Danilo Hernani PericoKAIQUE ESTANISLAU DE ARAUJOPAULO VINÍCIUS NUNES DE AGUIAR2024-08-162024-08-162022-12-07https://repositorio.fei.edu.br/handle/FEI/5510Monitorar 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.66pt-BRRestritoTrabalho de Conclusão de Curso