Desarrollo de un clasificador de video para la detección automática de eventos de asalto a peatones basado en algoritmos de aprendizaje profundo

Abstract

En la actualidad es común encontrar sistemas de videovigilancia gubernamentales operando en distintos lugares públicos tales como calles y plazas con la intención de monitorear de manera permanente algún incidente entre personas o vehículos que transitan por dichos lugares y de ser el caso, actuar oportunamente coordinando con las unidades de auxilio inmediato. Estos sistemas son operados por personal entrenado de evaluadores que trabajan muchas horas frente a monitores, quienes pueden sufrir distracciones motivadas por el cansancio mental y físico en sus largas jornadas diarias de trabajo. La tecnología puede ser un gran aliado para apoyar el trabajo de los evaluadores, ya que es posible realizar la detección de un incidente típico como el asalto a peatones, utilizando técnicas de visión por computadora, implementadas con modelos de redes neuronales convolucionales y recurrentes de aprendizaje profundo. En este trabajo, se ha implementado un clasificador de video haciendo algunos ajustes de un modelo de aprendizaje supervisado, combinando VGG16 y LSTM para la detección de incidentes de asalto a peatones. En la implementación del clasificador se hace uso de cientos de videoclips de corta duración y herramientas computacionales tales como Tensorflow, OpenCV, Google Colab y Paperspace Gradient para el entrenamiento, validación y pruebas del modelo.