Segmentação de imagens para identificação de paramédicos em ambulâncias

Abstract

Este trabalho investiga métodos clássicos de Visão Computacional aplicados à segmentação de paramédicos em filmagens de treinamentos de atendimento pré-hospitalar em ambulâncias, com o objetivo de subsidiar pesquisas futuras na área de rastreamento humano em ambientes não controlados. Para isso, foram implementadas e avaliadas duas abordagens de segmentação — diferença de frames e modelo de fundo mediano — além de operações morfológicas de pósprocessamento. A implementação foi realizada em Python, utilizando a biblioteca OpenCV como ferramenta para leitura e processamento das imagens, enquanto os métodos de segmentação aplicados foram implementados com base em técnicas clássicas amplamente descritas na literatura. A metodologia consistiu na extração e pré-processamento dos frames dos vídeos coletados por Vanucci (2018), seguidos da aplicação dos métodos de segmentação e análise qualitativa dos resultados. A diferença de frames destacou-se por produzir máscaras mais limpas e menos suscetíveis a falsas regiões, principalmente quando havia maior movimentação dos profissionais. Já o modelo de fundo mediano identificou melhor movimentos sutis, embora tenha demonstrado maior sensibilidade a variações de iluminação e tenha gerado mais artefatos. Ambos os métodos apresentaram dificuldades diante de poses estáticas e na presença simultânea de mais de um paramédico. As operações morfológicas contribuíram para acentuar regiões segmentadas e reduzir ruídos, com eficácia variável conforme o método de origem. Como contribuição adicional, foi desenvolvido um software com interface gráfica que automatiza as etapas de pré-processamento, segmentação e administração dos resultados. Conclui-se que, apesar das limitações impostas pelas condições de captura, os resultados demonstram potencial de aprimoramento e estabelecem uma base sólida para trabalhos futuros, incluindo técnicas modernas de rastreio.

This work investigates classical Computer Vision methods applied to the segmentation of paramedics in training footage of pre-hospital care inside ambulances, aiming to support future research in human tracking within uncontrolled environments. Two segmentation approaches—frame differencing and temporal median background modeling—were implemented and evaluated, along with morphological post-processing operations. The implementation was carried out in Python, using the OpenCV library as a tool for image reading and processing, while the segmentation methods applied were implemented based on classical techniques widely described in the literature. The methodology comprised extracting and preprocessing the frames from the videos collected by Vanucci (2018), followed by the application of the segmentation methods and qualitative analysis of the results. Frame differencing stood out for producing cleaner masks and being less susceptible to false regions, especially when greater movement was present. The temporal median model, in turn, better identified subtle motions but exhibited higher sensitivity to illumination changes and produced more artifacts. Both methods presented challenges when dealing with static poses and with the simultaneous presence of more than one paramedic in the scene. Morphological operations helped enhance segmented regions and reduce noise, with effectiveness varying according to the originating method. As an additional contribution, a graphical software tool was developed to automate the preprocessing, segmentation, and management stages. The findings indicate that, despite limitations imposed by the capture conditions, the results demonstrate potential for refinement and establish a solid foundation for future work, including modern tracking techniques.