Anomalous behaviour detection in video surveillance scenes

Abstract

El presente Trabajo Fin de Máster consiste en la implementación y evaluación de un método de reconocimiento de acciones adecuado para ser utilizado en un sistema de detección de anomalías. Dicho método es el propuesto por el trabajo titulado Long-term Recurrent Convolutional Networks for Visual Recognition and Description, el cual está compuesto por dos fases basadas en CNN y LSTM. Esta configuración se entrena en conjunto y es capaz de aprender dependencias temporales entre las características visuales extraídas. Los resultados obtenidos sobre los conjuntos de evaluación de la base de datos UCF101, muestran que este método supera a otros modelos que no tienen en cuenta las relaciones temporales en su estructura. Además, el rendimiento que ofrece es comparable al de otros métodos del estado del arte.

The master’s thesis herein presented consists of implementing and evaluating a state-of-the-art action recognition method suitable for an anomaly detection system. The method is the one proposed in Long-term Recurrent Convolutional Networks for Visual Recognition and Description, which is a two-stage configuration based on Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM), end-to-end trainable and capable of learning time dependencies between visual features. The results obtained over the test splits of the UCF101 dataset show that this method outperforms other models that do not learn temporal dynamics. In addition, the performance of the LRCN is comparable to that of other state-of-the-art methods.