Detección de personas en tiempo real mediante algoritmos de Deep Learning
En muchas escenas existe la necesidad de contar el número de personas que acceden a un determinado espacio para limitar y controlar su flujo, especialmente en los tiempos de pandemia. Por lo tanto, en el presente proyecto se presenta una posible solución para contar las personas de forma automática...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/9214 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/9214 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Internet de las cosas Raspberry Pi Inteligencia artificial Aprendizaje automático Aprendizaje profundo Mask R-CNN YOLACT Detección de personas Internet of Things Artificial Intelligence Machine Learning Deep Learning Pedestrian Detection Informática (Informática) 1203.17 Informática |
| Sumario: | En muchas escenas existe la necesidad de contar el número de personas que acceden a un determinado espacio para limitar y controlar su flujo, especialmente en los tiempos de pandemia. Por lo tanto, en el presente proyecto se presenta una posible solución para contar las personas de forma automática en tiempo real, utilizando la tecnología del aprendizaje profundo. La solución, enmarcada bajo el paradigma de Internet de las Cosas (Internet of Things, IoT) consta principalmente de dos partes, nodo IoT y servidor. El nodo IoT se encarga de capturar las imágenes mediante un módulo de cámara y las envía al servidor. El servidor es un dispositivo con altas capacidades computacionales, que se encarga de los procesamientos de las imágenes, detectando las personas que aparecen en dichas imágenes mediante el uso de algoritmos de aprendizaje profundo. En el presente proyecto se han utilizado dos algoritmos, Mask R-CNN y YOLACT, con tal propósito, que permiten analizar los diferentes resultados. Conjuntamente con ellos, se ha utilizado el algoritmo de DeepSORT para realizar el seguimiento de objetos, asignando un ID a las personas detectadas. Finalmente, con las coordenadas obtenidas de las personas, se determina su sentido de movimiento y se alerta cuando el número de personas supera el límite establecido en el espacio objeto de monitorización. Todos estos métodos y funcionalidades se han integrado convenientemente hasta lograr una solución conceptual IoT, que ha permitido comparar y evaluar las distintas estrategias integradas. |
|---|