Detección de armas tipo pistola mediante el uso de redes convolucionales con una arquitectura tipo YOLO y estereoscopía
Resumen
Las cámaras de seguridad y los sistemas de videovigilancia se han convertido en infraestructuras sumamente importantes para garantizar la seguridad de los ciudadanos. Sin embargo, el problema de inseguridad sigue en crecimiento debido en gran parte al fácil acceso a armas de fuego tipo pistola, la detección temprana de este tipo de armas es de suma importancia para ayudar a prevenir accidentes. El objetivo de este trabajo es implementar un sistema de visión estereoscópica que sea capaz de detectar en tiempo real este tipo de objetos con alta confianza ademas de lograr definir la distancia a la que se encuentra dicho objeto. Para dicha detección se implementó una arquitectura de redes neuronales convolucionales (CNN) con un algoritmo tipo YOLO, empleando aprendizaje transferido, junto con un algoritmo para la estimación estereoscópica de la distancia. El sistema presentado funciona con un valor de Intersección sobre unión (IoU) de 0.6 en el cual el se logró una precisión de 92.2 % además, el error promedio detectado en la estimación de distancia hasta un máximo de 3 metros es de 9.3 centimetros.
Descargas
Citas
Arballo, J. J. P., Diaz, S. M., Liera, M. A. C., y Taylor, J. E. L. (2022). Detec- cion de cambio en superficie costera mediante la segmentacion de imagenes aereas utilizando redes neuronales convolucionales. Padi Boletin Cientifico de Ciencias Basicas e Ingenierias del ICBI, 10:136–144.
Chavelas, S. M. y Diaz, S. M. (2019). Algoritmo paralelo en gpu para el rastreo de armas de fuego tipo pistola tesis.
Deepthi, T., Gaayathri, R., y Shanthosh, S. (2018). Firearm recognition using convolutional neural network. academia.edu.
Flitton, G., Breckon, T. P., y Megherbi, N. (2013). A comparison of 3d inter- est point descriptors with application to airport baggage object detection in complex ct imagery. Pattern Recognition, 46:2420–2436.
Gesick, R., Saritac, C., y Hung, C. C. (2009). Automatic image analysis pro- cess for the detection of concealed weapons. ACM International Conference Proceeding Series.
Grega, M., Matiolanski, A., Guzik, P., y Leszczuk, M. (2016). Automated de- tection of firearms and knives in a cctv image.
INEGI (2021). Datos preliminares revelan que en 2020 se registraron 36579 homicidios.
Jocher, G. y Ultralytics (2023). Github yolov8 - ultralytics. Accessed on February 13, 2023
Liu, F., Zhao, H., y Liu, W. (2022). Improved garment detection algorithm based on yolov5. pp. 1054–1058.
Olmos, R., Tabik, S., y Herrera, F. (2018). Automatic handgun detection alarm in videos using deep learning. Neurocomputing, 275:66–72.
RangeKing (2023). Brief summary of yolov8 model structure. Accessed on February 13, 2023.
Redmon, J., Divvala, S., Girshick, R., y Farhadi, A. (2016). You only look once: Unified, real-time object detection. pp. 779–788.
Remondino, F. ., Fraser, C., y Remondino, F. (2006). Digital camera calibration methods. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXVI:266–272.
Strbac, B., Gostovic, M., Lukac, Z., y Samardzija, D. (2020). Yolo multi- camera object detection and distance estimation. 2020 Zooming Innovation in Consumer Technologies Conference, ZINC 2020, pp. 26–30.
SUSMITHA, D. y KUMAR, S. V. (2023). Weapon detection using artificial intelligence and deep learning for security applications. Journal of Engineering Sciences, 14(01).
Veit, A., Matera, T., Neumann, L., Matas, J., y Belongie, S. (2016). Coco-text: Dataset and benchmark for text detection and recognition in natural images. arXiv preprint arXiv:1601.07140
Derechos de autor 2023 Aarón Schcolnik-Elias, Saúl Martínez-Díaz, Jorge Enrique Luna-Taylor, Iliana Castro-Liera
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
