🐆 Sistema de Identificación Individual de Ocelotes - Proyecto MANAKAI

Sistema automatizado mejorado para identificación de individuos de ocelote usando análisis especializado de patrones de rosetas y manchas en videos de cámaras trampa

"La tecnología estructura cómo los animales y los humanos comparten espacios, actúa como mediadora y 'conectora' de vidas a través del tiempo y el espacio. 'Facilita' formas de observar, medir, mover y matar, así como controlar, contener, conservar y cooperar con los animales. Configura las relaciones humanas con el mundo no humano, explorando a los animales no humanos como parientes, compañeros, alimento, transgresores, entretenimiento y herramientas." Tomado del libro "Compartiendo Espacios" para tener claro que eso que vemos con camaras trampas genera tambien distanciamiento y una mirada desde el control, intrusiva y antropocentrica.

¿Cómo preservar la alteridad radical de cada especie mientras sus individuos agencian dentro de redes amplias y complejas que no comprendemos? ¿Cómo y para qué realizar identificación individuos sin simplificarlos a quasi-objetos pero si como seres de una comunidad por venir?

📋 Descripción

Este sistema utiliza técnicas avanzadas de visión por computadora y algoritmos especializados en patrones de felinos para identificar individuos de ocelote (Leopardus pardalis). El sistema analiza patrones únicos de rosetas, manchas sólidas y características de piel comparando videos de cámaras trampa. La herramienta está diseñada para apoyar estudios de conservación y monitoreo poblacional no invasivo con análisis visuales comprensivos.

🎯 Características Principales

🆕 Detección de Patrones Específicos de Ocelote

• Detección de rosetas: Algoritmos especializados para identificar patrones circulares/elípticos característicos
• Análisis de manchas sólidas: Detección de patrones de manchas usando análisis de blob
• Validación de patrones: Verificación de contraste centro-borde para confirmar rosetas auténticas

📊 Sistema de Análisis Visual Avanzado

• Mapas de calor de patrones: Visualización de similaridad de rosetas y manchas
• Líneas de perfil de patrones: Análisis de tendencias de coincidencia a través de fotogramas
• Matriz de comparación: Heatmaps específicos para cada tipo de patrón
• Indicadores de confianza: Bordes codificados por color (verde=alta, naranja=moderada, rojo=baja)

🔬 Algoritmos de Comparación Mejorados

• Análisis de videos: Procesamiento de múltiples fotogramas para mayor precisión
• Algoritmos tradicionales: SIFT y ORB para extracción de características generales
• Comparación espacial: Matching basado en posición, tamaño y confianza de patrones
• Puntuación ponderada: Prioriza coincidencias de patrones específicos sobre características generales

📋 Interfaz y Documentación

• Línea de comandos flexible: Acepta rutas de video como parámetros
• Análisis estadístico detallado: Niveles de confianza basados en múltiples métricas
• Reportes visuales comprensivos: Dashboard de 6 paneles con análisis completo
• Documentación completa: Manuales en español e interpretación de resultados

🚀 Instalación Rápida

# Clonar repositorio
git clone https://github.com/alejoduque/ID_indv.git
cd ID_indv

# Crear y activar entorno virtual (recomendado)
python3 -m venv ocelot_env
source ocelot_env/bin/activate  # macOS/Linux
# ocelot_env\Scripts\activate   # Windows

# Instalar dependencias
pip install opencv-python matplotlib numpy

💻 Uso Básico

🎥 Comparación de Videos (Recomendado)

El sistema acepta las rutas de los videos como argumentos de línea de comandos:

# Activar el entorno virtual
source ocelot_env/bin/activate

# Sintaxis: python3 ocelot_video_comparison.py <ruta_video1> <ruta_video2>
python3 ocelot_video_comparison.py video1.mov video2.mov

# Ejemplo con videos de prueba incluidos
python3 ocelot_video_comparison.py 1.mov 2.mov

# Ejemplo con rutas completas
python3 ocelot_video_comparison.py "/ruta/completa/ocelote1.mov" "/ruta/completa/ocelote2.mp4"

Formatos de video soportados: .mov, .mp4, .avi, .mkv y otros formatos compatibles con OpenCV

📷 Comparación de Imágenes Estáticas

Para imágenes estáticas, también se pueden pasar como argumentos:

# Sintaxis: python3 ocelot_pattern_comparison.py <imagen1> <imagen2>
python3 ocelot_pattern_comparison.py imagen1.jpg imagen2.jpg

# O usar las imágenes predeterminadas (sin argumentos)
python3 ocelot_pattern_comparison.py
# (Busca automáticamente Ocelote_compare_1.jpg y Ocelote_compare_2.jpg)

📊 Archivos Generados

Después de ejecutar el análisis, se generan:

• ocelot_pattern_profile_analysis.png - Dashboard de 6 paneles con análisis completo
• ocelot_enhanced_pattern_matches.png - Mejores coincidencias con detalles de patrones
• ocelot_analysis_results.json - Métricas detalladas y estadísticas

📊 Resultados Demostrados

🧪 Caso de Estudio: Videos de Prueba

• Videos analizados: 1.mov vs 2.mov (videos cortos de 3+ segundos)
• Resultado: CONFIANZA MODERADA-ALTA - PROBABLEMENTE EL MISMO INDIVIDUO (75-85%)
• Análisis de patrones: 49.7% de similaridad máxima de patrones específicos
• Evidencia detallada:
  • Rosetas detectadas: Hasta 52.3% de coincidencia con 96 matches fuertes
  • Manchas sólidas: 44.0% promedio con 108 detecciones
  • Puntuación ponderada: 549.0 (muy fuerte)
  • Comparaciones totales: 108 combinaciones de fotogramas (9x12)

🎯 Interpretación de Niveles de Confianza

• 90-95%: ALTA CONFIANZA - Mismo individuo
• 75-85%: CONFIANZA MODERADA-ALTA - Probablemente el mismo individuo
• 55-70%: CONFIANZA MODERADA - Posiblemente el mismo individuo
• 35-50%: CONFIANZA BAJA-MODERADA - Incierto
• 15-35%: CONFIANZA BAJA - Probablemente individuos diferentes

📁 Archivos Incluidos

├── ocelot_video_comparison.py                 # 🆕 Script principal mejorado con detección de patrones específicos
├── ocelot_pattern_comparison.py               # Script para imágenes estáticas
├── OCELOT_IDENTIFICATION_GUIDE.md            # 🆕 Guía completa de uso en inglés
├── RESUMEN_ANALISIS_OCELOTE.md               # Resultados detallados en español
├── MANUAL_USO_SISTEMA_OCELOTE.md             # Manual completo de usuario
├── ocelot_analysis_results.json              # 🆕 Resultados con métricas de patrones mejoradas
├── ocelot_pattern_profile_analysis.png       # 🆕 Dashboard de 6 paneles con análisis visual completo
├── ocelot_enhanced_pattern_matches.png       # 🆕 Visualización mejorada con detalles de patrones
├── ocelot_best_matches.png                   # Visualización tradicional de coincidencias
└── README.md                                 # 🆕 Este archivo actualizado

🔬 Metodología Científica Mejorada

🆕 Pipeline de Análisis de Patrones Específicos

1. Extracción de fotogramas: 12-15 fotogramas distribuidos uniformemente por video
2. Mejoramiento de imagen: CLAHE, filtrado bilateral, detección de bordes Canny
3. Detección de patrones de ocelote:
   • Rosetas: HoughCircles con validación morfológica centro-borde
   • Manchas sólidas: Blob detection con filtros de circularidad y convexidad
   • Validación: Verificación de contraste y regularidad de patrones
4. Comparación espacial: Matching basado en posición, tamaño y confianza
5. Extracción tradicional: Algoritmos SIFT (invariante a escala) y ORB (robusto)
6. Análisis estadístico: Comparación cruzada de todas las combinaciones de fotogramas
7. Evaluación ponderada: Sistema de puntuación que prioriza patrones específicos (2x peso)

📊 Sistema de Visualización Analítica

• Matrices de similaridad: Heatmaps separados para rosetas, manchas y patrones generales
• Líneas de perfil: Tendencias de coincidencia a través de todos los fotogramas
• Análisis de consistencia: Varianza de patrones para evaluar estabilidad
• Dashboard resumido: Métricas consolidadas con indicadores de confianza

📈 Aplicaciones en Conservación

• Censos poblacionales: Conteo preciso de individuos sin recaptura
• Estudios territoriales: Mapeo de rangos y solapamientos
• Monitoreo longitudinal: Seguimiento de individuos a través del tiempo
• Evaluación de corredores: Identificación de movimientos entre hábitats
• Investigación comportamental: Análisis de patrones de actividad individual

🎓 Validación Científica

🆕 Fortalezas del Sistema Mejorado

• ✅ Análisis específico de ocelote: Detección especializada de rosetas y patrones únicos de la especie
• ✅ Visualización comprensiva: Dashboard de 6 paneles con análisis visual completo
• ✅ Múltiples métricas: Combina patrones específicos con características tradicionales
• ✅ Puntuación ponderada: Prioriza evidencia de patrones de piel sobre similaridad general
• ✅ Validación cruzada: Múltiples algoritmos y comparaciones estadísticas
• ✅ Interfaz flexible: Acepta rutas de video por línea de comandos
• ✅ Reproducibilidad: Metodología estandarizada y completamente documentada

⚠️ Limitaciones Conocidas

• Requiere patrones de piel laterales claramente visibles
• Dependiente de calidad de iluminación (infrarroja o natural)
• Optimizado específicamente para patrones de ocelote y felinos similares
• Mejor rendimiento con videos de 3+ segundos de duración

🤝 Contribuciones

Las contribuciones son bienvenidas. Por favor:

1. Hacer fork del repositorio
2. Crear una rama para tu feature (git checkout -b feature/nueva-funcionalidad)
3. Commit de cambios (git commit -am 'Agregar nueva funcionalidad')
4. Push a la rama (git push origin feature/nueva-funcionalidad)
5. Crear un Pull Request

📄 Licencia

Este proyecto está bajo licencia MIT. Ver archivo LICENSE para detalles.

📞 Contacto y Soporte

Proyecto MANAKAI - Monitoreo de Fauna con Cámaras Trampa

• Documentación técnica: Ver MANUAL_USO_SISTEMA_OCELOTE.md
• Resultados científicos: Ver RESUMEN_ANALISIS_OCELOTE.md
• Issues: Usar el sistema de issues de GitHub para reportar problemas

🏆 Reconocimientos

Desarrollado inicialmente como parte del Proyecto MANAKAI para conservación de fauna neotropical mediante tecnologías no invasivas de monitoreo.

---

Última actualización: Septiembre 2025
Versión: 2.0 - Sistema Mejorado con Análisis de Patrones Específicos

Estado: Producción - Completamente funcional con mejoras significativas