Automatic Context Recognition for Adaptive Visual Privacy in Ambient Assisted Living Applications

• Autores: Kooshan Hashemifard
• Lectura: En la Universitat d'Alacant / Universidad de Alicante ( España ) en 2026
• Idioma: inglés
• Número de páginas: 141
• Tribunal Calificador de la Tesis: María José Santofimia Romero (presid.), Marcelo Saval Calvo (secret.), Sara Colantonio (voc.)
• Programa de doctorado: Programa Oficial de Doctorado en Informática
• Enlaces
  • Tesis en acceso abierto en: RUA
• Resumen
  • español

    La monitorización basada en vídeo puede desempeñar un papel clave en el apoyo a la seguridad, la autonomía y la vida independiente en sistemas de vida asistida por el entorno (Ambient Assisted Living, AAL). Sin embargo, su adopción en contextos reales sigue siendo limitada debido a importantes preocupaciones en materia de privacidad, especialmente cuando sensores de vídeo se despliegan en espacios privados e íntimos. Las soluciones actuales de preservación de la privacidad suelen basarse en filtros visuales estáticos o reglas fijas que no reflejan la naturaleza situacional y dinámica de la privacidad en la vida cotidiana. Esta tesis aborda esta limitación mediante el desarrollo de un enfoque sensible al contexto para la gestión de la privacidad visual, basado en el paradigma de la privacidad por contexto. El objetivo central de este trabajo es desarrollar y validar métodos de visión por computador capaces de reconocer automáticamente variables contextuales relevantes para la privacidad a partir de datos visuales y utilizarlas para habilitar una protección adaptativa de la privacidad. La tesis se centra en tres dimensiones contextuales complementarias que resultan críticas para una monitorización sensible a la privacidad: la apariencia de la persona usuaria, las actividades de la vida diaria y los incidentes relacionados con la salud. En primer lugar, la apariencia se aborda como un determinante fundamental de la privacidad corporal. Se introduce un conjunto de datos a gran escala para la segmentación de piel y el análisis de la apariencia, y se desarrollan modelos de aprendizaje profundo capaces de estimar grados de exposición corporal en lugar de depender de clasificaciones binarias. Esto permite una evaluación fina de la sensibilidad visual y favorece una protección adaptativa de la privacidad, proporcional al estado de apariencia de la persona usuaria, especialmente en escenarios íntimos como vestirse o bañarse. En segundo lugar, las actividades de la vida diaria se modelan como una fuente de contexto situacional que informa tanto las necesidades de monitorización como las expectativas de privacidad. Se propone un marco multimodal de reconocimiento de actividades que combina información RGB con características de pose y de objetos para capturar patrones de comportamiento en entornos domésticos. Se emplean mecanismos de atención cruzada para mejorar la comprensión contextual manteniendo la eficiencia computacional. Este enfoque permite al sistema distinguir entre actividades rutinarias, sociales y privadas, posibilitando adaptaciones de privacidad acordes con la naturaleza de la actividad en curso. En tercer lugar, los incidentes relacionados con la salud se abordan mediante el diseño de un sistema eficiente de detección de personas caídas. El método propuesto prioriza el rendimiento en tiempo real y la posibilidad de despliegue en dispositivos de borde, equilibrando la detección rápida de incidentes con la preservación de la privacidad. Se emplean técnicas de destilación de conocimiento para reducir la complejidad del modelo sin comprometer la precisión de detección, demostrando la viabilidad de una monitorización reactiva sin transmisión continua de datos visuales en bruto. En conjunto, estas contribuciones conforman la base perceptiva de una arquitectura de privacidad por contexto, permitiendo que los niveles de visualización se adapten dinámicamente en función de la apariencia, la actividad y la urgencia de la situación. Los resultados muestran que la visión por computador sensible al contexto puede mitigar eficazmente el compromiso entre privacidad y utilidad, permitiendo responder a situaciones críticas sin sacrificar la dignidad ni el control de los usuarios durante las actividades cotidianas. Esta tesis aporta tanto métodos técnicos como criterios de diseño para el desarrollo de sistemas de monitorización por vídeo adaptativos y éticamente responsables en entornos AAL.

  • English

    Video-based monitoring can play a key role in supporting safety, autonomy, and independent living in Ambient Assisted Living (AAL) environments. However, its real-world adoption remains limited due to strong privacy concerns, particularly when visual sensing is deployed in private and intimate spaces. Existing privacy-preserving solutions typically rely on static visual filters or fixed rules that do not reflect the situational and dynamic nature of privacy in everyday life. This thesis addresses this limitation by advancing a context-aware approach to visual privacy management grounded in the privacy-by-context paradigm. The central objective of this work is to develop and validate computer vision methods capable of automatically recognising privacy-relevant contextual variables from visual data and using them to enable adaptive privacy protection. The thesis focuses on three complementary contextual dimensions that are critical for privacy-aware monitoring: user appearance, activities of daily living, and health-related incidents. First, appearance is addressed as a core determinant of bodily privacy. A large-scale dataset for skin segmentation and appearance analysis is introduced, and deep learning models are developed to estimate degrees of bodily exposure rather than relying on binary classifications. This enables fine-grained assessment of visual sensitivity and supports adaptive privacy protection proportional to the user’s appearance state, particularly in intimate scenarios such as dressing or bathing. Second, activities of daily living are modelled as a source of situational context that informs both monitoring needs and privacy expectations. A multimodal activity recognition framework is proposed, combining RGB data with pose and object-based features to capture behavioural patterns in domestic environments. Cross-attention mechanisms are employed to enhance contextual understanding while maintaining computational efficiency. This approach allows the system to distinguish between routine, social, and private activities, enabling privacy adaptations that reflect the nature of the ongoing activity. Third, health-related incidents are addressed through the design of an efficient fallen-person detection system. The proposed method prioritises real-time performance and deployability on edge devices, balancing rapid incident detection with privacy preservation. Knowledge distillation techniques are used to reduce model complexity while maintaining detection accuracy, demonstrating the feasibility of responsive monitoring without continuous transmission of raw visual data. Together, these contributions form the perceptual foundation of a privacy-by-context architecture, enabling visualisation levels to adapt dynamically according to appearance, activity, and urgency. The results show that context-aware computer vision can effectively mitigate the privacy–utility trade-off, allowing systems to respond to critical situations while preserving dignity and user control during routine activities. This thesis contributes both technical methods and design insights for the development of ethically responsible, adaptive video-based monitoring systems in AAL environments.