Diseño, implementación y evaluación de una estrategia de detección de objetos abandonados en aplicaciones de videovigilancia

Este trabajo plantea el estudio e implementación de algoritmos de aprendizaje profundo Deep Learning con la finalidad de detectar objetos abandonados en aplicaciones de videovigilancia.

Se ha realizado un estudio teórico de los algoritmos de detección y seguimiento disponibles en el Estado del Arte. Para la detección de objetos en tiempo real se ha empleado YOLOv4. Como algoritmo de seguimiento se ha optado por Deep SORT. Por último, se ha desarrollado un algoritmo que determine si un objeto ha sido abandonado o no. Todos ellos han sido implementados sobre el dataset de referencia MS COCO y evaluados sobre los datasets más relevantes en la detección de objetos abandonados como son GBA2018, PETS2007, AVSSAB2007 o ABODA.

Palabras clave: Deep Learning, YOLOv4, Deep SORT, videovigilancia, visión por computador.

This Master's Thesis proposes the study and implementation of Deep Learning algorithms in order to detect abandoned objects in video surveillance applications.

A theoretical study of the detection and monitoring algorithms available in the State of the Art has been carried out. YOLOv4 has been used to detect objects in real time. Deep SORT has been chosen as tracking algorithm. Finally, an algorithm has been developed to determine when an object has been abandoned or not. All of them have been implemented on the MS COCO benchmark dataset and evaluated on the most relevant datasets in the detection of abandoned objects such as GBA2018, PETS2007, AVSSAB2007 or ABODA.

Keywords: Deep Learning, YOLOv4, Deep SORT, Video Surveillance, Computer Vision.