Densidad de píxeles: el cálculo que decide qué ve la cámara
Respuesta corta
La densidad de píxeles es cuántos píxeles de la imagen cubren un metro real de la escena. La norma IEC 62676-4:2014 asocia cuatro objetivos operativos a cuatro niveles de densidad: 25 px/m para detectar, 63 px/m para observar, 125 px/m para reconocer y 250 px/m para identificar a una persona.
El cálculo es una división: píxeles en horizontal divididos por el ancho, en metros, del tramo de escena que la cámara encuadra. Una cámara de 1920 px de ancho que encuadra 20 m de calle entrega 96 px/m: alcanza para detectar y observar, no para reconocer. Resolución alta con encuadre amplio no compra detalle.
En este texto
La densidad de píxeles no es resolución: es resolución dividida por escena
La cámara se vende en megapíxeles; un proyecto de monitoreo se resuelve en píxeles por metro. Confundir las dos magnitudes es la causa más común de que una cámara nueva no resuelva un problema viejo.
La resolución es una propiedad del sensor. La densidad de píxeles es una propiedad de la instalación: depende de la resolución, del lente, de la distancia y del encuadre. La misma cámara de 4 MP entrega detalle de sobra en un portón de 3 m de ancho y casi nada en un patio de 60 m. El sensor no cambió; cambió la escena.
¿De dónde vienen los 25, 63, 125 y 250 px/m?
El modelo parte del rostro humano. La norma pregunta cuántos píxeles tienen que atravesar el ancho de un rostro para cumplir cada objetivo: 4 para detectar que hay alguien, 10 para observar características, 20 para reconocer a quien ya se vio antes, 40 para identificar. Con el ancho medio de rostro asumido en 16 cm, cada valor por rostro se convierte directamente en valor por metro.
| Objetivo | Px por rostro | Px por metro | Qué se vuelve posible |
|---|---|---|---|
| Detectar | 4 px | 25 px/m | Determinar si hay o no alguien presente. |
| Observar | 10 px | 63 px/m | Contar cuántas personas hay y ver características, como ropa distintiva. |
| Reconocer | 20 px | 125 px/m | Decidir si la persona mostrada es la misma que el observador ya vio antes. |
| Identificar | 40 px | 250 px/m | Identificar a un individuo. |
Por ese salto, “la cámara vio pasar el auto” y “la cámara identificó a quien iba manejando” son requisitos de proyectos distintos, con lentes distintos y, muchas veces, con cámaras distintas en la misma posición.
¿Cuántos metros de escena cubre mi cámara?
Esa medida no está en la ficha técnica: está en la pared. Encuadra la escena tal como va a quedar en operación, pon en el punto de interés un objeto de ancho conocido —una cinta métrica abierta en 1 m alcanza— y mira qué fracción del ancho de la imagen ocupa ese metro. Si 1 m real ocupa una décima parte de la imagen, la densidad es una décima parte de la resolución horizontal.
| Escena encuadrada | Densidad | Objetivo más alto alcanzado |
|---|---|---|
| 4 m | 480 px/m | Identificar |
| 8 m | 240 px/m | Reconocer |
| 15 m | 128 px/m | Reconocer |
| 20 m | 96 px/m | Observar |
| 30 m | 64 px/m | Observar |
| 40 m | 48 px/m | Detectar |
| 77 m | 25 px/m | Detectar (en el límite) |
De esa tabla salen dos lecturas prácticas.
- La resolución compra poco cuando el encuadre crece. Pasar de 1080p a 4K duplica la densidad en el mismo encuadre; ampliar el encuadre al doble devuelve la ganancia entera.
- Reconocer limita el encuadre. Con 1920 px de ancho, el encuadre útil para reconocer queda alrededor de 15 m. Cubrir 40 m de calle con una sola cámara es una decisión de detección: conviene escribirlo en el proyecto antes de que alguien exija reconocimiento de la grabación.
La densidad no es uniforme en el cuadro: es mayor en el centro y cae hacia los bordes, por distorsión del lente y por el ángulo con que se ve la escena. Los cálculos de distancia DORI publicados en las fichas técnicas usan el centro de la imagen como referencia. Si el punto de interés de tu proyecto queda en la esquina del cuadro, la densidad real ahí es menor que la de la ficha.
¿El DORI vale para IA o solo para el ojo humano?
La norma es explícita, y casi todo el material comercial lo omite: los requisitos operativos valen para situaciones en que las imágenes son interpretadas por operadores humanos. Para el análisis de video hecho por software valen otras definiciones, y la cámara térmica usa un conjunto propio de requisitos.
Dos consecuencias. El DORI sigue siendo la mejor vara pública para dimensionar un proyecto. Y no es un certificado de funcionamiento de un detector: un modelo puede fallar con densidad de sobra —contraste malo, blanco parcialmente oculto, movimiento demasiado rápido para la cadencia— y acertar con densidad justa en una escena limpia. La densidad de píxeles es condición necesaria, no suficiente.
Por eso el criterio de aceptación de un sistema con IA se mide en la escena real. La planilla dice si vale la pena intentarlo; la prueba en campo dice si funciona.
La patente del vehículo agrega una restricción de ángulo
En la lectura de patentes la geometría pesa tanto como la densidad. La nota de aplicación AN033 de Eagle Eye Networks, sobre instalación de cámaras para LPR/ANPR, es directa en dos puntos: el ángulo de pan debe quedar limitado a 30 grados, porque la perspectiva más allá de eso perjudica la lectura; y la cámara debe estar siempre inclinada hacia abajo, para evitar el sol y los faros directos en el lente y para que la lluvia escurra del vidrio.
El motivo es geométrico. Una patente vista de costado proyecta en la imagen un ancho menor que su ancho físico: los mismos píxeles pasan a cubrir más milímetros de patente, y la densidad efectiva cae sin que nadie haya tocado el lente. El ángulo es pérdida de densidad disfrazada y, cuando lo que se quiere medir es velocidad, esa pérdida se vuelve incertidumbre en el número final, como mostramos en medir velocidad por video.
En OpenRadar este cálculo es lo primero que hacemos antes de decir que una cámara sirve para algo: encuadre, densidad en el punto de interés y ángulo, cámara por cámara. Cuando la geometría no cierra, el diagnóstico es que no cierra; sale más barato descubrirlo en un informe que en una asamblea.
¿La compresión del video borra la densidad de píxeles que tenía el sensor?
No borra la densidad: borra el detalle dentro de ella, que es lo que importa. La propia Axis registra que la dirección de la luz, la calidad de la óptica y la compresión afectan el resultado, y que el modelo de densidad es una simplificación de una realidad compleja.
Existe medida experimental. Un estudio de 2022 evaluó la compresión H.264 sobre un detector de objetos (YOLOv5) en 50 videos de vigilancia, en cinco niveles de calidad (CRF 22, 32, 37, 42 y 47). Usar CRF 37 en vez de CRF 22 redujo bastante la tasa de bits sin perjuicio relevante de la detección; con compresión más alta el desempeño se degrada de forma apreciable, sobre todo en escenas complejas, con mala iluminación y blancos en movimiento rápido.
La implicación en una instalación existente es directa. Si el software de análisis consume el stream secundario —configurado con menor resolución y menor tasa de bits para ahorrar red—, la densidad calculada en el sensor nunca llega al analizador. Comprueba qué perfil de video recibe el sistema antes de discutir por qué se equivoca.
Cómo convertir esto en un criterio de aceptación
La densidad de píxeles es útil justamente porque es verificable, y eso cambia la naturaleza de la conversación: en vez de discutir marca y megapíxeles, se discute un número que cualquier persona rehace con una cinta métrica y una división.
La parte que casi todo proyecto deja fuera es declarar el objetivo por cámara, y no por sistema. “Detectar la presencia de un vehículo en el carril de la portería” y “reconocer el vehículo” se separan por un orden de magnitud de densidad; escribir cuál de los dos tiene que entregar esa cámara específica evita un reclamo imposible después, cuando alguien le pida a la grabación algo que la geometría nunca prometió.
La otra es recordar que la densidad geométrica no cambia con el clima, pero el detalle utilizable cambia muchísimo. Contraluz de la tarde, lluvia, faros encendidos de noche: es el peor caso, y no la escena de catálogo, lo que decide si el sistema es confiable.
No afirma que alcanzar 25, 63, 125 o 250 px/m garantice el resultado. La propia fuente registra que el modelo es una simplificación y que no hay garantía de que cumplir la regla práctica satisfaga el requisito operativo, ni de que incumplirla necesariamente lo haga inviable.
No afirma que los niveles del DORI se apliquen a detectores automáticos. La norma los define para la interpretación por un operador humano; para el análisis por software valen otras definiciones, que este texto no establece.
No afirma cuál es el ángulo vertical máximo para la lectura de patentes. La fuente citada prescribe inclinación hacia abajo sin fijar un valor, y no encontramos un número verificable que citar.
No describe ningún parámetro, umbral ni procedimiento de calibración de OpenRadar. Todo lo que hay aquí es norma pública, geometría y aritmética.
Fuentes
- Axis Communications. Pixel density based on IEC 62676-4:2014 (white paper). whitepapers.axis.com/en-us/pixel-density-based-on-iec-62676-4-2014 — versión en PDF: axis.com/dam/public/53/47/fd/pixel-density-en-US-364241.pdf Origen de los niveles de 4/10/20/40 px por rostro y 25/63/125/250 px/m, del ancho medio de rostro de 16 cm, de la salvedad de que los requisitos valen para un operador humano y de la observación de que el modelo es una simplificación. Consultado el 4 de septiembre de 2026.
- Eagle Eye Networks. Camera Installation Considerations for LPR/ANPR, Application Note AN033. een.com/docs/app-notes/an033/ Origen del límite de 30 grados para el ángulo de pan y de la recomendación de inclinar la cámara hacia abajo. Consultado el 4 de septiembre de 2026.
- O'Byrne, M.; Sugrue, M.; Vibhoothi; Kokaram, A. Impact of Video Compression on the Performance of Object Detection Systems for Surveillance Applications, 2022. arXiv:2211.05805. arxiv.org/pdf/2211.05805 Origen del efecto de la compresión H.264 sobre la detección con YOLOv5, incluida la comparación entre CRF 37 y CRF 22 y la degradación en escenas complejas con poca luz y blancos rápidos. Consultado el 4 de septiembre de 2026.
Trabajamos sobre la cámara IP que ya está instalada: lectura del stream, análisis en el borde y evidencia firmada en SHA-256 que cualquier persona puede comprobar por su cuenta. El primer paso es siempre el diagnóstico de viabilidad cámara por cámara, incluso cuando la respuesta es que esa cámara no sirve.