La cámara que entiende
lo que está viendo

Encuentra a cada persona del cuadro y le asigna una identidad que se mantiene mientras esté en escena — aunque se cruce con otra o desaparezca un instante detrás de una góndola.

De cada persona extrae 17 puntos del cuerpo: hombros, codos, muñecas, caderas, rodillas. Ese esqueleto es lo que permite distinguir a alguien que se agacha a atarse el zapato de alguien que se agacha a esconder un producto.

Traduce la postura y el movimiento a conductas legibles: de pie, caminando, corriendo, sentado, agachado, caída, manos arriba, alcanzando. Cada una se confirma en varios cuadros seguidos para no dispararse por un gesto suelto.

Nadie roba con un solo gesto delator, así que en vez de un veredicto binario suma señales débiles: se agachó junto a la estantería, merodeó demasiado, volvió a la misma góndola, salió sin pasar por caja. El puntaje decae solo con el tiempo y se muestra desglosado — el operador ve por qué esa persona está marcada.

Detecta violencia entre personas: dos cuerpos casi en contacto con brazos moviéndose a velocidad de golpe, o una persecución de dos personas corriendo en la misma dirección. Probado contra 200 clips de robos reales de cámaras de seguridad.

Los modelos de visión comunes no tienen una clase «pistola». Este busca por descripción — pistola, revólver, cuchillo, rifle — sin necesidad de entrenar nada. En cámaras reales el arma es diminuta, así que no grita alarma: levanta la mano y le pide al analista que confirme.

Cuando algo se sale de lo normal, tres fotogramas seguidos viajan a un modelo de visión que responde lo que la geometría no puede: si es un incidente, de qué tipo, si hay un arma a la vista, con cuánta confianza y qué debería hacer el operador ahora.

Se marcan áreas sobre el video con el ratón y cada tipo de zona activa sus propias reglas: restringida avisa al entrar, estantería vigila el ocultamiento, caja registra el pago, entrada cierra el recorrido de salida.

Toda alerta seria guarda el fotograma exacto del incidente. No hay que rebobinar horas de grabación: la prueba llega junto con el aviso, con sirena y notificación del navegador.

Cuánta gente hay ahora, cuántas personas distintas pasaron, qué conductas predominan y en qué momento ocurrió cada incidente sobre la línea de tiempo.

Cámara web, archivo de video subido desde el navegador o cámara IP por RTSP. La fuente se cambia en caliente, sin reiniciar el sistema ni perder el historial.

Todo el análisis corre a 30 cuadros por segundo en una tarjeta gráfica de portátil. Sin servidores caros, sin obligación de subir el video a la nube.