Automatic video surveillance system in port environments using deep learning
Use este enlace para citar
http://hdl.handle.net/2183/31952
A non ser que se indique outra cousa, a licenza do ítem descríbese como Atribución-NoComercial-SinDerivadas 3.0 España
Coleccións
Metadatos
Mostrar o rexistro completo do ítemTítulo
Automatic video surveillance system in port environments using deep learningAutor(es)
Director(es)
Ramos, LucíaMoura, Joaquim de
Data
2022Centro/Dpto/Entidade
Universidade da Coruña. Facultade de InformáticaDescrición
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022Resumo
[Abstract]: Ports are key to local and regional socio-economic development due to their strategic location
for the exchange of goods by sea and land. The large dimensions of port infrastructures
together with the volume of traffic and goods make them critical environments in which security
is crucial to protect all port operations and the port community. The development
of information and communication technologies has enhanced the control of port processes,
improving aspects such as security, efficiency in activity and the effectiveness of the port
authority in its supervisory functions. In this context, the advances in image processing techniques,
and in particular, in deep learning, present a high potential for the automation of
image and video analysis tasks to support video surveillance.
This project proposes an automatic methodology based on advanced techniques of image
processing and deep learning for the analysis of the video stream captured by cameras located
in port environments. In particular, the proposed methodology focuses on video surveillance
for intrusion detection in specific areas previously delimited. To this end, a multi-stage
method is proposed, consisting of a static analysis phase for the detection of objects of interest,
such as vehicles or people, and a dynamic analysis stage for the monitoring of the
detected objects and the detection of intrusion events in predefined areas. In addition, the
system has a configuration interface that allows the delimitation of intrusion areas as well as
the definition of masks to discard areas from the automatic analysis.
For the training and evaluation of this methodology, it was used a public dataset related to
the problem as well as a dataset specific to port environments in order to have a robust system
for this application domain. The extracted results show that the proposed methodology allows
the detection of the objects of interest as well as its dynamic analysis, enabling the detection
of intrusion events in previously delimited restricted areas. [Resumo]: Os portos son pezas clave para o desenvolvemento socioeconómico local e rexional pola
súa situación estratéxica para o intercambio de mercancías por vía marítima e terrestre. As
elevadas dimensións das infraestruturas portuarias xunto co volume de tráfico e mercancías
que transitan por elas fan que sexan entornos críticos nos que a seguridade é crucial para
protexer toda a operativa e comunidade portuaria. O desenvolvemento das tecnoloxías da
información e as comunicacións supuxo un impulso para o control dos procesos portuarios
mellorando aspectos como a seguridade, a eficiencia na actividade e a eficacia da autoridade
portuaria nas súas funcións de supervisión. Neste contexto, os avances nas técnicas de
procesado de imaxe, e en particular, en deep learning, presentan un elevado potencial para a
automatización de tarefas de análise de imaxe e vídeo para o apoio á videovixilancia.
Neste proxecto proponse unha metodoloxía automática baseada en técnicas avanzadas de
procesado de imaxe e deep learning para a análise do fluxo de vídeo capturado por cámaras
ubicadas en entornos portuarios. En particular, a metodoloxía proposta céntrase na videovixilancia
para a detección de intrusións en zonas previamente delimitadas. Con este fin,
proponse un método multietapa composto por una fase de análise estática para a deteción de
obxetos de interese, como vehículos ou persoas, e unha etapa de análise dinámica para o seguimento
dos obxectos detectados e detección de eventos de intrusión nas áreas predefinidas.
Para o adestramento e avaliación desta metodoloxía empregouse un conxunto público de
datos afíns ao problema así como un conxunto de datos específicos de entornos portuarios
co fin de ter un sistema robusto para este dominio de aplicación específico. Os resultados
extraidos mostran que a metodoloxía proposta permite a detección dos obxectos de interese así
como a súa análise dinámica, permitindo detectar eventos de intrusión en áreas restrinxidas.
Palabras chave
Deep learning
Computer vision
Object detection
Optical flow
Surveillance
Smart ports
Video processing
Aprendizaxe profundo
Visión por computador
Detección de obxetos
Fluxo óptico
Vixilancia
Portos intelixentes
Procesamento de vídeo
Computer vision
Object detection
Optical flow
Surveillance
Smart ports
Video processing
Aprendizaxe profundo
Visión por computador
Detección de obxetos
Fluxo óptico
Vixilancia
Portos intelixentes
Procesamento de vídeo
Dereitos
Atribución-NoComercial-SinDerivadas 3.0 España