Modelo de visión artificial para la detección automática de colisión de vehículos en videovigilancia

Abstract

La detección de objetos en el campo de Visión Artificial es todavía un reto con la finalidad de alcanzar la mejor precisión en el menor tiempo, enfrentándose a diversos factores del entorno real, tales como iluminación variable, oclusión parcial y otros objetos presentes. Aún continuán surgiendo técnicas de procesamiento y clasificación de imágenes para conformar modelos robustos de detección de objetos o acciones, una de las fortalezas de estos modelos está en la forma de operar con las características para obtener las que mejor representen el objeto y así obtener resultados satisfactorios de detección. Entre las técnicas de Aprendizaje de Máquina se encuentra la red neuronal artificial, que es un conjunto de cálculos matemáticos sobre las características del objeto a detectar. El número de neuronas y capas de una red neuronal artificial influye en los resultados de detección. El Aprendizaje Profundo (Deep Learning) es parte del amplio campo de Aprendizaje de Máquina que implica el uso de una gran cantidad de neuronas y muchas capas, este tipo de red consigue grandes resultados que se demuestran en diversos trabajos de investigación. El requerimiento de hardware es alto pero los avances tecnológicos han permitido la mejora de técnicas de deep learning. En la presente tesis se propone un modelo con una técnica de deep learning para la detección de carros y posteriormente se aplica una técnica de procesamiento de imágenes basado en el factor tiempo para detección de choques. Los resultados se demuestran con los tiempos de ejecución y el grado de precisión.