Conozca las principales aplicaciones de analíticos de video en CFTV, con casos de uso, metadatos, IA, precision/recall, VMS, requisitos de imagen, dimensionamiento y criterios de comisionamiento.
¡Descúbrelo!
Los analíticos de video en CFTV son mecanismos de procesamiento que transforman imágenes en eventos y metadatos utilizables por la operación. El valor técnico no está en “tener inteligencia artificial”, sino en aplicar el algoritmo correcto a un caso de uso bien definido, con calidad de imagen, arquitectura computacional, integración con el VMS y criterios de rendimiento compatibles con la finalidad del sistema.
En la práctica, las aplicaciones de analíticos de video pueden apoyar detección de intrusión, permanencia indebida, cruce de línea, conteo, clasificación de personas y vehículos, reconocimiento de matrículas, búsqueda forense, generación de alertas y análisis operacional. Cada aplicación exige diferentes condiciones de encuadre, iluminación, resolución, latencia, procesamiento y validación. Por ello, el diseño debe partir del requisito operacional y solo después seleccionar la tecnología.
Qué Son los Analíticos de Video
Los analytics deben especificarse por caso de uso verificable, no por una lista genérica de funciones de inteligencia artificial. El diseño debe definir escenario, objetivo, rendimiento esperado y evidencia de aceptación.
Los analíticos de video son funciones de software que procesan streams o archivos de video para detectar objetos, seguir trayectorias, clasificar elementos de la escena, extraer atributos y generar metadatos estructurados. Estos datos pueden alimentar búsquedas retrospectivas, dashboards, alarmas, reglas, automatizaciones o integraciones con otros sistemas.
Una arquitectura moderna puede ejecutar parte del procesamiento en la propia cámara, en servidores dedicados, appliances, infraestructura virtualizada o en la nube. La ubicación de los analytics afecta latencia, uso de ancho de banda, dependencia de la red, capacidad de procesamiento, escalabilidad y disponibilidad.
El material técnico de BriefCam ayuda a visualizar este pipeline: el video se recibe y procesa mediante mecanismos de visión computacional y deep learning, los objetos se detectan y rastrean, los atributos se clasifican y los metadatos resultantes se almacenan en una base estructurada. Después, distintas aplicaciones pueden utilizar el mismo conjunto de datos para REVIEW, RESPOND o RESEARCH.
Esta distinción es importante porque “analytics” no es una única función. El mismo motor puede servir a objetivos diferentes, desde generar una alarma inmediata hasta permitir que un operador busque, horas después, todos los vehículos que cruzaron un acceso.
Aplicaciones de Analíticos de Video en CFTV
The best way to organize the topic is by use case rather than by commercial algorithm name. The design should determine which event must be detected, how early, in what environment, with what acceptable false-positive rate, and what operational response will be triggered.
Detección de Intrusión y Protección Perimetral
In perimeter protection, the objective is to identify people or vehicles entering a defined area, crossing a virtual line, or remaining in a restricted zone. Instead of reacting to every pixel change, current systems can combine motion detection with semantic classification to prioritize relevant objects.
The potential benefit is reducing alarms caused by rain, vegetation, shadows, or small animals. This depends on the scene, calibration, and product; false alarms cannot be eliminated completely.
For outdoor environments, the specification should consider lighting, distance, contrast, backlighting, rain, fog, vegetation, cast shadows, insects near the lens, and camera vibration. Daytime and nighttime tests are essential.
Cruce de Línea, Dirección y Trayectoria
Line and trajectory filters can detect objects that cross a virtual boundary or follow a defined path. They are useful at access points, corridors, circulation areas, perimeters, internal roads, and operational zones.
BriefCam documentation shows that line filters can consider direction, while path filters analyze the route of the lower part of the object — legs or wheels — through the scene. This illustrates why camera position and geometry directly affect results.
Permanencia Indebida y Dwell Time
Dwell analytics looks for objects that remain in an area longer than a defined threshold. It can be used in restricted areas, technical access points, facades, perimeters, platforms, loading zones, and environments requiring detection of abnormal behavior.
The time parameter should represent the actual process. An arbitrary threshold can generate excessive alarms or ignore relevant situations. The design should define the operational condition that constitutes unauthorized dwell.
Objeto Abandonado o Retirado
Abandoned-object detection seeks to identify items left in an area after separation from a person or associated context. Removed-object detection looks for persistent scene changes related to the removal of an item.
These use cases are sensitive to scene stability, occlusion, and background movement. Field validation becomes even more important in highly dynamic environments.
Conteo de Personas, Vehículos y Ocupación
Counting can support occupancy control, flow analysis, operational sizing, and capacity analysis. For reliable performance, the camera should be positioned according to the counting logic, avoiding occlusion zones and excessive crossings.
In many applications, a dedicated overhead camera provides more consistent results than repurposing a camera installed for identification or general context.
Counting should not be treated as an absolute value without validation. Commissioning should compare automatic counts with a known sample and record error, accuracy, and scene conditions.
Clasificación de Personas y Vehículos
Deep-learning systems can classify objects into broad categories such as person, vehicle, or animal and then apply subclasses or additional attributes.
BriefCam documentation describes a two-layer approach: first the main class, then subclasses and attributes. The key technical point is not an isolated catalog percentage but understanding that more detailed classification depends more strongly on object quality in the image.
An image may be sufficient to classify “vehicle” but insufficient to distinguish a more specific category reliably. The same applies to person attributes.
Color, Vestimenta y Atributos Visuales
Color and clothing filters are especially useful during investigation. An operator can search, for example, for people wearing a given clothing combination or vehicles of a specific color.
These attributes are affected by lighting, white balance, reflections, shadows, and each camera’s color response. BriefCam itself notes that different cameras and viewing angles can produce different tones for the same object.
Color filters should therefore be treated as a mechanism for reducing candidates, not as unequivocal identification.
Similitud de Apariencia
Appearance similarity searches for objects visually similar to a reference selected by the operator. It can be used to follow a person or vehicle across different areas or cameras.
It should not be confused with biometric identification. Two vehicles of the same class and color may be considered similar even when they are different vehicles. For people, clothing and overall appearance can guide a search without proving identity.
Reconocimiento Facial
Reconocimiento Facial compara representações de faces com identidades ou listas previamente cadastradas. É um caso de uso especializado, com requisitos de imagem muito mais restritivos do que uma câmera de contexto geral.
According to BriefCam documentation, performance depends on facial resolution, camera position, distance, lighting, angle, focus, and image quality. A technical recommendation is to position the camera closer to eye level, reduce vertical angles, and obtain frontal faces with adequate lighting.
This type of application also requires legal and governance assessment. The design should define purpose, applicable legal basis, access profiles, retention, and watchlist controls.
Reconocimiento de Matrículas LPR/ANPR
LPR/ANPR should be treated as a dedicated function, not as a simple extension of “vehicle detection.” Alphanumeric reading requires specific framing, speed, shutter, lighting, angle, contrast, and plate pixel-density requirements.
If the requirement is to identify license plates, the specification should measure capture rate and read rate under known conditions. Filtering a vehicle by color or class does not replace license plate recognition.
Búsqueda Forense
Búsqueda Forense usa metadados e filtros para reduzir o volume de vídeo que precisa ser revisado manualmente. Pode combinar período, câmera, classe, cor, direção, região de interesse, permanência, similaridade, face ou placa, conforme os recursos disponíveis.
O artigo sobre Búsqueda Forense en CFTV explores this architecture and investigation criteria in greater depth.
Video Synopsis
Video Synopsis é uma camada de revisão acelerada. Em vez de reproduzir toda a janela temporal na ordem original, eventos podem ser condensados e apresentados simultaneamente ou em sequência otimizada para reduzir o tempo de triagem.
In the BriefCam model, objects can be displayed out of chronological order within the synopsis. When a relevant occurrence is identified, the operator returns to the original video to verify context and preserve evidence.
O conteúdo Video Synopsis en CFTV examines this mechanism in greater depth.
Alertas Inteligentes y Respuesta en Tiempo Real
Real-time analytics can feed rules and alerts. In this case, the system is not only an investigation tool; it participates in the operational chain of detection, qualification, and response.
The architecture must define what happens after the event. An alarm without a procedure, priority, associated camera, map, operator instruction, or integration with another system merely transfers the problem to the monitoring center.
Analytics should reduce cognitive load, not create a new queue of irrelevant events.
Analytics no es Sinónimo de Inteligencia Artificial
La detección de movimiento, el cambio de fondo, las reglas geométricas y el procesamiento estadístico también son formas de análisis de video. La inteligencia artificial amplía la capacidad de clasificación y reconocimiento, pero no sustituye los fundamentos de la visión computacional.
En sistemas actuales, algoritmos clásicos y modelos de deep learning pueden operar conjuntamente. BriefCam, por ejemplo, documenta el uso de deep learning combinado con técnicas clásicas de visión computacional para detección, tracking, extracción de objetos y enriquecimiento de metadatos.
Esta distinción evita un error común: presentar cualquier regla de video como “IA” o asumir que un sistema necesariamente aprende de forma continua en campo. Muchos productos utilizan modelos previamente entrenados y ejecutan inferencia durante la operación.
Metadatos: el Vínculo entre Analytics, VMS y Operación
Los metadatos son la representación estructurada de lo que los analytics encontraron en el video. Pueden registrar clase, atributos, trayectoria, horario, bounding boxes, velocidad, dirección, región, eventos y otros elementos.
Estos datos hacen que el video sea consultable e integrable. Sin metadatos, la operación depende principalmente de la línea de tiempo, bookmarks y eventos previamente registrados. Con metadatos, el sistema puede responder consultas complejas y correlacionar video con otros sistemas.
O artigo Metadatos y Visión Computacional profundiza en esta capa.
Edge Analytics vs. Procesamiento en Servidor
Ejecutar analytics en la cámara reduce la necesidad de transportar video a un servidor únicamente para procesarlo y puede disminuir la latencia de determinados eventos. También distribuye la capacidad computacional en el edge.
El procesamiento centralizado, por otro lado, facilita la estandarización de engines, gestión de hardware, actualización de modelos, compartición de GPU y análisis sobre múltiples fuentes.
Una arquitectura híbrida puede combinar ambos enfoques: analytics básicos o eventos en la cámara, procesamiento avanzado en servidores y VMS centralizando operación y evidencia.
La decisión debe considerar:
- cantidad de cámaras;
- capacidad de las cámaras;
- requisitos de latencia;
- throughput de procesamiento;
- disponibilidad de GPU;
- consumo de ancho de banda;
- retención de metadatos;
- licenciamiento;
- alta disponibilidad;
- integración con VMS y PSIM.
Throughput y Capacidad Computacional
Los analytics avanzados consumen recursos. El procesamiento de video no debe dimensionarse únicamente por “número de cámaras”. Resolución, frame rate, complejidad del modelo, cantidad de objetos, modalidad en tiempo real o bajo demanda y engine utilizada modifican la carga.
La documentación de BriefCam utiliza el concepto de Hs/H — horas de video procesadas por hora — para expresar capacidad de procesamiento bajo demanda. Esto permite comprender que revisar 24 horas de grabación de cien cámaras es un problema computacional diferente de procesar eventos en tiempo real.
En sistemas corporativos, deben separarse al menos:
| Demanda | Métrica útil | Riesgo de subdimensionamiento |
| Analytics en tiempo real | canales simultáneos | retraso o pérdida de eventos |
| Búsqueda forense bajo demanda | horas de video por hora | investigación lenta |
| Video synopsis | tiempo para procesar la ventana | baja utilidad operacional |
| Metadatos históricos | volumen y retención | pérdida de capacidad de búsqueda |
| Dashboards y queries | consultas concurrentes | degradación de la experiencia del operador |
La especificación debe utilizar datos del fabricante de la solución seleccionada y validar el dimensionamiento en el escenario real del proyecto.
Calidad de Imagen y Rendimiento de los Analíticos
Los analytics no corrigen una imagen inadecuada. La resolución nominal es solo una variable.
La documentación de BriefCam destaca iluminación, tilt, motion blur, enfoque y compresión como factores de rendimiento. Una imagen de menor resolución, pero nítida y bien iluminada, puede producir mejores resultados que una imagen de mayor resolución degradada por blur o compresión excesiva.
Esto tiene impacto directo en el diseño de CFTV. Un campo de visión demasiado amplio reduce la densidad de píxeles sobre el objetivo. Un obturador lento puede generar estela en objetos rápidos. El contraluz puede ocultar atributos. La compresión agresiva puede destruir detalles que los analytics necesitan.
Frame rate
El frame rate también debe analizarse según la engine. El material de BriefCam muestra que distintas engines pueden procesar diferentes cantidades de cuadros por segundo y que los objetos de alta velocidad pueden verse perjudicados cuando se muestrean pocos frames.
No existe un FPS universal para todos los analíticos. La necesidad debe validarse por caso de uso.
PTZ
Las cámaras PTZ que se mueven continuamente son problemáticas para algoritmos que dependen de un fondo y una geometría estables. El material de BriefCam registra pérdida de utilidad durante el movimiento y necesidad de estabilizar la escena antes de recuperar el procesamiento normal.
Si los analytics son un requisito permanente de un área, una cámara fija dedicada suele ser más predecible que depender de una PTZ en ronda.
Fisheye
Las lentes fisheye introducen distorsión geométrica. Esto puede reducir la calidad de análisis que dependen de tamaño, velocidad, proximidad o geometría de la escena.
Infrarrojo y Térmico
El video térmico e IR puede ser útil para detección, pero atributos como color, clasificación fina y reconocimiento facial pueden degradarse. El diseño debe separar claramente el objetivo de detección del objetivo de identificación.
Precision, Recall y Falsos Positivos
Evaluar analytics únicamente como “acertó o falló” es insuficiente. Dos conceptos ayudan a estructurar el rendimiento: precision y recall.
Precision mide la proporción de resultados devueltos que realmente eran relevantes. Una precision alta significa menos falsos positivos.
Recall mide la proporción de eventos relevantes existentes que fueron encontrados. Un recall alto significa menor probabilidad de perder eventos verdaderos.
Estas métricas están en tensión. Hacer un filtro más estricto tiende a aumentar precision y reducir recall. Hacerlo más permisivo tiende a recuperar más eventos, pero también aumentar los falsos positivos.
La documentación de BriefCam hace explícito este trade-off al ofrecer tolerancias Strict, Normal y Loose. El concepto es generalizable: los sistemas de analytics siempre trabajan con umbrales de decisión.
En seguridad, la elección debe reflejar el riesgo. En un área crítica, puede ser aceptable recibir más falsos positivos para reducir la probabilidad de perder una intrusión. En un centro con miles de eventos por hora, el exceso de falsos positivos puede hacer inviable la operación.
Integración con VMS
Los eventos, metadatos y alarmas solo generan valor cuando llegan correctamente al VMS y a la operación. La integración debe especificarse y probarse de extremo a extremo.
El VMS normalmente centraliza cámaras, grabaciones, usuarios, eventos, alarmas y herramientas de investigación. Cuando los analytics están integrados al VMS, el operador puede abrir el video asociado al evento, revisar contexto, buscar metadatos y exportar evidencias dentro del mismo flujo.
La integración debe verificarse por función y no solo por una declaración de compatibilidad. Es necesario confirmar:
- qué metadatos se reciben;
- qué eventos pueden buscarse;
- si los bounding boxes se preservan;
- si los filtros funcionan sobre video histórico;
- cómo se presentan las alarmas;
- cómo se tratan los timestamps;
- cómo se comporta el sistema ante pérdida de conexión;
- cómo afectan a la integración las versiones y actualizaciones.
Analytics en Centros de Operaciones
En un Centro de Monitoreo o Centro de Operaciones, los analytics participan en una cadena mayor: detectar, contextualizar, priorizar, presentar, decidir, responder y registrar.
Un evento de intrusión puede abrir automáticamente la cámara correcta, mostrar un mapa, presentar un procedimiento operacional y correlacionar control de acceso o alarma perimetral. El operador deja de navegar manualmente entre cientos de cámaras y pasa a trabajar con eventos priorizados.
A arquitetura é aprofundada em Centro de Monitoreo: arquitectura, sistemas y requisitos de diseño e em Integración de VMS, PSIM, SCADA y BMS en Centros de Operaciones.
Analytics para Eficiencia Operacional
El video analítico no necesita tener una finalidad exclusivamente de seguridad. Los mismos mecanismos de clasificación y tracking pueden apoyar ocupación, flujo, filas, mapas de calor, rutas más utilizadas y permanencia.
El material de BriefCam incluye visual layers de actividad, dwell y common paths. Estos recursos ilustran cómo los metadatos de video pueden apoyar decisiones operacionales.
Este uso debe separarse conceptualmente de la vigilancia. La finalidad, gobernanza, acceso a los datos y retención pueden ser diferentes.
Privacidad, LGPD y Gobernanza
Cuanto más ricos sean los analytics, mayor será la necesidad de gobernanza. Los metadatos pueden representar atributos de personas, rostros, matrículas, trayectorias y patrones de comportamiento.
El sistema debe contar con perfiles de acceso, auditoría, políticas de retención, reglas de exportación y procedimientos para tratamiento de datos. Funciones como reconocimiento facial y watchlists requieren una evaluación específica.
El material de BriefCam incluye mecanismos de Data Protection para localizar, exportar y eliminar datos asociados a personas o vehículos. Esto no sustituye la gobernanza de la organización, pero demuestra que el tratamiento no se limita al archivo de video: también pueden existir metadatos, thumbnails, clips, bookmarks y artefactos internos.
Cómo Especificar Analíticos de Video
Una especificación débil dice “la cámara debe poseer inteligencia artificial”. Una especificación verificable define el comportamiento esperado.
Para cada caso de uso, la ingeniería debe establecer:
- escenario y área monitoreada;
- objeto o comportamiento de interés;
- rango de distancia;
- iluminación esperada;
- dirección y velocidad del objetivo;
- regla de detección;
- tiempo máximo para generación del evento;
- acción esperada en el VMS;
- tasa aceptable de falsos positivos;
- condición mínima de detección verdadera;
- retención de metadatos;
- perfiles autorizados;
- comportamiento ante fallas;
- evidencia de aceptación.
Este enfoque permite comparar fabricantes por rendimiento sin limitar la solución a una lista de features de catálogo.
Cómo Probar Analíticos Durante el Comisionamiento
El comisionamiento debe reproducir los casos de uso previstos en el diseño. Comprobar únicamente que existe una pantalla de configuración no valida los analytics.
Un plan de aceptación puede incluir:
- generar un evento conocido en condición controlada;
- confirmar timestamp y cámara;
- verificar que el objeto fue detectado;
- verificar clasificación y atributos previstos;
- medir latencia hasta el VMS;
- confirmar generación de alarma o metadato;
- repetir en diferentes horarios y condiciones de iluminación;
- ejecutar un escenario conocido de falso positivo;
- validar permisos de usuarios;
- verificar búsqueda histórica;
- exportar evidencia;
- registrar resultados y no conformidades.
Las pruebas deben incluir condiciones adversas relevantes: contraluz, noche, lluvia, oclusión parcial, múltiples objetos, cambios de dirección y movimiento de fondo.
Criterios de Aceptación Recomendados
| Criterio | Qué medir | Evidencia |
| Detección | evento verdadero reconocido | video + log |
| Falso positivo | eventos indebidos por período | informe de prueba |
| Latencia | tiempo entre evento y presentación | timestamp |
| Clasificación | clase/atributo esperado | resultado de analytics |
| Búsqueda | evento localizado mediante filtros | pantalla + video original |
| Retención | metadatos disponibles durante el período | consulta histórica |
| Integración | evento recibido en el VMS | log + interfaz |
| Failover | continuidad o recuperación | prueba de falla |
| Permisos | función disponible solo para el perfil correcto | matriz de acceso |
| Exportación | archivo reproducible y contextualizado | archivo exportado |
Los límites cuantitativos deben surgir de los requisitos del proyecto y de las capacidades declaradas y probadas de la solución. No existe un porcentaje único adecuado para todos los entornos.
Errores Comunes en Proyectos de Analytics
Un error recurrente es comprar analytics antes de definir el caso de uso. Otro es instalar una cámara de contexto general y esperar reconocimiento detallado de rostro, matrícula o atributos en cualquier punto de la escena.
Otros problemas frecuentes incluyen:
- encuadre incompatible con la tarea;
- compresión excesiva;
- baja iluminación;
- intentar usar una PTZ en movimiento para analytics continuos;
- ausencia de dimensionamiento de GPU;
- retención de metadatos menor que la retención del video;
- integración incompleta con el VMS;
- exceso de alarmas sin prioridad;
- inexistencia de procedimiento operacional;
- ausencia de prueba de falso positivo;
- confiar en cifras de catálogo sin POC o comisionamiento;
- confundir similitud con identificación;
- confundir clasificación de vehículo con LPR;
- tratar analytics como evidencia concluyente sin revisión humana.
Consideraciones Finales
Los analíticos de video agregan valor cuando transforman una necesidad operacional en un evento, metadato o evidencia utilizable. El beneficio no proviene de la etiqueta “IA”, sino de la combinación entre caso de uso, imagen adecuada, algoritmo, infraestructura, integración y proceso.
La ingeniería debe tratar cada aplicación como una función verificable. Intrusión, permanencia, conteo, búsqueda forense, rostro, LPR y video synopsis exigen criterios diferentes y no deben agruparse genéricamente en una única línea de especificación.
El diseño también debe considerar la operación. Analytics que generan miles de alertas irrelevantes pueden empeorar la seguridad. Un sistema bien especificado equilibra recall, precision, latencia y capacidad de respuesta del equipo.
Finalmente, la aceptación debe demostrar rendimiento en campo. Cámara, analytics, VMS, servidor, red y procedimiento operacional forman un único sistema y deben probarse de extremo a extremo.
La aceptación de analytics debe medir detección, falsos positivos, latencia, búsqueda histórica, integración y comportamiento en condiciones adversas — no solo confirmar que la función existe en la interfaz.
Referencias Técnicas
[1] IEC. IEC 62676-4:2025 — Video surveillance systems for use in security applications — Part 4: Application guidelines. Disponible en: https://webstore.iec.ch/en/publication/83425
[2] ONVIF. Profile M — Metadata and events for analytics applications. Disponible en: https://www.onvif.org/profiles/profile-m/
[3] BRIEFCAM. BriefCam 2024 M1 User Guide. Setembro de 2024. Documento técnico consultado en la base de conocimiento de A3A Engenharia.
[4] BRIEFCAM. Video Analytics White Paper. Dezembro de 2023. Documento técnico consultado en la base de conocimiento de A3A Engenharia.
[5] BRIEFCAM. Video Characteristics for Best Video Results. Setembro de 2024. Documento técnico consultado en la base de conocimiento de A3A Engenharia.
Preguntas Frecuentes
Son funciones de software que procesan video para detectar, rastrear y clasificar objetos, generar eventos y producir metadatos utilizables por el VMS y la operación.
Entre las aplicaciones están intrusión, cruce de línea, permanencia, conteo, clasificación de personas y vehículos, reconocimiento facial, LPR/ANPR, búsqueda forense, video synopsis y alertas en tiempo real.
No. IA y deep learning son tecnologías utilizadas en muchos analytics modernos, pero las reglas de movimiento, geometría y visión computacional clásica también son formas de análisis de video.
Precision indica la proporción de resultados devueltos que son realmente relevantes. Recall indica la proporción de eventos relevantes existentes que el sistema logró encontrar.
Depende del caso de uso. Edge analytics reduce latencia y distribuye procesamiento; los servidores centralizan capacidad, engines y consultas avanzadas. Las arquitecturas híbridas son comunes.
Sí. Iluminación, resolución, densidad de píxeles, enfoque, motion blur, ángulo, compresión y estabilidad de la cámara influyen directamente en detección, tracking y clasificación.
Defina casos de uso verificables, escenario, objetivo, distancia, latencia, comportamiento esperado en el VMS, tolerancia a falsos positivos, retención de metadatos y criterios de aceptación.
Genere eventos conocidos y verifique detección, clasificación, latencia, integración, búsqueda histórica, falsos positivos, permisos, exportación y comportamiento en condiciones adversas.
Materiales Técnicos Complementarios
Servicios Relacionados
- Diseño de CFTV IP y Videovigilancia
- Diseño de Seguridad Electrónica Integrada
- Comisionamiento de Ingeniería
Contenidos Principales sobre el Tema
- Guía Completa sobre Analíticos de Video
- Guía Completa sobre Sistemas de CFTV
- Ciberseguridad en Sistemas de CFTV
