Handgun Detection Using Combined Human Pose and Weapon Appearance
Los sistemas de circuito cerrado de televisión (CCTV) son esenciales hoy en día para prevenir amenazas a la seguridad o situaciones de peligro, en las que la detección precoz es crucial. Novedosos métodos basados en el aprendizaje profundo han permitido desarrollar detectores automáticos de armas co...
| Autores: | , , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universidad de Castilla-La Mancha |
| Repositorio: | RUIdeRA. Repositorio Institucional de la UCLM |
| OAI Identifier: | oai:ruidera.uclm.es:10578/41483 |
| Acceso en línea: | https://doi.org/10.1109/ACCESS.2021.3110335 https://hdl.handle.net/10578/41483 |
| Access Level: | acceso abierto |
| Palabra clave: | CCTV surveillance Deep learning Handgun detection Human pose estim |
| Sumario: | Los sistemas de circuito cerrado de televisión (CCTV) son esenciales hoy en día para prevenir amenazas a la seguridad o situaciones de peligro, en las que la detección precoz es crucial. Novedosos métodos basados en el aprendizaje profundo han permitido desarrollar detectores automáticos de armas con resultados prometedores. Sin embargo, estos enfoques se basan principalmente en la apariencia visual del arma. En el caso de las armas cortas, la pose corporal puede ser una pista útil, especialmente en los casos en los que el arma apenas es visible. En este trabajo se propone un nuevo método que combina, en una única arquitectura, información sobre el aspecto del arma y la pose humana. En primer lugar, se estiman los puntos clave de la pose para extraer las regiones de la mano y generar imágenes binarias de la pose, que son las entradas del modelo. A continuación, cada entrada se procesa en diferentes subredes y se combina para producir el cuadro delimitador del arma. Los resultados obtenidos muestran que el modelo combinado mejora el estado del arte de la detección de armas (pistolas), consiguiendo de 4,23 a 18,9 puntos de AP más que el mejor enfoque anterior. |
|---|