Análisis y seguimiento de personas en videos en tiempo real
- Autores
- Hrubik, Mirko; Sassoni, Gonzalo
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- D'amato, Juan Pablo
Balmaceda, Jose Marıa - Descripción
- El objetivo de este trabajo es analizar las distintas técnicas existentes para realizar detección y seguimiento de personas sobre videos de cámaras de seguridad haciendo uso de técnicas de aprendizaje máquina. Además se busca que esta tarea pueda ser llevada a cabo en tiempo real en sistemas con hardware de bajo costo. Con la intención de cumplir con los objetivos planteados, se estudiaron los trabajos relacionados al respecto y se analizaron las t´ecnicas que cada uno implementa. De esta manera se seleccionaron aquellas que provean resultados aceptables cuyo tiempo computacional no sea elevado. También se tuvieron en cuenta técnicas que permiten ejecutar parte de la herramienta en las placas acelerados gráficas para aumentar el rendimiento de la misma. La herramienta se encuentra dividida en dos módulos. El primero utiliza técnicas de aprendizaje máquina para determinar si dada una imagen, una persona se encuentra o no en ella. Para ello se debe realizar una etapa de entrenamiento del algoritmo a partir de un dataset de imágenes las cuales contienen personas y otro conjunto las cuales no las contiene. El segundo módulo toma como base el modelo clasificador generado por el primero y realiza las detecciones sobre el vídeo de interés. A las personas que detecta el algoritmo se les inicializa seguimiento. Para las experimentaciones se utilizaron distintos fragmentos de video tomados de una cámara de seguridad correspondientes a distintos momentos del dia. Además se generaron resultados con otra herramienta la cual utiliza otras t´ecnicas de aprendizaje, a modo de comparativa. La tasa de detecciones obtenida fue aceptable, si bien hay casos donde la herramienta falla debido a detecciones falsas. Se mejor´o mucho la detecci´on al aplicar un re-entrenamiento del modelo clasificador con imágenes especıficas del video. Por último, si bien el enfoque propuesto funciona a la velocidad esperada y con detecciones aceptables, la tarea de entrenar el modelo con detecciones del video a analizar debe ser llevada a cabo para cada escenario distinto sobre el que quiera ser ejecutada la herramienta.
Fil: Hrubik, Mirko. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Sassoni, Gonzalo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: D'amato, Juan Pablo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Balmaceda, Jose Marıa. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. - Materia
-
Videos
Cámaras de seguridad
Dataset de imágenes
Ingeniería de sistemas
Tiempo real
Técnicas de aprendizaje - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional del Centro de la Provincia de Buenos Aires
- OAI Identificador
- oai:ridaa.unicen.edu.ar:123456789/2060
Ver los metadatos del registro completo
id |
RIDUNICEN_6cbe2b7ca915242460e4794dcecdcd12 |
---|---|
oai_identifier_str |
oai:ridaa.unicen.edu.ar:123456789/2060 |
network_acronym_str |
RIDUNICEN |
repository_id_str |
a |
network_name_str |
RIDAA (UNICEN) |
spelling |
Análisis y seguimiento de personas en videos en tiempo realHrubik, MirkoSassoni, GonzaloVideosCámaras de seguridadDataset de imágenesIngeniería de sistemasTiempo realTécnicas de aprendizajeEl objetivo de este trabajo es analizar las distintas técnicas existentes para realizar detección y seguimiento de personas sobre videos de cámaras de seguridad haciendo uso de técnicas de aprendizaje máquina. Además se busca que esta tarea pueda ser llevada a cabo en tiempo real en sistemas con hardware de bajo costo. Con la intención de cumplir con los objetivos planteados, se estudiaron los trabajos relacionados al respecto y se analizaron las t´ecnicas que cada uno implementa. De esta manera se seleccionaron aquellas que provean resultados aceptables cuyo tiempo computacional no sea elevado. También se tuvieron en cuenta técnicas que permiten ejecutar parte de la herramienta en las placas acelerados gráficas para aumentar el rendimiento de la misma. La herramienta se encuentra dividida en dos módulos. El primero utiliza técnicas de aprendizaje máquina para determinar si dada una imagen, una persona se encuentra o no en ella. Para ello se debe realizar una etapa de entrenamiento del algoritmo a partir de un dataset de imágenes las cuales contienen personas y otro conjunto las cuales no las contiene. El segundo módulo toma como base el modelo clasificador generado por el primero y realiza las detecciones sobre el vídeo de interés. A las personas que detecta el algoritmo se les inicializa seguimiento. Para las experimentaciones se utilizaron distintos fragmentos de video tomados de una cámara de seguridad correspondientes a distintos momentos del dia. Además se generaron resultados con otra herramienta la cual utiliza otras t´ecnicas de aprendizaje, a modo de comparativa. La tasa de detecciones obtenida fue aceptable, si bien hay casos donde la herramienta falla debido a detecciones falsas. Se mejor´o mucho la detecci´on al aplicar un re-entrenamiento del modelo clasificador con imágenes especıficas del video. Por último, si bien el enfoque propuesto funciona a la velocidad esperada y con detecciones aceptables, la tarea de entrenar el modelo con detecciones del video a analizar debe ser llevada a cabo para cada escenario distinto sobre el que quiera ser ejecutada la herramienta.Fil: Hrubik, Mirko. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Sassoni, Gonzalo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: D'amato, Juan Pablo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Balmaceda, Jose Marıa. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasD'amato, Juan PabloBalmaceda, Jose Marıa2018-06-262019-08-13T14:32:56Z2019-08-13T14:32:56Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttps://www.ridaa.unicen.edu.ar/handle/123456789/2060spahttp://creativecommons.org/licenses/by-nc/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-29T13:41:11Zoai:ridaa.unicen.edu.ar:123456789/2060instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-09-29 13:41:11.466RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse |
dc.title.none.fl_str_mv |
Análisis y seguimiento de personas en videos en tiempo real |
title |
Análisis y seguimiento de personas en videos en tiempo real |
spellingShingle |
Análisis y seguimiento de personas en videos en tiempo real Hrubik, Mirko Videos Cámaras de seguridad Dataset de imágenes Ingeniería de sistemas Tiempo real Técnicas de aprendizaje |
title_short |
Análisis y seguimiento de personas en videos en tiempo real |
title_full |
Análisis y seguimiento de personas en videos en tiempo real |
title_fullStr |
Análisis y seguimiento de personas en videos en tiempo real |
title_full_unstemmed |
Análisis y seguimiento de personas en videos en tiempo real |
title_sort |
Análisis y seguimiento de personas en videos en tiempo real |
dc.creator.none.fl_str_mv |
Hrubik, Mirko Sassoni, Gonzalo |
author |
Hrubik, Mirko |
author_facet |
Hrubik, Mirko Sassoni, Gonzalo |
author_role |
author |
author2 |
Sassoni, Gonzalo |
author2_role |
author |
dc.contributor.none.fl_str_mv |
D'amato, Juan Pablo Balmaceda, Jose Marıa |
dc.subject.none.fl_str_mv |
Videos Cámaras de seguridad Dataset de imágenes Ingeniería de sistemas Tiempo real Técnicas de aprendizaje |
topic |
Videos Cámaras de seguridad Dataset de imágenes Ingeniería de sistemas Tiempo real Técnicas de aprendizaje |
dc.description.none.fl_txt_mv |
El objetivo de este trabajo es analizar las distintas técnicas existentes para realizar detección y seguimiento de personas sobre videos de cámaras de seguridad haciendo uso de técnicas de aprendizaje máquina. Además se busca que esta tarea pueda ser llevada a cabo en tiempo real en sistemas con hardware de bajo costo. Con la intención de cumplir con los objetivos planteados, se estudiaron los trabajos relacionados al respecto y se analizaron las t´ecnicas que cada uno implementa. De esta manera se seleccionaron aquellas que provean resultados aceptables cuyo tiempo computacional no sea elevado. También se tuvieron en cuenta técnicas que permiten ejecutar parte de la herramienta en las placas acelerados gráficas para aumentar el rendimiento de la misma. La herramienta se encuentra dividida en dos módulos. El primero utiliza técnicas de aprendizaje máquina para determinar si dada una imagen, una persona se encuentra o no en ella. Para ello se debe realizar una etapa de entrenamiento del algoritmo a partir de un dataset de imágenes las cuales contienen personas y otro conjunto las cuales no las contiene. El segundo módulo toma como base el modelo clasificador generado por el primero y realiza las detecciones sobre el vídeo de interés. A las personas que detecta el algoritmo se les inicializa seguimiento. Para las experimentaciones se utilizaron distintos fragmentos de video tomados de una cámara de seguridad correspondientes a distintos momentos del dia. Además se generaron resultados con otra herramienta la cual utiliza otras t´ecnicas de aprendizaje, a modo de comparativa. La tasa de detecciones obtenida fue aceptable, si bien hay casos donde la herramienta falla debido a detecciones falsas. Se mejor´o mucho la detecci´on al aplicar un re-entrenamiento del modelo clasificador con imágenes especıficas del video. Por último, si bien el enfoque propuesto funciona a la velocidad esperada y con detecciones aceptables, la tarea de entrenar el modelo con detecciones del video a analizar debe ser llevada a cabo para cada escenario distinto sobre el que quiera ser ejecutada la herramienta. Fil: Hrubik, Mirko. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Sassoni, Gonzalo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: D'amato, Juan Pablo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Balmaceda, Jose Marıa. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. |
description |
El objetivo de este trabajo es analizar las distintas técnicas existentes para realizar detección y seguimiento de personas sobre videos de cámaras de seguridad haciendo uso de técnicas de aprendizaje máquina. Además se busca que esta tarea pueda ser llevada a cabo en tiempo real en sistemas con hardware de bajo costo. Con la intención de cumplir con los objetivos planteados, se estudiaron los trabajos relacionados al respecto y se analizaron las t´ecnicas que cada uno implementa. De esta manera se seleccionaron aquellas que provean resultados aceptables cuyo tiempo computacional no sea elevado. También se tuvieron en cuenta técnicas que permiten ejecutar parte de la herramienta en las placas acelerados gráficas para aumentar el rendimiento de la misma. La herramienta se encuentra dividida en dos módulos. El primero utiliza técnicas de aprendizaje máquina para determinar si dada una imagen, una persona se encuentra o no en ella. Para ello se debe realizar una etapa de entrenamiento del algoritmo a partir de un dataset de imágenes las cuales contienen personas y otro conjunto las cuales no las contiene. El segundo módulo toma como base el modelo clasificador generado por el primero y realiza las detecciones sobre el vídeo de interés. A las personas que detecta el algoritmo se les inicializa seguimiento. Para las experimentaciones se utilizaron distintos fragmentos de video tomados de una cámara de seguridad correspondientes a distintos momentos del dia. Además se generaron resultados con otra herramienta la cual utiliza otras t´ecnicas de aprendizaje, a modo de comparativa. La tasa de detecciones obtenida fue aceptable, si bien hay casos donde la herramienta falla debido a detecciones falsas. Se mejor´o mucho la detecci´on al aplicar un re-entrenamiento del modelo clasificador con imágenes especıficas del video. Por último, si bien el enfoque propuesto funciona a la velocidad esperada y con detecciones aceptables, la tarea de entrenar el modelo con detecciones del video a analizar debe ser llevada a cabo para cada escenario distinto sobre el que quiera ser ejecutada la herramienta. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-06-26 2019-08-13T14:32:56Z 2019-08-13T14:32:56Z |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
https://www.ridaa.unicen.edu.ar/handle/123456789/2060 |
url |
https://www.ridaa.unicen.edu.ar/handle/123456789/2060 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc/2.5/ar/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc/2.5/ar/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
dc.source.none.fl_str_mv |
reponame:RIDAA (UNICEN) instname:Universidad Nacional del Centro de la Provincia de Buenos Aires |
reponame_str |
RIDAA (UNICEN) |
collection |
RIDAA (UNICEN) |
instname_str |
Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.name.fl_str_mv |
RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.mail.fl_str_mv |
lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ; |
_version_ |
1844619018014556160 |
score |
12.559606 |