Desarrollo de un sistema de detección de personas en oficinas, para optimizar la gestión de los espacios de trabajo

El objetivo de este trabajo de fin de máster es satisfacer las necesidades de los propietarios de oficinas de coworking. Estos clientes buscan el aprovechamiento y optimización del espacio, la reducción de los gastos de mobiliario y la mejora de experiencia de usuario, es decir, más espacios disponibles y menos colas.

Instalando cámaras en un coworking de prueba, se analizan las imágenes en tiempo real para detectar personas y poder proporcionar datos fiables sobre la ocupación de cada puesto de trabajo y en su conjunto, de las diferentes salas.

Con alguno de los módulos de OpenCV, se aplican técnicas de visión artificial para poder detectar movimiento en una secuencia de imágenes y así identificar personas en una oficina de trabajo. El sistema desarrollado consta de 3 partes principales: una primera detección, el resultado de las detecciones por puesto y las detecciones por secuencia. En concreto, para la primera detección se utiliza el método KNN y una combinación de operaciones morfológicas, seguido de un etiquetado de formas. A continuación, se determina si las detecciones pertenecen a una zona considerada un puesto de trabajo definido. Y, por último, estos resultados se pasan por un algoritmo de decisión de 1 minuto, el cual permite evitar falsas detecciones y corregir detecciones perdidas.
En el 88% de los casos, los resultados de la detección son correctos. Se detecta persona cuando hay persona o no se detecta cuando efectivamente no hay persona. Los resultados son la detección de personas en un puesto definido cada minuto y el porcentaje de ocupación de cada sala de trabajo y/o reuniones cada hora.
Con los datos generados, que son objetivos y precisos, se puede conocer la ocupación de cada sala en tiempo real, sacar patrones de comportamiento y anomalías y tomar decisiones más acertadas con el objetivo de rentabilizar al máximo el negocio de un coworking.

The objective of this master's thesis is to satisfy the needs of coworking office owners. These clients seek the use and optimization of space, the reduction of furniture costs and the improvement of user experience, that is, more available spaces and fewer queues.
Having installed a camera in a test coworking, the images are analyzed in real time to detect people and to be able to provide reliable data on the occupation of each table and each working or meeting room.
With the aid of some of the OpenCV modules, computer vision techniques are applied in order to detect movement from a sequence of images and thus identify people in a work office. The developed system consists of 3 main parts: a first detection, the result of detections per workplace and detections per sequence. Specifically, for the first detection, the KNN method and a combination of morphological operations are used, followed by shape labeling. Next, it is determined if the detections belong to a zone considered a defined workplace. And, finally, these results are passed through a 1-minute decision algorithm, which is used to avoid false positives and false negatives.
The accuracy rate is 88%. Results are the detection of people in a defined workplace every minute and percentage of occupation in a working room every hour.
Through the data generated, which is objective and precise, the occupation of each room can be known in real time, take out behavioral patterns and anomalies and make more accurate decisions in order to maximize the profitability of a coworking.