Detección por IA: el cambio en las falsas alarmas

Una sombra que cruza el patio, una rama agitada por el viento o un insecto pegado al objetivo pueden convertirse así en una supuesta intrusión.

El resultado es conocido por cualquier operador que haya tenido que vigilar una instalación exterior durante una noche completa: avisos constantes, grabaciones interminables y una alarma real perdida entre decenas de eventos irrelevantes. En sistemas tradicionales, las falsas alarmas han llegado históricamente a situarse alrededor del 76% y, en determinados entornos exteriores, superar el 80% o incluso el 90%.

Eso no es una anécdota del sistema. Es el sistema.

La diferencia entre la detección de movimiento de ayer y la detección inteligente de hoy no consiste en que una cámara tenga una aplicación móvil más vistosa. Consiste en que la primera detecta cambios y la segunda intenta interpretar qué está cambiando. Si asumes que ambas hacen lo mismo, acabarás ajustando la sensibilidad hasta convertir el perímetro en una máquina de generar notificaciones.

La obsolescencia de detectar píxeles

La detección convencional por software trabaja con una lógica sencilla: compara imágenes consecutivas y calcula cuánto ha variado la escena. Cuando el cambio supera un umbral determinado, activa una grabación o un aviso.

En interiores controlados puede ser suficiente. En un pasillo sin ventanas, con iluminación estable y sin elementos móviles, la tecnología no tiene que resolver un problema especialmente complejo. El inconveniente aparece cuando se instala la misma lógica en una parcela, un almacén, una obra o una zona industrial expuesta al clima.

El sistema no entiende que una sombra no es una persona. Tampoco sabe que una lona movida por el viento no pretende saltar una valla. Para la cámara, ambas situaciones implican una variación de contraste. Y la variación de contraste es precisamente lo que se le ha pedido que detecte.

Entre las causas habituales de falsas alarmas están:

• Cambios bruscos de iluminación provocados por nubes, faros de vehículos o encendidos automáticos.
• Sombras de árboles, estructuras y elementos del propio cerramiento.
• Lluvia, niebla, polvo o reflejos sobre la lente.
• Insectos próximos al objetivo, especialmente durante la visión nocturna.
• Animales y mascotas que atraviesan la zona vigilada.
• Vegetación que se mueve dentro de la región de detección.
• Compresión de vídeo, ruido digital y variaciones de exposición durante la noche.

Aquí aparece uno de los errores más repetidos de la instalación: bajar la sensibilidad hasta que dejen de llegar avisos. Parece una solución. No lo es. Si se reduce demasiado el umbral, la cámara dejará de avisar ante parte de los eventos molestos, pero también puede ignorar una intrusión lenta, una persona parcialmente oculta o un acceso por una zona periférica de la imagen.

La sensibilidad de detección de movimiento de las cámaras no puede compensar una tecnología que no distingue entre objetos. Es como pedirle a un timbre que diferencie al cartero de una ráfaga de viento. Se puede cambiar el volumen, moverlo de sitio o instalar tres timbres más. Ninguna de esas medidas le proporciona criterio.

Una cámara que detecta cualquier cambio no está vigilando mejor: está trasladando el problema al operador.

El cuello de botella no siempre está en la cámara

También se suele culpar al grabador. Si llegan demasiadas alertas, se cambia el periodo de grabación, se amplía el almacenamiento o se añade otra pantalla en el puesto de control. De nuevo, se ataca el síntoma.

El cuello de botella está en la primera decisión: qué considera el sistema un evento. Si cada modificación de píxeles genera una alarma, el grabador almacenará más ruido y el operador recibirá más ruido. Aumentar la capacidad de almacenamiento no mejora la seguridad; únicamente permite conservar una colección más grande de errores.

El problema se agrava en instalaciones con muchas cámaras. Un sistema con ocho dispositivos puede producir una cantidad manejable de eventos irrelevantes. En una instalación perimetral extensa, con decenas de cámaras y zonas sometidas a viento, tráfico o vegetación, esa misma lógica puede saturar la central de vigilancia.

La llamada fatiga del operador no es una expresión decorativa. Cuando la mayoría de los avisos no exige intervención, la atención se degrada. El operador empieza a validar por rutina, no por análisis. Y cuando aparece un evento auténtico, compite con todos los demás.

De la detección de movimiento a la detección de humanos

La detección inteligente introduce una diferencia fundamental: no se limita a preguntar si la imagen ha cambiado, sino que trata de clasificar el objeto que ha provocado el cambio.

La detección tradicional responde a una pregunta muy pobre:

• ¿Ha variado la imagen lo suficiente?

La analítica de vídeo con inteligencia artificial intenta responder a preguntas más útiles:

• ¿Hay una persona?
• ¿Hay un vehículo?
• ¿El objeto entra en una zona concreta?
• ¿Cruza una línea virtual en una dirección determinada?
• ¿Permanece dentro de un área durante un tiempo anómalo?
• ¿El evento pertenece a una categoría que debe generar aviso?

La diferencia entre detección de movimiento y detección de humanos no es un matiz comercial. Es el paso de una alarma basada en actividad visual a una alarma basada en clasificación.

Soluciones de fabricantes como Hikvision, mediante funciones de clasificación de objetivos, separan habitualmente personas, vehículos y otros objetos. En equipos compatibles, esta clasificación permite filtrar grabaciones y avisos para que una rama, una mascota o una sombra no reciban el mismo tratamiento que una persona atravesando el perímetro.

Otros sistemas, como las tecnologías de detección inteligente de movimiento de Dahua, aplican modelos de análisis destinados a distinguir personas y vehículos de otros movimientos. En condiciones óptimas, estas soluciones se sitúan en rangos de precisión de clasificación de aproximadamente el 95% al 99%, con reducciones de falsas alarmas que pueden llegar a situarse por debajo del 1% en escenarios adecuados.

La frase decisiva es «en condiciones óptimas». Si se omite, el folleto empieza a vender magia y la instalación termina pagando la factura.

Lo que vende el fabricante y lo que necesita la instalación

El fabricante puede presentar la analítica como una función disponible desde el menú de la cámara. En la práctica, su rendimiento depende de una cadena completa de decisiones:

Una cámara de alta resolución mal orientada sigue siendo una cámara mal orientada. Si una persona aparece como una figura diminuta al fondo del plano, el sistema tendrá menos información para clasificarla. Si el objetivo apunta directamente a una fuente de luz, la imagen se degrada. Si una rama ocupa la zona de intrusión, la analítica tendrá que trabajar sobre un escenario mal diseñado.

La inteligencia artificial no corrige una negligencia física. Puede filtrar mejor el movimiento, pero no inventa detalle donde la óptica no lo captura.

Procesamiento local: menos tráfico y menos demora

En las soluciones de inteligencia artificial en el borde, el análisis se ejecuta directamente en el chip de la cámara, normalmente con hardware dedicado para inferencia. La imagen no tiene que viajar primero a un servidor para que este determine si hay una persona o un vehículo.

Esta arquitectura tiene dos efectos prácticos.

El primero es la latencia. La inferencia en estos dispositivos puede situarse por debajo de 15 milisegundos. No significa que toda la alarma vaya a llegar al operador en 15 milisegundos: todavía intervienen la red, el grabador, la plataforma de gestión y los protocolos de verificación. Pero la clasificación inicial se produce prácticamente en tiempo real.

El segundo efecto es la reducción del tráfico de red. Al procesar el evento antes de transmitirlo, la cámara puede enviar metadatos, clips o secuencias relevantes en lugar de trasladar continuamente todo el vídeo a una plataforma central para que lo examine. En determinados diseños, el procesamiento local permite ahorrar entre un 70% y un 80% de ancho de banda.

Esto resulta especialmente útil en:

• Instalaciones remotas con enlaces limitados.
• Cámaras conectadas mediante redes móviles.
• Sistemas con muchas unidades transmitiendo hacia un centro de control.
• Proyectos en los que el almacenamiento central es un coste relevante.
• Entornos donde se necesita mantener la grabación local aunque la conexión exterior falle.

No obstante, conviene separar dos funciones que a menudo se mezclan en la presentación comercial: detectar y comunicar. La cámara puede clasificar correctamente un objeto y, aun así, el aviso no llegar si la red está caída, la alimentación es inestable o la configuración de notificaciones es deficiente.

Por eso, un proyecto serio debe comprobar la ruta completa: alimentación, conmutación de red, direccionamiento, grabación, transmisión de eventos y recepción en el puesto de vigilancia. Si solo se prueba que aparece una caja de selección llamada «persona», no se ha verificado el sistema. Se ha verificado el menú.

El hardware importa, aunque el marketing prefiera ocultarlo

No todos los dispositivos pueden convertirse en cámaras inteligentes mediante una actualización de firmware. Si el equipo carece de procesador, memoria o unidad de inferencia adecuada, el software no puede fabricar la capacidad de análisis que el hardware nunca tuvo.

Este punto debería ser obvio, pero sigue provocando proyectos absurdos: se compra una cámara básica porque graba en alta definición y después se pretende añadirle analítica avanzada como quien instala una aplicación en un teléfono. La resolución de vídeo y la capacidad de clasificación son prestaciones distintas.

Una cámara puede ofrecer una imagen nítida para revisar manualmente una grabación y no tener recursos suficientes para ejecutar redes neuronales en tiempo real. También puede incorporar una función de detección de personas muy limitada, sin reglas avanzadas de cruce, permanencia o dirección.

Antes de elegir el equipo, hay que saber qué tarea se quiere resolver. No es lo mismo detectar una persona en una entrada bien iluminada que distinguir peatones de vehículos en un vial con lluvia, reflejos y tráfico de fondo. La palabra «IA» no define por sí sola la capacidad del sistema.

La escena manda más que la etiqueta inteligente

El mayor error de diseño consiste en suponer que una cámara inteligente funciona igual en cualquier encuadre. La analítica necesita una escena legible.

Para detectar personas y vehículos con fiabilidad, la imagen debe ofrecer tamaño, contraste y perspectiva suficientes. Una cámara instalada demasiado alta puede ver el perímetro, pero presentar a las personas desde un ángulo que dificulte la clasificación. Una cámara demasiado abierta cubre más superficie, pero reduce el número de píxeles disponibles para cada objetivo.

La planificación debe empezar por las zonas que realmente necesitan protección:

1. Definir el punto de entrada o cruce. Una línea de detección colocada sobre una zona de paso clara suele ser más útil que una región enorme que incluye media parcela.

2. Eliminar movimiento permanente del encuadre. Árboles, banderas, maquinaria y carreteras próximas generan actividad visual que no siempre debe activar un aviso.

3. Separar detección y comprobación. Una cámara puede detectar en un plano general y otra ofrecer el detalle necesario para verificar el evento.

4. Revisar la iluminación nocturna. El infrarrojo puede crear zonas quemadas, reflejos y pérdida de detalle. La visión nocturna no convierte una escena complicada en una escena sencilla.

5. Definir reglas de dirección y permanencia. Cruzar una línea hacia el interior no equivale a moverse cerca de una valla. Permanecer dentro de una zona restringida puede ser más relevante que atravesarla rápidamente.

6. Probar con condiciones diferentes. La configuración de día no demuestra el comportamiento durante la noche, con lluvia o con iluminación artificial cambiante.

La regla es simple: cuanto más limpia sea la escena, menos tendrá que adivinar el algoritmo.

Aquí también aparece la diferencia entre la analítica de detección y otras tecnologías. El reconocimiento de matrículas exige una geometría, una velocidad de paso, una iluminación y una distancia mucho más controladas. Un sistema térmico puede detectar una fuente de calor en condiciones donde una cámara convencional pierde contraste, pero no sustituye automáticamente a una cámara visible para identificar detalles. Cada tecnología resuelve un problema distinto.

Instalar un dispositivo térmico, una cámara de gran angular o una cámara con reconocimiento de matrículas sin estudiar el escenario es otra forma de comprar prestaciones que no se van a utilizar.

Del filtro en cámara al segundo nivel de análisis

La inteligencia artificial puede actuar en distintos puntos de la arquitectura. El primer nivel suele ejecutarse en la propia cámara: clasifica personas, vehículos u otros objetos y decide qué eventos merecen ser enviados o grabados con prioridad.

El segundo nivel se sitúa en un servidor, una plataforma de gestión o una Central Receptora de Alarmas. Allí se recibe el evento y se aplica una verificación adicional antes de escalarlo. Esta doble capa permite reducir todavía más la cantidad de avisos que llegan al operador.

Un ejemplo de este enfoque es el análisis secundario de vídeo utilizado por soluciones como Second Tier Analytics de BauWatch. Según los datos sectoriales disponibles, este tipo de filtrado puede reducir hasta un 99,8% las falsas alarmas antes de que alcancen a los operadores de una Central Receptora de Alarmas.

La cifra no debe confundirse con el rendimiento de una cámara aislada. No estamos hablando exactamente de la misma tecnología ni del mismo punto de la cadena. Una cosa es que la cámara descarte parte de los movimientos irrelevantes y otra que una plataforma posterior vuelva a examinar el evento, lo contraste con reglas adicionales y decida si debe movilizarse un recurso.

La arquitectura puede resumirse así, sin convertirla en un diagrama de feria tecnológica:

• La cámara capta la escena.
• La analítica local clasifica el objeto.
• El sistema aplica reglas de zona, dirección o permanencia.
• El grabador o la plataforma conserva el evento relevante.
• Un segundo nivel puede revisar el aviso.
• El operador interviene solo cuando el evento supera los filtros establecidos.

Cada nivel reduce ruido, pero también añade requisitos de configuración, conectividad y mantenimiento. Si se diseña sin coordinación, se crean puntos ciegos: la cámara descarta demasiado, el servidor recibe eventos incompletos o la central no dispone de imágenes suficientes para verificar.

Verificar antes de movilizar

En España, la verificación de los avisos tiene una importancia operativa y normativa evidente. La movilización de las Fuerzas y Cuerpos de Seguridad no puede descansar en un flujo de falsas alarmas generado por una detección sin contexto.

La integración de analítica de vídeo con inteligencia artificial se ha asociado a reducciones de hasta el 90% en los avisos erróneos enviados a operadores, según datos sectoriales citados por Securitas. El beneficio no es únicamente estadístico: una central que recibe menos eventos irrelevantes puede dedicar más tiempo a los que sí requieren comprobación.

También se reducen desplazamientos innecesarios de patrullas o servicios de verificación. Los datos disponibles en el sector sitúan estas reducciones en rangos que pueden ir aproximadamente del 42% al 90%, dependiendo de la solución, el escenario y el modo de operación.

Pero el verbo importante es «verificar». La IA no sustituye automáticamente el protocolo. Lo mejora cuando se integra con imágenes útiles, reglas claras y personal que sabe interpretar el evento.

Si el sistema envía una notificación sin contexto, la analítica ha hecho solo la mitad del trabajo. Un aviso útil debería aportar, según la configuración disponible, la categoría del objetivo, la zona afectada, la dirección del movimiento, la secuencia asociada y las imágenes necesarias para confirmar la situación.

Qué cambia realmente en una instalación

El antes y el después de la detección de movimiento inteligente no se mide solo contando notificaciones. Hay que observar cómo se comporta la operación completa.

La mejora más visible suele ser la reducción del ruido operativo. Una cámara que antes disparaba con cada movimiento de vegetación puede limitar los avisos a personas y vehículos. Eso no significa que el sistema deje de grabar todo lo demás: significa que la alarma y la prioridad de revisión dejan de depender de cualquier alteración de la imagen.

La segunda mejora es el uso de la red y del almacenamiento. Al procesar el evento en el dispositivo, se puede reducir la transmisión de datos hacia el centro. Esto no elimina la necesidad de dimensionar correctamente el sistema, pero permite que el diseño sea menos derrochador.

La tercera es la calidad de la respuesta. Una intrusión real no debería presentarse al operador como una secuencia de treinta avisos inconexos. Debería llegar como un evento contextualizado, con una categoría, una localización y una secuencia que permita decidir.

La instalación no termina cuando desaparece el técnico

La inteligencia artificial no convierte una instalación mediocre en una instalación profesional. Solo hace más sofisticada la diferencia entre ambas.

Tras la puesta en marcha, el entorno cambia. Crece la vegetación, se instala una luminaria, aparece una lona, se modifica el tráfico de vehículos o se cambia el ángulo de una cámara durante una intervención. Cualquiera de esos cambios puede alterar el comportamiento de la analítica.

El mantenimiento debería incluir, como mínimo:

• Limpieza y revisión física de las lentes.
• Comprobación del enfoque y del campo de visión.
• Revisión de las zonas y líneas virtuales.
• Validación de las reglas de persona y vehículo.
• Pruebas diurnas y nocturnas.
• Comprobación bajo lluvia o con iluminación artificial cambiante cuando el entorno lo exija.
• Revisión de la conectividad y de la alimentación.
• Verificación de que los eventos llegan con imágenes suficientes.
• Control de las actualizaciones de firmware y de los cambios que puedan introducir.
• Revisión periódica de la tasa real de falsas alarmas.

Esta última medida suele olvidarse porque obliga a mirar el sistema después de venderlo. Sin embargo, es la única forma de saber si la configuración sigue cumpliendo su función. Una instalación puede empezar con buenos resultados y degradarse meses después por un árbol que invade la imagen o por un foco que genera reflejos nocturnos.

Tampoco conviene asumir que una precisión anunciada por el fabricante se trasladará automáticamente a cualquier ubicación. Las cifras de clasificación y reducción de falsas alarmas dependen del escenario, la iluminación, la distancia, la calidad de la imagen y las reglas configuradas. La IA puede reducir el problema de forma drástica, pero no elimina las consecuencias de una mala óptica, una red inestable o una zona de detección mal planteada.

La analítica inteligente filtra el movimiento; el mantenimiento decide si ese filtro sigue siendo fiable seis meses después.

Cómo plantear una actualización sin tirar el dinero

No todas las instalaciones necesitan sustituirlo todo. En algunos casos, las cámaras existentes pueden seguir sirviendo para grabación o comprobación visual, mientras se incorporan dispositivos inteligentes en los puntos críticos. En otros, el hardware antiguo no tendrá capacidad suficiente y mantenerlo será más caro que renovarlo.

La decisión debería partir de los fallos actuales, no del catálogo de funciones.

Si el problema principal son las falsas alarmas causadas por animales y vegetación, la clasificación de personas y vehículos puede ofrecer una mejora directa. Si el problema es que no se distingue una figura al fondo de la parcela, habrá que revisar óptica, distancia e iluminación antes de hablar de algoritmos. Si la central recibe demasiados eventos aunque la cámara filtre parte del movimiento, puede tener sentido añadir una segunda capa de análisis.

Un planteamiento razonable sería:

1. Medir qué genera los avisos actuales. No basta con afirmar que hay muchas falsas alarmas; hay que identificar si proceden de sombras, animales, vehículos, clima o errores de configuración.

2. Seleccionar los puntos críticos. La renovación completa no siempre es necesaria. Una entrada, una valla vulnerable o un acceso de vehículos pueden justificar la inversión antes que las zonas secundarias.

3. Comprobar la capacidad del hardware. Si no existe unidad de procesamiento adecuada, una actualización de software no hará aparecer analítica avanzada.

4. Replantear el encuadre. El nuevo equipo debe capturar objetivos con tamaño y contraste suficientes.

5. Diseñar la regla de alarma. Persona, vehículo, cruce, dirección y permanencia deben responder a una necesidad real.

6. Verificar la comunicación. El evento tiene que llegar al grabador, a la plataforma o a la central con la información necesaria.

7. Comparar el resultado con una línea de partida. Si no se sabe cuántos avisos irrelevantes existían antes, cualquier mejora será una impresión, no una evaluación.

El presupuesto tampoco debe concentrarse únicamente en la cámara. Alimentación protegida, red, soportes, iluminación, almacenamiento, licencias, configuración y mantenimiento forman parte del sistema. Ahorrar en el elemento que sostiene la comunicación para comprar una cámara con más funciones es una negligencia bastante habitual.

La detección de movimiento inteligente solo tiene sentido cuando resuelve un cuello de botella concreto. Si se instala porque la ficha técnica menciona inteligencia artificial, se está comprando una etiqueta. Si se instala para reducir falsas alarmas, mejorar la verificación y priorizar eventos, entonces puede formar parte de una arquitectura de seguridad útil.

La posición incómoda: menos alarmas no significa menos vigilancia

Una reducción de falsas alarmas del 85%, del 90% o incluso de cifras superiores puede transformar la operación de una instalación. Pero debe interpretarse correctamente. El objetivo no es que la cámara avise menos a cualquier precio. El objetivo es que avise mejor.

Si la configuración descarta personas que aparecen parcialmente ocultas, movimientos lentos o accesos que no siguen la trayectoria prevista, la estadística será excelente y la seguridad será deficiente. El sistema no puede evaluarse solo por el número de notificaciones que desaparecen.

La detección de movimiento inteligente representa un cambio real respecto a la detección por píxeles: aporta clasificación, procesamiento local, reglas de contexto y, cuando se integra con plataformas de segundo nivel, una verificación más rigurosa. En escenarios adecuados, puede reducir de manera muy significativa las falsas alarmas en cámaras de seguridad y aliviar la fatiga del operador.

Pero el resultado depende de la instalación completa. Una cámara bien elegida, mal colocada, seguirá fallando. Una analítica avanzada, mal configurada, seguirá generando avisos inútiles. Y una central que no recibe imágenes suficientes no podrá verificar nada, por muy inteligente que sea el dispositivo.

Si asumes que activar la función de personas resuelve el perímetro, fallará. Si confundes resolución con analítica, fallará. Si dejas la configuración sin revisar después de la puesta en marcha, acabará fallando.

La IA no sustituye el criterio técnico. Lo exige.