Poster: Camera Tampering Detection for Outdoor IoT Systems

Resumen Técnico: Detección de Manipulación de Cámaras para Sistemas IoT en Exteriores

Planteamiento del Problema
La proliferación de cámaras inteligentes en la vigilancia exterior y el monitoreo ambiental ha introducido desafíos significativos de fiabilidad. Estos sistemas, a menudo desplegados en ubicaciones no supervisadas, son vulnerables a la manipulación causada por vandalismo deliberado o condiciones ambientales severas (por ejemplo, tormentas). Tal manipulación se manifiesta como imágenes borrosas, lentes rotadas o vistas obstruidas, lo que degrada la eficacia del monitoreo. Si bien la detección de manipulación basada en video se beneficia del contexto temporal proporcionado por los fotogramas continuos, la detección de manipulación en sistemas de captura de imágenes estáticas (comunes en la detección de animales o el monitoreo periódico) es más desafiante debido a la falta de datos secuenciales. Además, las soluciones existentes de aprendizaje profundo suelen requerir una potencia computacional sustancial, lo que las hace inadecuadas para dispositivos de borde con recursos limitados como el ESP32 o la Raspberry Pi 2.

Metodología
Los autores proponen y evalúan dos enfoques distintos para detectar imágenes estáticas manipuladas: un método ligero basado en reglas y un modelo de Red Neuronal Convolucional (CNN) basado en aprendizaje profundo.

• Hardware y Conjunto de Datos: Los experimentos se realizaron utilizando una Raspberry Pi 2 Model B con un Módulo de Cámara 3. Se recolectó un conjunto de datos de 3,600 imágenes durante 10 días, categorizadas en 1,800 imágenes normales, 600 borrosas, 600 rotadas y 600 con lentes obstruidos.
• Método Basado en Reglas: Este enfoque establece una línea base utilizando únicamente imágenes normales capturadas bajo diversas condiciones de iluminación y clima.
  • Coincidencia de Características: Utiliza el algoritmo ORB (Oriented FAST and Rotated BRIEF) y el BFMatcher (Brute Force Matcher) para comparar puntos clave entre una imagen de prueba y las imágenes de referencia.
  • Flujo Lógico: Si el número de coincidencias cae por debajo de un umbral calibrado, la imagen se marca como anormal. Las comprobaciones posteriores diferencian entre desenfoque (usando el operador Laplaciano) y lentes vacías/obstruidas (mediante la desviación estándar de la intensidad de los píxeles). Si las coincidencias superan el umbral, una matriz de homografía estima la rotación; los ángulos que exceden los 50° se clasifican como rotados.
  • Requisitos: Este método requiere solo 8 muestras de referencia para la calibración y ningún dato anormal para el entrenamiento.
• Método de Aprendizaje Profundo: Se diseñó un modelo CNN implementado con TensorFlow y Keras para la clasificación binaria (normal vs. anormal).
  • Arquitectura: El modelo consta de tres capas convolucionales (32, 64 y 128 filtros) con activación ReLU y max-pooling, seguidas de una capa totalmente conectada (128 unidades) y una capa de salida sigmoide.
  • Entrenamiento: El modelo fue entrenado con un conjunto de datos robusto de 2,400 imágenes (1,200 normales, 1,200 anormales) para asegurar la generalización a través de diversos climas y condiciones de iluminación.

Resultados Clave
El rendimiento de ambos métodos fue evaluado en un conjunto de prueba equilibrado de 1,200 imágenes (50% anormales).

• Precisión (Accuracy): El modelo CNN superó significativamente al método basado en reglas, logrando una precisión del 99.75% frente al 90.50% del enfoque basado en reglas. Del mismo modo, la CNN demostró una precisión (precision) y un F1-score superiores (0.9983 vs. 0.9036 y 0.9974 vs. 0.9051, respectivamente).
• Eficiencia de Recursos: El método basado en reglas resultó ser mucho más ligero, con un tamaño de modelo de 8.77 KB frente a los 37.8 MB de la CNN.
• Tiempo de Procesamiento: Contrario a las expectativas sobre la complejidad del aprendizaje profundo, la CNN mostró un tiempo de procesamiento promedio por imagen más rápido (0.02 seg) en comparación con el método basado en reglas (0.07 seg) durante las pruebas.
• Dependencia de Datos: El método basado en reglas requirió solo 8 muestras de referencia y cero muestras anormales para el entrenamiento, mientras que la CNN requirió 2,400 muestras etiquetadas.

Contribuciones y Significado
El artículo realiza tres contribuciones principales al campo de la vigilancia IoT:

1. Evaluación Comparativa: Proporciona una comparación directa de los enfoques basados en reglas y de aprendizaje profundo para la detección de manipulación de imágenes estáticas, destacando los compromisos entre la precisión y las restricciones de recursos.
2. Conjunto de Datos Público: Los autores liberaron un conjunto de datos disponible públicamente que contiene imágenes normales, borrosas, rotadas y obstruidas para apoyar el desarrollo y la evaluación de futuros algoritmos de detección.
3. Perspectivas de Despliegue Práctico: El estudio identifica que, si bien las CNN ofrecen una precisión superior, el método basado en reglas sigue siendo una alternativa viable y necesaria para escenarios donde:
   • Los dispositivos de borde tienen limitaciones severas de memoria.
   • La recolección de grandes conjuntos de datos de imágenes anormales/manipuladas es poco práctica, lenta o costosa.
   • Se requiere una calibración rápida sin una fase de entrenamiento prolongada.

Conclusión
Los autores concluyen que la elección del método de detección depende fuertemente de las restricciones de despliegue. El modelo CNN es preferible para requisitos de alta precisión donde los recursos computacionales y la recolección de datos son factibles. Por el contrario, el método basado en reglas ofrece una solución eficiente en recursos para entornos restringidos donde la recolección de extensos datos de entrenamiento no es posible. El trabajo futuro apunta a desarrollar un sistema híbrido que integre ambos enfoques para equilibrar el rendimiento y el uso de recursos.