Detección de Violencia en Tiempo Real en Videos de Vigilancia Utilizando un Enfoque de Aprendizaje Profundo

Resumen: Con el fin de abordar el problema continuo de mantener las frutas frescas, esta investigación presenta una detección automatizada de frescura. La creciente presencia de cámaras de vigilancia ha mejorado indudablemente la seguridad pública. Sin embargo, revisar manualmente vastas cantidades de grabaciones de video para la detección de violencia sigue siendo una tarea tediosa y propensa a errores. Este documento propone un enfoque basado en aprendizaje profundo para la detección de anomalías en videos de vigilancia, con un enfoque específico en identificar actividades violentas. Los métodos de vigilancia tradicionales a menudo carecen de la sofisticación necesaria para distinguir entre comportamientos normales y acciones potencialmente amenazantes. El aprendizaje profundo ofrece una ventaja significativa al automatizar la identificación de desviaciones de patrones de comportamiento establecidos en los datos de video. Esta automatización permite un análisis en tiempo real de las grabaciones, señalando potencialmente la ocurrencia de incidentes violentos y permitiendo una respuesta más rápida por parte del personal de seguridad. Esta investigación profundiza en la aplicación de modelos de aprendizaje profundo para la detección de violencia en grabaciones de vigilancia. Comenzamos discutiendo las limitaciones inherentes en los métodos convencionales, como la detección de movimiento y la revisión manual, que luchan por capturar los matices del comportamiento humano. Posteriormente, exploramos las ventajas que los enfoques basados en aprendizaje profundo aportan, incluyendo su capacidad para aprender patrones complejos a partir de grandes conjuntos de datos e identificar anomalías sutiles que podrían escapar a la observación humana.