Reconocimiento de eventos anómalos en videos obtenidos de cámaras de vigilancia, usando redes convolucionales

Abstract

El campo de reconocimiento de movimiento y acciones sobre vídeo vigilancia es un campo activo de computer vision(CV), hasta el momento ha recibido una especial atención debido a sus numerosas áreas de aplicación. De todas las técnicas aplicables a este campo, los modelos basados en deep learning se han revelado como un método capaz de afrontar la incertidumbre asociada a las acciones humanas. Algoritmos rápidos, precisos en la detección de objetos permiten a las compu- tadoras: conducir automóviles sin sensores especializados, permiten que los dispo- sitivos de teleasistencia, transmitir información de las escenas en tiempo real a los usuarios. Los sistemas de detección actuales han redefinido su propósito al momento de realizar una detección de una imagen. Técnicas como You Only Look Once (YOLO), region proposals+CNN (R- CNN), Single Shot Detector (SSD), entre otras. Nos presentan un nuevo enfoque de detección de objetos en una imagen. Razón por la cual describiremos y usaremos algoritmos basados en redes convolucionales que pueden detectar a las personas en la escena y analizar diferentes acciones además de sus patrones de movimiento, todo esto en tiempo real. La motivación para este trabajo es crear un sistema capaz de detectar eventos anómalos en vídeos de vigilancia, sin la necesidad de asistencia o intervención humana para la detección de dichos actos. En esta tesis, pondremos en contexto los principales tipos de modelos basados en deep learning, en al ámbito de detección de objetos y reconocimiento de acciones humanas, examinando sus ventajas y desventajas frente a las técnicas tradicionales y modelos actuales