DETECÇÃO DE ANOMALIAS EM PASSAGENS EXCLUSIVAS DE PEDESTRES
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Trabalho de Conclusão de Curso
Data
2022-12-07
Autores
KAIQUE ESTANISLAU DE ARAUJO
PAULO VINÍCIUS NUNES DE AGUIAR
PAULO VINÍCIUS NUNES DE AGUIAR
Orientador
Danilo Hernani Perico
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
Texto completo (DOI)
Palavras-chave
Resumo
Monitorar atividades humanas é um assunto relevante para a segurança da população,
sobretudo por câmeras de vigilância instaladas em locais abertos e em ambientes fechados,
como lojas, mercados, entre outros. Na maioria dos casos, a segurança é realizada manualmente
através de vigilância humana, resultando em um processo caro, inviável financeiramente
em grande escala e sujeito a falhas. Visando resolver esse problema e automatizar processos de
monitoramento, diversos conjuntos de dados relacionados ao reconhecimento de anomalias nas
atividades humanas vêm sendo elaborados e disponibilizados publicamente, e variados métodos,
principalmente relacionados a aprendizado profundo, estão sendo testados nesses datasets.
O contínuo avanço na área de inteligência artificial vem da necessidade de melhorar
cada vez mais o reconhecimento de anormalidades no comportamento das pessoas, através da
inovação em técnicas e ferramentas. Com esse intuito, o presente trabalho é baseado em redes
neurais convolucionais, que utiliza a rede neural YOLO para identificar os objetos determinados
nos datasets UCSD Ped1 e UCSD Ped 2 e, através da ResNet50, utilizando a técnica de
transferência de aprendizado, serão classificados os eventos anômalos, como circulação de não
pedestres (skatistas, ciclistas, veículos pequenos) em caminhos exclusivamente de pedestres e
pessoas andando sobre a grama.
Monitoring human activities is a relevant issue for the safety of the population, espe- cially for surveillance cameras installed in open and closed places, such as stores, markets, among others. In most cases, security is performed manually through human surveillance, re- sulting in a process that is expensive, unfeasible on a large scale, and prone to failure. Aiming to solve this problem and automate monitoring processes, several datasets related to the recog- nition of anomalies in human activities have been elaborated and made publicly available, and various methods, mainly related to deep learning, are being tested on these datasets. The continuous advancement in the area of artificial intelligence comes from the need to increasingly improve the recognition of abnormalities in people’s behavior, through innovation in techniques and tools. For this purpose, the present work is based on convolutional neural net- works, which uses the YOLO neural network to identify the objects determined in the datasets UCSD Ped1 and UCSD Ped 2 and, through ResNet50, using the transfer of learning technique , anomalous events will be classified, such as movement of non-pedestrians (skateboarders, cy- clists, small vehicles) on pedestrian-only paths and people walking on grass.
Monitoring human activities is a relevant issue for the safety of the population, espe- cially for surveillance cameras installed in open and closed places, such as stores, markets, among others. In most cases, security is performed manually through human surveillance, re- sulting in a process that is expensive, unfeasible on a large scale, and prone to failure. Aiming to solve this problem and automate monitoring processes, several datasets related to the recog- nition of anomalies in human activities have been elaborated and made publicly available, and various methods, mainly related to deep learning, are being tested on these datasets. The continuous advancement in the area of artificial intelligence comes from the need to increasingly improve the recognition of abnormalities in people’s behavior, through innovation in techniques and tools. For this purpose, the present work is based on convolutional neural net- works, which uses the YOLO neural network to identify the objects determined in the datasets UCSD Ped1 and UCSD Ped 2 and, through ResNet50, using the transfer of learning technique , anomalous events will be classified, such as movement of non-pedestrians (skateboarders, cy- clists, small vehicles) on pedestrian-only paths and people walking on grass.