Las causas reales del falso positivo en CCTV con IA
Respuesta corta
La mayor parte de las alarmas indebidas en CCTV con inteligencia artificial no viene de un defecto del detector: viene de que la escena produce, de verdad, una señal parecida al blanco. Axis Communications enumera entre las causas comunes en protección perimetral a los animales, a las plantas y árboles en movimiento y al clima severo, y cita las sombras en movimiento, los haces de luz, los animales pequeños y los insectos como disparadores comunes.
Dos casos suelen llamarse por el mismo nombre. En un informe de Sandia National Laboratories sobre la estación de alarma, alarma falsa es el sensor funcionando mal, y alarma por molestia es el sensor funcionando bien frente a una causa ambiental: lluvia, viento, un animal. Las dos cosas exigen respuestas de ingeniería distintas.
En este texto
La alarma falsa y la alarma por molestia no son lo mismo
La distinción parece burocrática y no lo es. Una alarma de un sensor con defecto se arregla con mantenimiento; una alarma de una hoja al viento no tiene nada roto que arreglar. El informe SAND2019-4251 de Sandia coloca esa decisión entre las más difíciles del puesto: ante una alarma, el operador tiene que decir si es una alarma programada, por molestia, falsa o una amenaza, una elección que, según el documento, implica mucha incertidumbre sobre eventos relevantes extremadamente raros. Por eso este texto se organiza por causa física: la marca y el modelo cambian; la sombra, la luz, el agua y el viento no.
¿Por qué una sombra en movimiento engaña a un detector?
Porque la sombra tiene casi todo lo que tiene un objeto, menos volumen: aparece donde no había nada, tiene un contorno definido, se desplaza de forma continua y cambia el brillo de una región entera de una vez. Para cualquier método que dependa de lo que cambió entre un instante y otro, es indistinguible de un cuerpo oscuro que se mueve por el suelo.
Y la sombra proyectada es grande: un peatón al fondo de la escena ocupa pocos píxeles de alto, y su sombra, estirada por el sol bajo, ocupa varios; la señal falsa queda más fuerte que la verdadera. Lo que le falta a la sombra es volumen: no tiene relieve, no tiene temperatura propia y no existe sin la fuente de luz que la proyecta.
De noche, el detector deja de ver objetos y pasa a ver manchas de luz
Una cámara de luz visible necesita luz para formar imagen: Axis repite ese punto en su documento sobre protección perimetral. De noche el contraste viene de las fuentes de luz, no de los objetos, y la escena se vuelve un conjunto de manchas que nacen, se desplazan y desaparecen. Peor: la mancha del faro está proyectada sobre una superficie que está a otra distancia, y puede aparecer en una zona de interés donde el vehículo nunca entró.
La lluvia y la niebla no oscurecen la escena: borran el contraste
El agua en el aire no bloquea la imagen: dispersa la radiación. El documento de Axis sobre cámaras térmicas describe dos mecanismos: la absorción, en la que el vapor de agua y el dióxido de carbono retienen parte de la energía, y la dispersión, en la que la radiación se desvía al encontrar gotas. La dispersión pesa más, y la pérdida depende del tamaño y de la concentración de las gotas.
| Condición | Atenuación | Lectura práctica |
|---|---|---|
| Contaminación urbana | 0,5 dB/km | Efecto pequeño en distancia corta. |
| Lluvia débil | 4 dB/km | Pérdida perceptible en escena larga. |
| Lluvia fuerte | 11 dB/km | Gotas grandes, concentración baja. |
| Niebla | 10 dB/km | Gotas pequeñas, concentración alta. |
| Niebla densa | 80 dB/km | Peor caso de la tabla, por amplio margen. |
Axis hace la cuenta de ejemplo: una atenuación de 3 dB significa que solo la mitad de la energía emitida por el objeto llega al sensor, lo que derrumba la relación señal-ruido y degrada la confiabilidad del análisis de video integrado. Súmese la lluvia de cerca: una gota iluminada junto al lente es un objeto brillante, rápido y fuera de foco; no parece una persona, pero sí parece movimiento.
La vegetación al viento y una cámara que vibra producen el mismo error
Axis junta los dos casos en una sola recomendación, porque son el mismo fenómeno visto desde dos lados: mantener fuera de la escena ramas y banderas que entren y salgan del cuadro cuando sopla el viento, y montar la cámara lo más firme posible, con los bordes nítidos fuera del encuadre.
Un borde nítido justo fuera de la escena puede disparar una alarma de movimiento falsa si la cámara vibra con el viento y desplaza la escena encuadrada sobre ese borde. Como quien se movió fue la cámara, esta interpreta la imagen alterada como movimiento en la escena, aunque nada más que la propia cámara se haya movido.
Axis Communications, Thermal cameras, octubre de 2021 — paráfrasis
Una fijación floja convierte un día de viento en una noche de alarmas. Es la causa más barata de resolver de toda la lista, y la que más sobrevive porque nadie sospecha de ella: el arreglo es de soporte, no de modelo.
¿Por qué los insectos y las arañas en el infrarrojo generan tantas alarmas?
Esta es la causa más subestimada, y Axis la registra: los animales pequeños y los insectos están entre los disparadores comunes de un sistema de video. El motivo es óptico y geométrico. El iluminador infrarrojo va en la carcasa de la cámara, así que un insecto a pocos centímetros del lente recibe el haz entero, devuelve mucha más luz que cualquier cosa al fondo de la escena y ocupa una fracción enorme del cuadro. Una araña que teje delante del domo produce, todas las noches, un objeto blanco, grande y errático sobre fondo oscuro.
Aquí la densidad de píxeles trabaja en contra del sistema, por el motivo que está en densidad de píxeles y DORI: el insecto no engaña por parecerse a una persona, sino por ser, en la imagen, más grande que una.
El stream que recibe el analizador no es lo que produjo el sensor
El falso positivo también nace de una decisión de red: es común que el software de análisis consuma el flujo secundario de la cámara, con menor resolución y menor tasa de bits. Axis observa que el análisis hecho en la propia cámara puede trabajar sobre video sin comprimir, porque la compresión solo entra al transferir a un servidor central. Un estudio de 2022 sobre compresión H.264 y detección de objetos (arXiv:2211.05805) mide el costo: el desempeño se degrada de forma apreciable con compresión alta, sobre todo con poca luz y blancos rápidos, las mismas condiciones en que las causas anteriores ya estaban atacando. Los valores de CRF de ese estudio están en densidad de píxeles y DORI.
¿Cuánto cuesta un falso positivo?
Cuesta la confianza de quien opera. El informe de Sandia nombra el riesgo: la interfaz tiene que permitirle al operador distinguir un sensor defectuoso de una causa ambiental, sin inducir un efecto de baja prevalencia tan fuerte que pase a descartar alarmas automáticamente, sin juzgarlas. El mismo documento relata una prueba informal: un ingeniero frente a la interfaz mientras otro disparaba sensores al ritmo de una alarma cada cinco segundos. Quedó sobrecargado solo con reconocer cada alarma. No era un escenario de ataque; era el volumen.
Por eso subir la sensibilidad casi nunca es la respuesta. Un sistema que alarma mucho y acierta poco converge hacia un sistema que nadie mira, y un sistema que nadie mira tiene una tasa de detección efectiva igual a cero.
Nuestro trabajo empieza por el diagnóstico de la escena, no por el ajuste del detector: qué causas de esta lista va a encontrar esa cámara específica, en qué horario, y si su geometría sostiene la decisión que el cliente quiere automatizar. Cuando la respuesta es que no la sostiene, lo decimos antes de instalar nada.
¿Qué contramedidas existen en el nivel de principio?
No existe un filtro universal, y quien prometa uno debería explicar contra qué causa. Cada fenómeno de esta lista falla por un motivo propio —óptico en un caso, geométrico en otro, de red en el último—, y por eso cada uno exige un tratamiento distinto. Un sistema que los enfrenta a todos con la misma perilla de sensibilidad no está filtrando nada: solo está eligiendo entre alarmar de más y no alarmar.
La literatura pública da el rumbo, no la receta. Al enumerar la información que el operador necesita para decidir la causa de una alarma, el informe de Sandia describe lo que un sistema automático también tiene que considerar, llama sensores ortogonales a los datos que no se ven afectados por la misma causa de la molestia e insiste en que el algoritmo presente confianza e incertidumbre de forma comprensible para quien opera. Es un buen norte. No es un proyecto.
Lo que separa el norte del proyecto —qué verificaciones sirven contra qué causa en esa escena, con qué peso, y a partir de qué punto el registro deja de sostener una decisión automática— no sale de ningún artículo. Sale del campo: de la misma cámara observada a lo largo de las estaciones, de los horarios y del clima de ese lugar. Por eso nuestra respuesta a “¿ustedes filtran el falso positivo?” es siempre un diagnóstico de escena, y nunca una lista de trucos.
No afirma ningún porcentaje de falso positivo, ni de reducción de falso positivo. No encontramos un número público verificable para la tasa de alarma indebida en CCTV con IA en condiciones brasileñas, y por eso no citamos ninguno.
No afirma cuánto tarda en degradarse la atención de un operador humano. Existe literatura sobre eso, pero no conseguimos abrir y comprobar el texto íntegro de las fuentes primarias, así que describimos solo lo que el informe de Sandia registra por escrito.
No describe ningún umbral, parámetro, orden de verificación ni procedimiento de calibración de OpenRadar. Las contramedidas que hay aquí están en el nivel de principio, y vienen de documentos públicos de terceros.
No afirma que una cámara térmica o un radar resuelvan el problema. La propia Axis registra que la térmica no entrega el detalle forense de la cámara de luz visible, y que las dos tecnologías funcionan mejor integradas que sustituyéndose una a la otra.
Fuentes
- Axis Communications. Perimeter protection with intelligent surveillance (white paper), julio de 2021. whitepapers.axis.com/en-us/perimeter-protection-with-intelligent-surveillance Origen de la lista de causas comunes de falso positivo (animales, plantas y árboles en movimiento, clima severo), de la mención a las sombras en movimiento, los haces de luz, los animales pequeños y los insectos como disparadores comunes, de la afirmación de que las cámaras de luz visible necesitan luz y de la observación de que el análisis en el borde trabaja sobre video sin comprimir. Consultado el 4 de septiembre de 2026.
- Axis Communications. Thermal cameras (white paper), octubre de 2021. axis.com/dam/public/1c/66/25/thermal-cameras-en-US-350481.pdf Origen de la explicación de absorción y dispersión, de la tabla de atenuación por condición del clima, del ejemplo de los 3 dB y de la recomendación de instalación sobre ramas, banderas y cámara que vibra con el viento. Consultado el 4 de septiembre de 2026.
- Speed, Ann. Portable Intrusion Detection System Alarm Station Operator Interface Improvements. Sandia National Laboratories, informe SAND2019-4251, marzo de 2019. osti.gov/servlets/purl/1762330 Origen de la distinción entre alarma falsa y alarma por molestia, de la decisión del operador entre alarma programada, por molestia, falsa o amenaza, del riesgo de que los operadores descarten alarmas sin juzgarlas, de la prueba con una alarma cada cinco segundos y de los requisitos de coherencia espacio-temporal, tamaño y sensores ortogonales. 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 de la degradación del desempeño de detección con compresión alta, poca luz y blanco rápido. Los valores de CRF del mismo estudio están detallados en el texto sobre densidad de píxeles. Consultado el 4 de septiembre de 2026.
Trabajamos sobre la cámara IP que ya está instalada, con análisis en el borde y evidencia firmada en SHA-256 que cualquier persona puede comprobar por su cuenta. El falso positivo es el problema central de este tipo de sistema, y lo tratamos como problema de escena y de geometría antes de tratarlo como problema de modelo.