Visual Timelines of Police Encounters in Body-Worn Camera Footage: Operational Context and Activity Cataloging for Training and Analysis in OpenBWC

Resumen Técnico: Líneas Temporales Visuales de Encuentros Policiales en Grabaciones de Cámaras Corporales

Declaración del Problema
Las agencias de aplicación de la ley poseen vastos archivos de grabaciones de cámaras corporales (BWC), pero estos datos permanecen "operacionalmente opacos". Los analistas y formadores deben actualmente ver videos completos en tiempo real para identificar puntos de inicio clave de encuentros o transiciones hacia actividades físicamente intensas. Aunque los flujos de trabajo OpenBWC existentes procesan con éxito el audio en transcripciones alineadas temporalmente, estas transcripciones no logran capturar el contexto situacional compartido (por ejemplo, si un oficial está en un vehículo o acercándose a una puerta) ni la dinámica física de un encuentro. El artículo aborda la necesidad de un método escalable y que preserve la privacidad para convertir el video crudo de BWC en líneas temporales visuales estructuradas y alineadas temporalmente que resuman el contexto operativo y la intensidad del movimiento sin depender del reconocimiento facial o de personas.

Metodología
Los autores proponen una tubería que procesa el video de BWC en ventanas de 10 segundos de longitud fija y sin superposición. El enfoque consta de cuatro etapas principales:

1. Preparación de Datos y Ventanización: Los videos se dividen en segmentos de 10 segundos. Una evaluación de preparación asegura la integridad del archivo.
2. Taxonomía de Anotación: Anotadores humanos etiquetan cada ventana con dos dimensiones:
   • Contexto Operativo: Un estado de escena grueso (Vehículo de Patrulla, Exterior, Interior o Baja Visibilidad).
   • Nivel de Actividad: Intensidad del movimiento (Routine, Persecución a Pie, Alta Actividad o Desconocido).
   • Restricción de Privacidad: Las etiquetas son estrictamente descriptivas de las condiciones visibles y excluyen juicios sobre identidad o comportamiento. Se utilizan etiquetas de "baja evidencia" (Baja Visibilidad/Desconocido) cuando la oscuridad, el desenfoque u oclusiones impiden una clasificación confiable.
3. Extracción de Características y Modelado:
   • Inferencia de Contexto: Los fotogramas muestreados de cada ventana se codifican utilizando un codificador de imágenes OpenCLIP congelado. Estas incrustaciones se agregan (mediante promediado o agrupación máxima) para formar un descriptor a nivel de ventana. Un clasificador de regresión logística multiclase predice el contexto operativo.
   • Inferencia de Actividad: Los autores evalúan tres familias de representaciones: (i) solo incrustaciones de apariencia de CLIP, (ii) incrustaciones de CLIP aumentadas con escalares de estabilidad temporal (distancias coseno), y (iii) una representación fusionada que combina incrustaciones de CLIP con estadísticas densas de flujo óptico (método de Farnebäck). Un clasificador multiclase predice los niveles de actividad.
4. Evaluación: Los modelos se entrenan en un subconjunto etiquetado (428 ventanas de 15 incidentes) y se evalúan en ventanas de prueba retenidas, excluyendo regiones de transición para evitar ambigüedad en las etiquetas.

Contribuciones Clave

• Método de Línea Temporal Visual Reproducible: Un sistema que genera índices con marca de tiempo y auditables de las grabaciones de BWC manteniendo la privacidad (sin reconocimiento de rostros/personas).
• Esquema de Etiquetado Consciente de la Privacidad: Una taxonomía diseñada específicamente para las condiciones reales de las BWC, que incorpora etiquetas de "baja evidencia" para evitar adivinanzas forzadas y reducir la supervisión ruidosa.
• Modelos Base Transparentes: Modelos de clasificación simples que requieren un entrenamiento supervisado mínimo, utilizando backbones de CLIP congelados y características estándar de flujo óptico.
• Auditorías de Integridad: Un proceso integral de auditoría de conjuntos de datos que caracteriza la incertidumbre, la estabilidad temporal y el acuerdo entre anotadores.

Resultados

• Clasificación de Contexto: El mejor modelo logró una precisión del 78,75% y un macro-F1 de 0,7500. La tarea demostró ser robusta ante variaciones en el muestreo de fotogramas y la agrupación. Los errores fueron principalmente confusiones sistemáticas entre contextos visualmente similares (por ejemplo, Interior vs. Baja Visibilidad) en lugar de clasificaciones erróneas aleatorias.
• Clasificación de Actividad: El mejor modelo fusionado (CLIP + Flujo Óptico) logró una precisión del 88,33% y un macro-F1 de 0,4535. El rendimiento estuvo fuertemente dominado por la clase mayoritaria ("Routine"). La clase "Persecución a Pie" no fue detectada por ninguna ejecución, y "Alta Actividad" siguió siendo un desafío. Las representaciones fusionadas superaron a los modelos solo de apariencia, lo que indica que el movimiento y la apariencia son complementarios.
• Alineación de Incertidumbre: Las predicciones del modelo con baja confianza coincidieron frecuentemente con ventanas donde los anotadores humanos también tuvieron dificultades (por ejemplo, oscuridad, oclusiones o zonas de transición), validando la utilidad de la señalización basada en la confianza.
• Estabilidad Temporal: Las auditorías del conjunto de datos confirmaron que las ventanas de 10 segundos generalmente capturan partes estables de los encuentros, con las etiquetas de escena cambiando con menos frecuencia que las etiquetas de actividad.

Significado y Afirmaciones
El artículo afirma que este enfoque proporciona una capa visual estructurada y práctica para complementar el análisis existente de BWC basado en texto. Al convertir videos no estructurados en una secuencia alineada temporalmente de ventanas etiquetadas, el sistema respalda revisiones de incidentes más rápidas y flujos de trabajo de formación de oficiales más prácticos. Los autores enfatizan que su método respeta las restricciones de privacidad mientras ofrece un "índice claro, con marca de tiempo y auditables" de los encuentros policiales. Concluyen que, aunque predecir la intensidad del movimiento es más difícil que identificar el contexto operativo, el método propuesto de línea temporal visual captura con éxito la dinámica estructural de los encuentros policiales de una manera que es escalable y consciente de la privacidad.