💻 computer science

DIFEM: Key-points Interaction based Feature Extraction Module for Violence Recognition in Videos

El artículo propone DIFEM, un módulo de extracción de características basado en puntos clave del esqueleto humano que, al ser combinado con algoritmos de clasificación tradicionales, logra una detección de violencia en videos eficiente y ligera que supera a los métodos de aprendizaje profundo actuales.

Autores originales: Himanshu Mittal, Suvramalya Basak, Anjali Gautam

Publicado 2026-03-31

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Himanshu Mittal, Suvramalya Basak, Anjali Gautam

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este paper es como una receta para crear un guardaespaldas digital que es muy inteligente, pero que no necesita ser un genio matemático costoso para funcionar.

Aquí tienes la explicación de "DIFEM" (el nombre de su invento) en un lenguaje sencillo, usando analogías de la vida real:

🕵️‍♂️ El Problema: ¿Cómo detectar una pelea sin mirar horas de video?

Imagina que tienes 100 cámaras de seguridad en una ciudad y necesitas saber quién está peleando y quién solo está bailando o saludando.

Los métodos antiguos (Deep Learning): Son como contratar a un ejército de detectives superdotados que tienen que ver cada fotograma del video, analizar la ropa, el fondo, la iluminación y memorizar millones de ejemplos. Funciona bien, pero es lento, caro y consume mucha energía (como intentar resolver un rompecabezas de 10,000 piezas para ver si alguien se empujó).
El problema: Las cámaras de seguridad a menudo no tienen mucha memoria o potencia, y los videos de peleas reales son pocos, lo que hace que estos "detectives" se confundan.

💡 La Solución: DIFEM (El "Detective de Movimiento Rápido")

Los autores proponen un sistema mucho más simple y eficiente llamado DIFEM. En lugar de mirar todo el video, este sistema solo se fija en dos cosas clave que ocurren cuando dos personas pelean:

1. La Analogía de la "Velocidad del Relámpago" (Dinámica Temporal)

Cuando alguien se pelea, sus manos, codos y cabeza se mueven muy rápido y de forma brusca.

Cómo lo hace DIFEM: Imagina que le pones un reloj de cronómetro a las articulaciones (codos, muñecas, rodillas) de las personas.
La magia: Si el sistema ve que un codo se mueve de un lado a otro en una fracción de segundo (como un rayo), sabe que algo agresivo está pasando. Si la gente solo está caminando o hablando, sus articulaciones se mueven lento y suave.
En resumen: No le importa quién es la persona, le importa qué tan rápido se mueven sus extremidades.

2. La Analogía de la "Bolsa de Naranjas" (Dinámica Espacial)

Cuando dos personas pelean, sus cuerpos se acercan mucho y se tocan.

Cómo lo hace DIFEM: Imagina que cada persona tiene una caja invisible alrededor de su cuerpo. El sistema cuenta cuántas veces las "manos" o "codos" de una persona entran en la caja de la otra.
La magia: Si ves que la mano de la persona A entra y sale de la caja de la persona B muchas veces, es una señal clara de interacción física (pelea). Si están lejos, la caja de uno no toca al otro.

🛠️ ¿Cómo funciona el proceso? (Paso a paso)

El Escáner (OpenPose): Primero, el sistema usa una herramienta llamada OpenPose (como un escáner de rayos X) que dibuja un "palito" (esqueleto) sobre las personas en el video. No necesita ver la cara ni la ropa, solo los puntos clave del cuerpo.
El Filtro (Selección de puntos): No usa todos los puntos. Selecciona solo los 11 más importantes para una pelea: muñecas, codos, caderas, rodillas, tobillos y el cuello. (Como si un entrenador de boxeo solo mirara los puños y las piernas).
El Cálculo (DIFEM):
- Calcula la velocidad: ¿Qué tan rápido saltaron esos puntos?
- Calcula el choque: ¿Cuántas veces se metieron los puntos de uno en la caja del otro?
El Juez (Clasificadores): Con estos datos simples (números de velocidad y choques), el sistema no usa una red neuronal gigante. Usa "jueces" sencillos y rápidos como Random Forest (un comité de árboles de decisión) o AdaBoost. Son como un grupo de amigos que dicen: "¡Oye, se movió muy rápido y se tocó mucho, eso es una pelea!".

🏆 ¿Por qué es genial? (Los Resultados)

Más rápido y barato: Mientras que los métodos modernos necesitan supercomputadoras, este sistema puede correr en una laptop normal. Es como usar una bicicleta para ir al trabajo en lugar de un cohete espacial: llega a la misma hora, pero gasta mucha menos gasolina.
Funciona increíblemente bien: Probaron el sistema en tres bases de datos famosas de peleas y ganó o empató con los métodos más complejos y caros del mundo.
La prueba final: En los videos de "peleas", las articulaciones se mueven mucho más rápido y chocan más que en los videos de gente caminando tranquilamente. El sistema simplemente detecta ese "caos" y lo marca como violencia.

⚠️ El único pequeño problema

El sistema depende de que el "escáner de rayos X" (OpenPose) funcione bien. Si la cámara es muy oscura o la imagen está borrosa y el escáner no puede dibujar el esqueleto, el detective no podrá trabajar. Pero, si la imagen es clara, es una solución brillante y económica.

En conclusión

Este paper nos dice que no siempre necesitamos inteligencia artificial super-compleja para resolver problemas. A veces, observar simplemente qué tan rápido se mueven las manos y qué tan cerca están los cuerpos es suficiente para detectar una pelea, ahorrándonos dinero y energía. ¡Es la simplicidad ganando a la complejidad!

Título: DIFEM: Módulo de Extracción de Características basado en la Interacción de Puntos Clave para el Reconocimiento de Violencia en Videos

1. Problema

La detección automática de violencia en videos de vigilancia es una tarea crítica para la seguridad pública. Sin embargo, los métodos actuales basados en aprendizaje profundo (Deep Learning) presentan dos desventajas significativas:

Alto costo computacional: Requieren modelos complejos y recursos intensivos.
Sobreajuste (Overfitting): Los conjuntos de datos de violencia disponibles son relativamente pequeños en comparación con otros dominios, lo que hace que los modelos profundos tiendan a sobreajustarse, reduciendo su precisión en la detección real.

Existe una necesidad urgente de sistemas eficientes, ligeros y precisos que puedan operar sin depender de arquitecturas neuronales masivas.

2. Metodología

El artículo propone un enfoque basado en aprendizaje automático (Machine Learning) tradicional, pero potenciado por un módulo de extracción de características novedoso llamado DIFEM (Dynamic Interaction Feature Extraction Module).

Flujo de Trabajo:
1. Extracción de Esqueletos: Se utiliza el algoritmo OpenPose para obtener las coordenadas $(x, y)$ de los puntos clave (key-points) del esqueleto humano en cada cuadro del video.
2. Selección de Puntos Clave: De los 25 puntos estándar de OpenPose, se seleccionan estratégicamente 11 puntos más relevantes para la violencia (muñecas, codos, caderas, rodillas, tobillos y cuello), asignándoles pesos específicos.
3. Extracción de Características (DIFEM): El núcleo del método calcula dos tipos de dinámicas:
  - Dinámica Temporal (Velocidad): Se calcula la velocidad de cada punto clave entre cuadros consecutivos. Se extraen estadísticas como la velocidad media, velocidad máxima y la varianza de la velocidad a lo largo del video. Esto captura movimientos rápidos y erráticos típicos de la agresión.
  - Dinámica Espacial (Superposición): Se calcula el recuento de superposiciones de puntos clave de una persona dentro del bounding box (caja delimitadora) de otra persona. Esto mide la proximidad física y la interacción espacial entre individuos. Se extraen la media y la varianza de estos recuentos.
4. Clasificación: Las características extraídas (un vector de 5 valores: media, máx y varianza de velocidad + media y varianza de superposición) se concatenan y se alimentan a clasificadores tradicionales: Random Forest, Árbol de Decisión, AdaBoost y k-Vecinos más Cercanos (k-NN).

3. Contribuciones Clave

Módulo DIFEM: Propuesta de un módulo de extracción de características eficiente que utiliza heurísticas simples (distancias y superposiciones) en lugar de redes neuronales profundas para capturar la esencia de la violencia (movimiento rápido y proximidad).
Eficiencia Computacional: El enfoque demuestra que para la detección de violencia no se requieren modelos complejos. Utiliza clasificadores estadísticos que son significativamente más baratos en términos de parámetros y tiempo de inferencia.
Validación Exhaustiva: Evaluación en tres conjuntos de datos estándar (RWF-2000, Hockey Fight y Crowd Violence), demostrando que un enfoque simple puede superar a métodos de vanguardia mucho más complejos.

4. Resultados

Los experimentos mostraron un rendimiento superior o comparable a los métodos de State-of-the-Art (SOTA):

Precisión:
- En el conjunto de datos RWF-2000, el modelo combinado con Random Forest alcanzó un 96.50% de precisión, superando a métodos profundos como Hachiuma et al. (93.4%) y Zhang et al. (93.3%).
- En Hockey Fight, alcanzó 98.80%, superando a Islam et al. (99.0% es muy cercano, pero el método propuesto es más eficiente) y Hachiuma et al. (99.5%).
- En Crowd Violence, logró 96.33%, superando a la mayoría de los métodos previos.
Eficiencia:
- El tiempo de prueba promedio por video es extremadamente bajo: 0.0333 ms para Random Forest.
- El número de parámetros es insignificante en comparación con las redes 3D-CNN o GCN utilizadas en otros trabajos.
Estudios de Ablación: Se demostró que la combinación de velocidad (información temporal) y superposición (información espacial) es crucial. Usar solo superposición falla en escenarios concurridos (como el dataset Crowd) debido a falsos positivos por oclusión, mientras que la velocidad ayuda a diferenciar los movimientos reales de la violencia.

5. Significado e Impacto

Alternativa Económica: El trabajo valida la hipótesis de que la violencia se caracteriza principalmente por patrones de movimiento rápido y proximidad física, los cuales pueden capturarse con métricas estadísticas simples sin necesidad de "cajas negras" profundas.
Viabilidad en Tiempo Real: Debido a su bajo costo computacional, este sistema es ideal para implementaciones en tiempo real en sistemas de vigilancia con recursos limitados.
Limitaciones y Futuro: La principal dependencia es la calidad de OpenPose; si la detección de esqueletos falla, el sistema falla. El futuro trabajo se centrará en algoritmos de estimación de pose más eficientes en parámetros para reducir aún más la carga computacional total.

En resumen, DIFEM ofrece un paradigma alternativo y altamente eficiente para la detección de violencia, priorizando la interpretación de características físicas específicas sobre la complejidad del modelo.