Anomaly Detection System in Video Surveillance using Deep Learning Techniques

Abstract

En el campo del análisis de videovigilancia, la detección de anomalías es una tarea esencial para garantizar la protección pública durante la detección de tramos que tienden a contener eventos inusuales como robos, asaltos, peleas, entre otros. Recientemente, Las Redes Neuronales Convolucionales (CNN en inglés), una categoría basada en técnicas de aprendizaje profundo (Deep Learning), ha mostrado un gran progreso en las tareas de visión por computadora, con aplicaciones relacionadas con la clasificación / reconocimiento de imágenes y vídeos, y mas específicamente para tareas de detección de anomalías. Sin embargo, no han sido capaces de manejar la precisión en escenarios reales debido a la presencia de ruido, contexto / situaciones específicas, variabilidad de como se definen los diferentes eventos, datos limitados para fines de entrenamiento, altos recursos computacionales necesarios para responder en tiempo real, entre otros. Este trabajo explora dos arquitecturas de CNN de clasificación de vídeo sobresalientes para analizar su estructura, su capacidad para ejecutarse en escenarios en tiempo real y la capacidad de clasificar adecuadamente los cuadros de vídeo en eventos normales y anormales. Tales anomalías incluyen abuso, arresto y asalto. También se presenta una nueva arquitectura de CNN, llamada Frankensnet, centrada en la clasificación de anomalías del cuadro de vídeo. Frankensnet tiene como objetivo tomar la caracter´ıstica estructural de las CNN exploradas, teniendo en cuenta la precisión lograda, la capacidad de detección en tiempo real y el tiempo de entrenamiento. Los experimentos se realizan en referencia al conjunto de datos UCF-Crime. Como resultados preliminares, este documento proporciona un punto de vista para seleccionar arquitecturas CNN para la identificación de anomalías, considerando la precisión, así como el tiempo de entrenamiento y ejecución. Ademas, FrankensNet demostró ser adecuado para escenarios que requieren una alta precisión. Sin embargo, entrenar la arquitectura toma aproximadamente el doble de tiempo que las arquitecturas exploradas. Finalmente, se proporciona un programa de escritorio para probar el rendimiento de cada arquitectura CNN en escenarios en tiempo real con tareas de detección de anomalías.