Aplicación de técnicas de aprendizaje de máquina al análisis de archivos de video para la detección de delitos

Abstract

Esta tesis se centra en el desarrollo de una aplicación para seguridad ciudadana mediante técnicas de aprendizaje de máquina, con el objetivo principal de detectar delitos a través del análisis de archivos de video. La investigación comienza con una revisión sistemática de las técnicas más relevantes, estableciendo criterios de selección que priorizan estructuras capaces de integrar eficientemente la dimensión temporal. Se favorecen modelos de aprendizaje de máquina, que ofrecen versatilidad para la incorporación de nuevos parámetros, especialmente aquellos basados en esquemas espacio-temporales, fundamentales para el análisis de video y la consideración del contexto temporal de los eventos. Dado que la recolección de datos extensos y etiquetados resulta inviable en el marco temporal del proyecto, se opta por utilizar simulaciones basadas en conjuntos de datos públicos en lı́nea diseñados especı́ficamente para la detección de delitos. Se selecciona cuidadosamente al menos un tipo de delito para la investigación, considerando su relevancia y disponibilidad de repeticiones para el desarrollo efectivo del modelo de predicción. La validación del modelo se lleva a cabo mediante una evaluación exhaustiva, utilizando diversos conjuntos de datos previamente seleccionados y parámetros clave de desempeño, como la curva ROC - AUC. Este enfoque integral busca garantizar la eficacia y aplicabilidad del modelo en entornos prácticos y del mundo real. (Texto tomado de la fuente)

This thesis focuses on developing an application for public safety through machine learning techniques, with the primary goal of crime detection by analyzing video files. The research begins with a systematic review of the most relevant techniques, establishing selection criteria that prioritize structures capable of efficiently integrating the temporal dimension. Machine learning models are favored for their versatility in incorporating new parameters, especially those based on spatiotemporal schemes, crucial for video analysis and considering the temporal context of events. Since the collection of extensive and labeled data is impractical within the project’s timeframe, simulations based on publicly available online datasets specifically designed for crime detection are used. At least one type of crime is carefully selected for investigation, considering its relevance and the availability of repetitions for the effective development of the prediction model. Model validation is conducted through a comprehensive evaluation, utilizing various pre-selected datasets and key performance parameters, such as the ROC-AUC curve. This holistic approach seeks to ensure the effectiveness and applicability of the model in practical and real-world settings.