) [2,3] como una alternativa robusta (ante datos irregulares) a técnicas mas tradicionales (p.e. Principal Component Analysis [7] y técnicas derivadas). PCP es exitosamente usado para segmentar automáticamente objetos en movimiento del fondo (objetos estáticos) en aplicaciones médicas [26] y en seguridad ciudadana [4,8,27,29], entre otras aplicaciones [5,6,28,33,34]. Sin embargo, vía los algoritmos existentes [1,2,3,4,6,29,30], el costo computacional de PCP es muy elevado y no permite aplicaciones practicas en tiempo real, p.e. análisis de imágenes aéreas de alta resolución orientado a seguridad ciudadana [27,36,39]. Este proyecto propone desarrollar un nuevo algoritmo paralelo, computacionalmente eficiente, para el computo de PCP y aplicaciones, teniendo especial énfasis en el modelo de programación SIMT o CUDA [25]. Se destaca que en [21], artículo escrito por el investigador principal, aceptado en ICIP'13 [22], se plantean las ideas base del nuevo algoritmo. Además se proponen dos casos de estudio: Segmentación automática en tiempo real de objetos en movimiento en vídeos digitales (1920x1080 pixel, 30 cuadros por seg.) grabados desde un UAV (Unmanned aerial vehicle), orientado a seguridad ciudadana (conteo de vehiculos, personas y ciclistas), y desde una silla de ruedas instrumentada; el segundo caso está relacionado al proyecto Coalas [13] de la Entidad Asociada (universidad francesa Esigelec).

Sistema Óptico de Medición y Registro Automático de Desplazamientos en Ensayos de Simulación Sísmica

El presente proyecto propone desarrollar un prototipo que pueda ser utilizado para estimar en tiempo real los desplazamientos inducidos en la estructura durante el ensayo de simulación sísmica. Para tal fin, se plantea una optimización radical del sistema desarrollado en DAI-E066 y no únicamente la utitilización de un lenguaje de programación mas adecuado (p.e. lenguje C/C++). En el prototipo a desarrollar se prevee que un computador multi-core de alta performance acceda directamente a las imágenes registradas por las camaras digitales vía una tarjeta de registro de video especializada. La reestructuración de los algoritmos desarrollados en DAI-E066 va a tener dos niveles de optimización: (i) desarrollo de algoritmos paralelos y (ii) vectorización de las operaciones matemáticas involucradas; por otro lado el software a desarrollar incluye un modelo de memoria compartida con multi-hilos (para aprovechar los nuevos algoritmos paralelos) y utilización de la unidad SIMD para aprovechar la vectorización.

MÓDULO DE DESARROLLO PARA LA INVESTIGACIÓN Y ENSEÑANZA DE APLICACIONES DE PROCESAMIENTO DIGITAL DE SEÑALES