Detección de actividades anómalas en espacios públicos mediante redes neuronales profundas
Autores
López Miguel, PedroDirector
Marrón Romera, MartaFecha de publicación
2019Filiación
Universidad de AlcaláMáster
Máster Universitario en Ingeniería Industrial (M141)
Palabras clave
Videovigilancia
Detección de anomalías
Redes neuronales
LSTM
FasterRCNN
Video surveillance
Anomalies detection
Neural network
Tipo de documento
info:eu-repo/semantics/masterThesis
Versión
info:eu-repo/semantics/acceptedVersion
Derechos
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Derechos de acceso
info:eu-repo/semantics/openAccess
Resumen
Este Trabajo Fin de Máster se centra principalmente en diseñar e implementar un sistema de videovigilancia que permite, mediante el análisis de la información procedente de una secuencia de video, determinar comportamientos no habituales en contextos en los cuales la detección de una anomalía es de interés.
Se utiliza un aprendizaje semi-supervisado, estructurado en tres niveles. Un primer nivel, el cual utiliza un detector de personas basado en una red neuronal convolucional (FasterRCNN). Un segundo nivel, el cual se centra en desarrollar una arquitectura recurrente para el reconocimiento de actividades mediante la utilización de redes de memoria de corto a largo plazo (LSTM). Y finalmente, se plantea un tercer nivel de detección de anomalías, el cual clasificaría la acción como anómala a partir de la obtención de las diferentes probabilidades de ocurrencia. The aim of this Master's Thesis will be mainly focused on designing and implementing a video-surveillance system that allows, through the analysis of information from a video sequence, to determine unusual behaviors under situations where detection of an anomaly would be interesting.
Semi-supervised learning will be used and structured in three different levels. A first one level, which uses a person detector based on a convolutional neuronal network (FasterRCNN). A second one level, which focuses on developing a recurrent architecture for the recognition of activities through the use of Long Short-Term Memory networks (LSTM). Finally, a third level of anomalies detection is introduced, which classifies the action as anomalous from the obtaining of the different probabilities of occurrence.
Ficheros en el ítem
| Ficheros | Tamaño | Formato |
|
|---|---|---|---|
| TFM_Lopez_Miguel_2019.pdf | 7.608Mb |
|
| Ficheros | Tamaño | Formato |
|
|---|---|---|---|
| TFM_Lopez_Miguel_2019.pdf | 7.608Mb |
|
Colecciones
- Trabajos Fin de Máster (TFM) [4286]















