IoT para monitorización de tránsito peatonal mediante técnicas de aprendizaje profundo
En este trabajo se aborda el diseño y desarrollo de un sistema centrado en el cómputo del tránsito peatonal a partir de secuencias de vídeo grabadas en un determinado escenario. Se propone una solución conceptual basada en el aprovechamiento de tecnologías IoT. El cómputo de dicho tránsito puede div...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/14360 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/14360 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Redes Neuronales Convolucionales Flujo Óptico Etiquetado de componentes conexas Long Short Term Memory (LSTM) Tránsito peatonal Convolutional Neural Networks Optical flow Related components labeling Pedestrian traffic Informática (Informática) 1203.17 Informática |
| Sumario: | En este trabajo se aborda el diseño y desarrollo de un sistema centrado en el cómputo del tránsito peatonal a partir de secuencias de vídeo grabadas en un determinado escenario. Se propone una solución conceptual basada en el aprovechamiento de tecnologías IoT. El cómputo de dicho tránsito puede dividirse en dos partes: primeramente se toman las imágenes de la secuencia de vídeo grabada, y en cada una de ellas se aplican una serie de técnicas de procesamiento de vídeo y detección de movimiento. La aplicación de estas técnicas da como resultado una serie de recortes para cada una de las imágenes, estos recortes son zonas donde se ha identificado que hay algún peatón presente. La segunda parte consiste en el uso de una Red Neuronal Convolucional para llevar a cabo la clasificación de los recortes obtenidos previamente. Los recortes son clasificados por la red neuronal en cuatro categorías diferentes (unCaminante, dosCaminantes, corredor y ciclista). La clasificación permite obtener los datos necesarios para llevar a cabo el cómputo del tránsito de peatones en el escenario en el que se grabó la secuencia. Los datos obtenidos son subidos a una plataforma en la nube, lo que permite que sean descargados por parte de la administración o de cualquier persona que esté interesada en dichos datos, en ambos casos suponiendo que se tiene acceso, principalmente mediante internet. Por otro lado, en este trabajo también se ha realizado el estudio y predicción a partir de series temporales. Para ello se han aplicado dos modelos diferentes: un modelo autorregresivo y el uso de redes Long Short-Term Memory (LSTM). |
|---|