Vol. 6 – Núm. 1 / Enero – Junio – 2025
Desarrollo de un Modelo de Machine Learning para el
Reconocimiento de Comportamientos Inusuales de Personas en
Videos de Videovigilancia Comunitaria
Development of a Machine Learning
Model for the Recognition of Unusual Behavior of People in Community
Surveillance Videos
Desenvolvimento de um modelo de aprendizagem automática para o
reconhecimento de comportamentos invulgares de pessoas em vídeos de
videovigilância comunitaria
Muñoz Abad, Edgar Osvaldo
Escuela Politécnica del Chimborazo
osvaldo.munioz@espoch.edu.ec
https://orcid.org/0000-0003-4473-3620
Paguay Soxo, Paul Xavier
Escuela Politécnica del Chimborazo
paul.paguay@espoch.edu.ec
http://orcid.org/0000-0002-0262-9844
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/n1/912
Como citar:
Muñoz Abad, E. O., & Paguay Soxo, P. X. (2025). Desarrollo de un Modelo de Machine
Learning para el Reconocimiento de Comportamientos Inusuales de Personas en Videos de
Videovigilancia Comunitaria. Código Científico Revista De Investigación, 6(1), 690–709.
https://doi.org/10.55813/gaea/ccri/v6/n1/912
Recibido: 29/05/2025 Aceptado: 27/06/2025 Publicado: 30/06/2025
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
691
Resumen
La videovigilancia comunitaria se está convirtiendo en una herramienta fundamental para
fortalecer la seguridad en entornos urbanos. Sin embargo, el incremento exponencial en la
cantidad de cámaras no ha sido acompañado por una mejora proporcional en la capacidad de
monitoreo humano, lo que limita la detección oportuna de eventos anómalos. Este estudio
presenta un modelo de aprendizaje profundo diseñado para el reconocimiento automático de
comportamientos inusuales en videos de vigilancia. La arquitectura propuesta combina
EfficientNet como extractor de características espaciales con una red ConvLSTM2D para
modelar la dimensión temporal de los eventos. El conjunto de datos fue conformado por
secuencias de imágenes etiquetadas correspondientes a diversas clases de eventos anómalos y
normales. Los resultados experimentales demuestran que el modelo alcanza una puntuación
AUC global de 0.8795, con valores superiores al 0.90 en categorías como “Fighting” y
“Robbery”. La metodología propuesta muestra una alta capacidad de discriminación y
generalización, validando su aplicabilidad en sistemas de videovigilancia inteligente. Los
resultados obtenidos en este estudio demuestran que el uso de arquitecturas hibridas pueden
mejorar la detección de comportamiento anómalos en videos de video vigilancia en tiempo no
real.
Palabras clave: Videovigilancia, Detección de actividades anómalas, redes profundas,
EfficientNet, ConvLSTM, visión por computadora.
Abstract
Community video surveillance is becoming a fundamental tool for strengthening security in
urban environments. However, the exponential increase in the number of cameras has not been
accompanied by a proportional improvement in human monitoring capacity, which limits the
timely detection of anomalous events. This study presents a deep learning model designed for
automatic recognition of unusual behavior in surveillance videos. The proposed architecture
combines EfficientNet as a spatial feature extractor with a ConvLSTM2D network to model
the temporal dimension of events. The dataset was comprised of labeled image sequences
corresponding to various classes of anomalous and normal events. Experimental results show
that the model achieves an overall AUC score of 0.8795, with values above 0.90 in categories
such as “Fighting” and “Robbery”. The proposed methodology shows a high discrimination
and generalization capacity, validating its applicability in intelligent video surveillance
systems. The results obtained in this study demonstrate that the use of hybrid architectures can
improve the detection of anomalous behavior in non-real-time video surveillance videos.
Keywords: Video surveillance, Anomalous activity detection, deep networks, EfficientNet,
ConvLSTM, computer vision.
Resumo
A videovigilância comunitária está a tornar-se uma ferramenta essencial para reforçar a
segurança em ambientes urbanos. No entanto, o aumento exponencial do número de câmaras
não tem sido acompanhado por uma melhoria proporcional das capacidades de monitorização
humana, limitando a deteção atempada de eventos anómalos. Este estudo apresenta um modelo
de aprendizagem profunda concebido para o reconhecimento automático de comportamentos
invulgares em vídeos de vigilância. A arquitetura proposta combina a EfficientNet como um
extrator de caraterísticas espaciais com uma rede ConvLSTM2D para modelar a dimensão
temporal dos eventos. O conjunto de dados consiste em sequências de imagens rotuladas
correspondentes a várias classes de eventos anómalos e normais. Os resultados experimentais
mostram que o modelo atinge uma pontuação AUC global de 0,8795, com valores acima de
0,90 em categorias como “Luta” e “Roubo”. A metodologia proposta apresenta uma elevada
capacidade de discriminação e generalização, validando a sua aplicabilidade em sistemas de
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
692
videovigilância inteligentes. Os resultados obtidos neste estudo demonstram que a utilização
de arquitecturas híbridas pode melhorar a deteção de comportamentos anómalos em vídeos de
videovigilância em tempo não real.
Palavras-chave: Videovigilância, deteção de atividade anómala, redes profundas,
EfficientNet, ConvLSTM, visão computacional.
Introducción
Los sistemas comunitarios de videovigilancia se han consolidado como un recurso útil
y crucial para garantizar la seguridad en lugares públicos como ciudadelas, calles, entornos
bancarios, centros comerciales, etc. La implementación de estas tecnologías permite
monitorear zonas críticas y la detección de actividades anormales, tales como; crímenes,
accidentes o comportamientos inusuales (Zahra et al., 2024). Sin embargo, el crecimiento en
la cantidad de cámaras instaladas no ha coincidido con el aumento en la capacidad de humana
para monitorearlas, generando grandes desafíos operativos para las entidades encargadas de la
seguridad (Khan et al., 2020). Un aspecto que complica a un más la tarea de realizar un
monitoreo manual es que los eventos anormales ocurren con menor frecuencia que las
actividades normales, esto hace que la detección de estos eventos anómalos en grandes
volúmenes de videos requiera un mayor esfuerzo humano (Myagmar-Ochir & Kim, 2023). Esta
situación nos lleva a buscar soluciones más eficientes. Teniendo en cuenta los avances que se
han tenido en el área de visión por computadora y aprendizaje profundo nos ha abierto la
posibilidad de facilitar la detección automática de eventos anómalos en grandes volúmenes de
video (Pham et al., 2022).
En estudios recientes hemos observado que los modelos de aprendizaje profundo tienen
la capacidad de aprender e incrementar la precisión en las detecciones, al mismo tiempo que
reducen los costos computacionales (Myagmar-Ochir & Kim, 2023). Adicionalmente,
enfoques como la segmentación por áreas, han permitido mejorar la eficiencia en el
procesamiento de videos, lo que facilita la incorporación de estos modelos en sistemas de
videovigilancia comunitaria (Zahra et al., 2024). Ante esta realidad, creemos que resulta
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
693
urgente desarrollar algoritmos que permitan realizar la automatización en la detección de
anomalías en videos, minimizando la necesidad de intervención humana, y así mejorar la
eficiencia de las operaciones en los sistemas de seguridad comunitarias.
La visión por computadora es una tecnología en donde nos podemos apoyar para extraer
la información relevante de imágenes y videos, y así utilizar estas características para el
entrenamiento de redes neuronales profundas, como las Redes Neuronales Convolucionales
(CNN) y las Redes Neuronales Recurrentes (RNN), que permiten analizar tanto el contenido
visual como su evolución en el tiempo (Mohanapriya et al., 2024). Estudios recientes también
destacan el valor de utilizar redes de tres dimensiones (3DCNN) en la detección de
comportamientos anómalos vinculados con robos (Martínez-Mascorro et al., 2020), incluso en
escenarios más complejos, donde existe una alta concurrencia de personas (Revathi & Kumar,
2017).
En el caso de Ecuador, muchas comunidades y barrios ya han instalado sistemas
de videovigilancia, si bien proveen de visualización en tiempo real, carecen de capacidades
avanzadas para detectar y clasificar actos vandálicos, robos y otras actividades delictivas de
manera automática. Por esta razón, nuestra investigación busca desarrollar un modelo capaz de
procesar estos videos y clasificar de manera automáticamente eventos anómalos, aportando así
una solución tecnológica concreta para mejorar la seguridad comunitaria.
Con la finalidad de abordar la problemática que se ha expuesto, nuestra investigación
se centra en la siguiente pregunta: ¿Cómo puede la visión por computadora y el aprendizaje
automático ayudar a identificar y clasificar de manera eficiente eventos anómalos en videos de
sistemas de video vigilancia comunitaria?
Para dar respuesta a esta interrogante, y considerando tanto el contexto del problema
como los antecedentes revisados, se han definido los siguientes objetivos específicos:
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
694
1) Procesar los videos de videovigilancia seleccionados para entrenar el modelo,
incluyendo ejemplos de comportamientos normales y también anómalos.
2) Extraer las características específicas de los datos, para mejorar su uso en el
modelo de aprendizaje automático.
3) Entrenar el modelo de detección y clasificación mediante métodos de aprendizaje
profundo.
4) Evaluar el desempeño del modelo utilizando indicadores como AUC (Área Bajo
la Curva ROC), con el fin de asegurar su eficiencia en la detección de
comportamientos anómalos.
Metodología
En la Figura 1 se presenta la arquitectura propuesta en el marco de esta investigación.
Dentro de la arquitectura planteada, se emplea una combinación temporal y espacial para la
extracción de características. Como extractor de características espaciales utilizamos el modelo
base EfficientNet (Koonce, 2021) que es una arquitectura de red neuronal convolucional
eficiente, diseñada para extraer características espaciales complejos con bajo costo
computacional, en comparación con redes convolucionales tradicionales. Este modelo
introduce un enfoque de escalamiento compuesto que optimiza simultáneamente la
profundidad, el ancho y la resolución de entrada, lo cual permite mejorar la precisión sin
incurrir en un incremento excesivo en los recursos requeridos (Tan & Le, 2019).
Por su parte, como modelador temporal se utiliza ConvLSTM2D que es una variante
de las redes LSTM (Long Short-Term Memory) (Prakash et al., 2023) que incorpora
convoluciones, permitiendo modelar la información espacial y temporal simultáneamente, lo
cual es ideal para procesar secuencias de imágenes como videos. A diferencia de las LSTM
convencionales, que tratan los datos como vectores unidimensionales, ConvLSTM2D conserva
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
695
la estructura espacial de las imágenes al integrar operaciones de convolución dentro de sus
celdas de memoria (Shi et al., 2015).
Figura 1
Arquitectura del modelo propuesto
Nota: Autores (2025).
Conjunto de Datos
El conjunto de datos que fue utilizado para este estudio es el UFC Crime (Center for
Research in Computer Vision, n.d.) diseñado específicamente para evaluar métodos de
detección de anomalías en videos de vigilancia. Este conjunto de datos consta de 1900 videos
de 13 tipos de evento anómalos (véase ¡Error! No se encuentra el origen de la referencia.),
tales como “Abuso”, “Ataque”, “Explosiones”, entre otras. Adicional, se incluye una categoría
de Eventos Normales, que abarca videos sin incidentes anómalos, tanto en interiores como
exteriores, y que varían en escenas diurnas y nocturnas.
Tabla 1
Descripción de las categorías del dataset UCF Crime
Categoría
Definición
Abuso
Este evento contiene videos que muestran comportamientos malos, cruel o
violento contra niños, ancianos, a animales y mujeres
Arrestos
Policías arrestando personas
Incendios provocados
Personas prendiendo fuego deliberadamente a la propiedad
Ataques
Ataque físico o repentino violento contra alguien
Robo a Casas
Personas entrando a casas con intención de robar
Explosiones
Evento destructivo de algo que explota
Peleas
Dos o más personas atacándose
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
696
Normal
Videos sin delitos en interior y exterior
Accidente de vehículos
Accidentes de transito
Robo
Ladrones tomando dinero a la fuerza
Tiroteo
Disparos a alguien con arma
Robo en Tiendas
Personas robando en tiendas
Robo de objetos
Personas tomando objetos sin permiso
Vandalismo
Daño de propiedad publica
Nota: Center for Research in Computer Vision, n.d.
Las categorías que contiene más de videos son “Normal” y “Ataque”, en cambio
“Explosiones” y “Tiroteo” contienen menos videos. El tiempo de duración promedio de cada
video varía entre 1 y 5 minutos, dependiendo del tipo de evento. Esto posibilita registrar el
comportamiento completo del evento en el video, desde su comienzo hasta su finalización.
El conjunto de videos de entrenamiento y prueba de cada categoría corresponde
al 80% y 20% respectivamente. Se crea un directorio para el conjunto de datos de
entrenamiento y otro para prueba, en donde cada categoría corresponde a un subdirectorio. Los
videos de cada categoría fueron segmentados en fotogramas de resolución 64x64 píxeles,
etiquetados y almacenados en formato PNG. La etiqueta de cada fotograma guarda la
información del video al que pertenece y la numero de la secuencia. La distribución de los
fotogramas de cada categoría en los conjuntos de entrenamiento y prueba se muestra en la
Figura 2.
Para mejorar la capacidad de generalización del modelo, se utilizaron técnicas de
Aumento de datos (Maharana et al., 2022) utilizando la herramienta de Keras. Las
transformaciones aplicadas al conjunto de entrenamiento fueron las siguientes: giros
horizontales aleatorios, permiten aprender al modelo independientemente de la orientación del
sujeto; desplazamiento horizontal y vertical, que simula cambios en la posición del objeto
dentro del campo visual de la cámara; y reescalado de valores de píxeles, para normalizar las
imágenes en el rango [0, 1].
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
697
Las transformaciones se aplicaron únicamente a los videos que se utilizaran en el
conjunto de entrenamiento. Adicionalmente, las imágenes del conjunto de prueba se procesaron
únicamente a través de un reescalado y una función de preprocesamiento, no se aplicaron
modificaciones geométricas, con el objetivo de mantener la integridad del proceso de
evaluación.
Figura 2
Distribución de Fotogramas de cada categoría del conjunto de: a) Entrenamiento; b) Prueba
Nota: Autores (2025).
Implementación de la etapa de extracción de características
Cada imagen es procesada mediante el modelo convolucional preentrenado
EfficientNet, este modelo extrae las características de cada imagen con una alta eficiencia en
la extracción de características, con un menor costo computacional a diferencia de otros
modelos preentrenado (Ali et al., 2023).
Las capas finales del modelo EfficientNet fueron descongeladas para ajustarlas al
conjunto de datos que tenemos. Nuestra salida que provee el modelo preentrenado es un vector
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
698
que recoge la información relevante de cada imagen. Al final estos vectores son organizados
en un conjunto de secuencias para luego capturar la dinámica temporal del evento en la etapa
siguiente de nuestra arquitectura.
El proceso de agrupación se lo realiza en una secuencia de 30 imágenes consecutivas,
esto permite capturar la evolución del evento a lo largo del tiempo. Cada secuencia es
representada por un tensor con la forma:
(n_secuencia,30,dim)
Donde dim representa la dimensión del vector de características extraído por
EfficientNet.
Implementación de la etapa del modelo temporal
Una vez que se tiene las secuencias de imágenes, es necesario obtener la información
temporal como espacial contenida en cada una de ellas. Esta etapa está conformada por los
siguientes componentes:
• Capa ConvLSTM2D (Trinh et al., 2024): Procesa las secuencias de características
mediante la combinación de las convoluciones 2D para capturar información espacial
con una memoria temporal LSTM.
• BatchNormalization: Normaliza las activaciones para estabilizar el entrenamiento.
Implementación de la etapa de clasificación con capas densas
Una vez completado el modelado temporal, las salidas generadas son aplanadas para
convertirlas en vectores unidemensionales (1D), los cuales permiten una transición eficiente
hacia las capas densas del modelo. Estas capas densas se encargan de realizar la clasificación
final, integrando las representaciones aprendidas tanto en la dimensión espacial como en la
temporal. A través de este proceso, nuestro modelo es capaz de asignar una etiqueta a cada
secuencia de video procesada.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
699
La clasificación final no se restringe a una simple diferenciación entre “Anómalo” o
“Normal”, sino que otorga una probabilidad de ser parte de una de las categorías de los eventos
anómalos presentes en el conjunto de datos. Dentro de las categorías estudiadas se encuentran
Abuso, Robo, Asalto, Vandalismo, entre otras, lo que transforma el modelo en un clasificador
de múltiples categorías. En la capa de salida, se utiliza un softmax con 14 neuronas (una para
cada categoría de evento), lo que facilita la clasificación de las secuencias en 14 posibles
categorías.
Etapa de entrenamiento y evaluación
Nuestro modelo fue entrenado utilizando un optimizador Adam, el cual comúnmente
es utilizado en escenarios de aprendizaje profundo por su capacidad para adaptar la tasa de
aprendizaje durante el proceso de entrenamiento. La función categorical cross-entropy fue
utilizada como función de pérdida, esta es adecuada para problemas de clasificación por
multiclase.
La Tabla 2 muestra los hiperparámetros fundamentales que hemos utilizado en nuestra
arquitectura durante el entrenamiento. Se empleó early stopping como herramienta para
interrumpir el entrenamiento si la perdida de validación en nuestro entrenamiento no progresa.
Tabla 2
Hiperparámetros
Parámetro
Valor
Semilla Aleatoria
12
Tamaño de lote
64
Época
10
Tasa de aprendizaje
0.00003
Numero de Clases
14
Nota: Autores (2025).
Se optó por entrenar el modelo durante 10 épocas, ya que en las pruebas preliminares
se observó que la curva de aprendizaje tendía a estabilizarse antes de la décima iteración. Esto
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
700
indicaba que el modelo era capaz de aprender las representaciones necesarias sin incurrir en
sobreajuste, lo cual fue corroborado mediante la evaluación en el conjunto de validación.
En cuanto a la tasa de aprendizaje, se seleccionó un valor bajo (0.00003) con el objetivo
de asegurar una convergencia estable, evitando grandes fluctuaciones en la función de pérdida
durante el proceso de optimización. Dado que se trabaja con arquitecturas profundas y datos
complejos como secuencias de video, un valor reducido permite realizar ajustes más finos en
los pesos del modelo, lo que favorece una mejor generalización. Esta decisión también se basó
en observaciones empíricas, donde tasas más altas resultaron en oscilaciones o incluso
divergencias en el entrenamiento.
Para la evaluación del desempeño del modelo se empleó la técnica de división holdout.
Esta estrategia permitió entrenar el modelo sobre una muestra amplia de los datos disponibles,
validar su rendimiento durante el proceso de ajuste de hiperparámetros y, finalmente, evaluar
su capacidad de generalización sobre un conjunto independiente. No se utilizó validación
cruzada debido a las limitaciones computacionales y al elevado costo de procesamiento
asociado al volumen de datos en formato de video.
Para el entrenamiento del modelo se utilizó una unidad de procesamiento gráfico (GPU)
NVIDIA A100, proporcionada a través de la plataforma Google Colab. Esta configuración
permitió acelerar significativamente el proceso de cálculo requerido por las redes neuronales
profundas. El tiempo total de entrenamiento fue de aproximadamente cuatro horas,
considerando el ajuste de los pesos a lo largo de múltiples épocas y la evaluación sobre los
conjuntos de validación y prueba.
Resultados
Luego de completar el entrenamiento del modelo propuesto, se evaluó su rendimiento
utilizando métricas tales como: AUC (Área Bajo la Curva ROC), que proporciona una medida
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
701
completa del rendimiento del modelo en problemas de clasificación multiclase; y curvas ROC
(Receiver Operating Characteristic) las cuales permiten analizar la capacidad de clasificación
del modelo en cada una de las clases del conjunto de datos. A continuación, se detallan los
principales hallazgos.
1. Análisis del AUC por cada época.
La Figura 3 muestra los resultados del AUC que se han obtenido en proceso de
entrenamiento y validación. Se puede observar un incremento constante en ambas curvas, lo
que demuestra la capacidad que tiene el modelo para diferenciar el tipo de evento.
Figura 1
Evolución del AUC durante el entrenamiento y la validación.
Nota: Autores (2025).
2. Análisis de la función de perdida
La Figura 4 muestra el progreso de la función de pérdida durante las 10 épocas de
entrenamiento. Se observa una reducción constante en la pérdida en nuestro conjunto de
entrenamiento, pasando de 2.42 a menos de 1.35, lo que indica que el modelo ha mejorado su
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
702
habilidad para ajustarse nuestros datos específicos. De igual forma, desde la segunda época la
perdida de validación ha permanecido relativamente estable, registrando valores cercanos a
1.30.
Figura 2
Evolución de la pérdida durante el entrenamiento y la validación
Nota: Autores (2025).
3. Análisis de la Curva ROC por categoría
La Figura 5 presenta las curvas ROC generadas para cada una de las categorías
evaluadas por el modelo, en donde se observa un rendimiento destacado en clases como "Pelea"
(AUC = 0.90), "Arresto" (AUC=0.91) y "Ataque" (AUC=0.90), lo que indica que el modelo
logra identificar con alta precisión estos tipos de eventos. Adicionalmente, las categorías "Robo
" (AUC = 0.87) y "Robo en objetos" (AUC=0.87) presentan un desempeño más moderado,
posiblemente debido a la similitud visual entre clases o al desbalance en el número de muestras
disponibles. De manera general, todas las curvas muestran un comportamiento ascendente
pronunciado, lo que refleja una buena capacidad del modelo para diferenciar las clases.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
703
Figura 3
Curvas ROC por categoría
Nota: Autores (2025).
4. Análisis de la evaluación Global
El valor final de AUC global sobre el conjunto de prueba fue de 0.8795, lo que
corrobora que el modelo tiene una alta capacidad para diferenciar y clasificar eventos anómalos
en secuencias de video.
Los resultados obtenidos en este estudio, evaluados mediante el AUC por categoría,
muestran un rendimiento competitivo frente a modelos previamente propuestos en la literatura.
En comparación con Sultani et al. (2018) que utiliza un enfoque débilmente supervisado con
aprendizaje basado en Multiple Instance Learning, reportaron un AUC promedio de 0.75 para
el conjunto de datos UCF-Crime. En contraste, nuestro modelo logra valores superiores en
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
704
categorías como “Pelea" (AUC = 0.90), "Arresto" (AUC=0.91) y "Ataque" (AUC=0.90), lo
que refleja una mejora sustancial en la capacidad discriminativa.
La Tabla 3 describe los valores del AUC de cada clase que se han obtenido al evaluar
nuestro modelo. Las métricas presentadas muestran que nuestro modelo tiene la capacidad de
diferenciar correctamente los eventos de una categoría de los demás.
En general, el hecho de que todas las categorías superen un AUC de 0.80 confirma que
el modelo mantiene un buen desempeño multicategórico, siendo capaz de adaptarse a las
diferencias visuales y temporales entre distintos tipos de eventos.
Tabla 3
Resultados de evaluación global del modelo
Categoría
AUC
Abuso
0.84
Arrestos
0.91
Incendios provocados
0.90
Ataques
0.90
Robo a Casas
0.84
Explosiones
0.76
Peleas
0.90
Normal
0.89
Accidente de vehículos
0.88
Robo
0.87
Tiroteo
0.88
Robo en Tiendas
0.89
Robo de objetos
0.87
Vandalismo
0.87
Nota: Autores (2025).
Discusión
A pesar del rendimiento general positivo del modelo, es importante destacar varias
limitaciones técnicas que condicionaron tanto su diseño como su desempeño.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
705
En primer lugar, se identificaron restricciones computacionales significativas. Aunque
se utilizó una GPU NVIDIA A100 a través de Google Colab, el entrenamiento de modelos que
procesan secuencias de video es intensivo en memoria y tiempo. Esto impuso límites sobre la
cantidad de datos que podían ser procesados simultáneamente, el tamaño de las secuencias, y
la complejidad de la arquitectura. En un entorno de producción o con datasets aún más grandes,
sería necesario disponer de infraestructura dedicada para garantizar escalabilidad y eficiencia.
Nuestro modelo alcanzó un AUC global de 0.8795, validando de esta forma su
capacidad de generalización. Además, se obtuvieron valores superiores a 0.90 en categorías
como “Arrestos”, “Peleas”, “Ataques” y “Incendios Provocados”, lo que refleja que la red logra
identificar de forma precisa ciertos tipos de eventos con patrones espaciales y temporales bien
definidos. No obstante, algunas clases presentaron un rendimiento inferior, como “Abuso”
(AUC = 0.84) y “Explosiones” (AUC = 0.76) lo que indica que ciertos tipos de eventos aún
representan un reto para el sistema. Estas limitaciones pueden atribuirse, en parte, a un
desequilibrio en la distribución del número de ejemplos por clase, ya que pude llegar a
favorecer a aquellas clases con más representaciones en el conjunto de entrenamiento.
Asimismo, la similitud visual entre algunas categorías puede dificultar la discriminación
precisa. Por ejemplo, las escenas etiquetadas como “Robo” pueden compartir patrones
espaciales similares con “Robo de objetos” o “Robo en tiendas”, lo que dificulta la correcta
diferenciación incluso para modelos entrenados.
Otro factor que se debe considerar es la alta variabilidad intra-clase. En el caso de la
clase “Explosiones” variables como; la iluminación, el ángulo de la cámara o duración del
evento pueden cambiar drásticamente de un fotograma a otro, afectando la consistencia de las
representaciones aprendidas.
Para abordar estas limitaciones, se proponen las siguientes estrategias para trabajos
futuros:
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
706
• Aplicar técnicas de balanceo de clases como SMOTE (Synthetic Minority Over-
sampling Technique) (Chawla, Bowyer, Hall y Kegelmeyer, 2002), que mediante una
variante adaptada puede operar sobre los vectores de características extraídos,
generando ejemplos sintéticos para las clases subrepresentadas.
• Implementar mecanismos de atención como CBAM (Convolutional Block Attention
Module) (Woo, Park, Lee y Kweon, 2018), dentro del extractor de características CNN
para que el modelo pueda resaltar regiones relevantes del fotograma.
• Aumentar el tamaño de las secuencias o utilizar marcos intermedios que capturen mejor
la progresión temporal del evento.
• Incorporar modelos híbridos que combinen CNN, LSTM, junto a mecanismos que
mejoren la capacidad de diferenciar eventos similares.
Conclusión
En el presente estudio se desarrolló e implementó un modelo con una arquitectura
hibrida conformada por un modelo extractor de características espaciales basado en
EfficientNet, una capa ConvLSTM2D para el modelado de dependencias temporales, y capas
densas que realizan la clasificación de eventos anómalos en secuencias de video. Esta
combinación permitió capturar de forma eficiente tanto patrones espaciales como temporales,
esenciales para el reconocimiento de comportamientos complejos en entornos dinámicos. El
modelo demostró un rendimiento sólido, reflejado en los siguientes resultados:
• El AUC global de 0.8795, indicando una alta capacidad de discriminación general.
• AUC mayores a 0.90 en varias categorías.
• Una curva de pérdida convergente y estable a lo largo del proceso de entrenamiento,
sin evidencia de sobreajuste.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
707
El desempeño de nuestro modelo en las categorías más importantes, como “Arrestos”,
“Incendios provocados”, “Ataques” y “Peleas”, demuestran la efectividad que tiene para ser
aplicado en entornos de videovigilancia reales, donde la detección temprana de eventos críticos
es fundamental para la seguridad en ambientes comunitarios. La alta precisión alcanzada valida
la viabilidad de implementar modelo en sistemas automatizados de vigilancia, con el fin de
disminuir la carga operativa en los entes de seguridad y mejorar así la capacidad de respuesta
ante incidentes.
La arquitectura híbrida propuesta en este trabajo se presenta como una alternativa
adecuada para sistemas de videovigilancia inteligentes, al ofrecer una clasificación robusta y
eficiente de comportamientos anómalos. En conjunto, este desarrollo representa una
contribución al campo de la visión por computadora orientada a la seguridad ciudadana, y
sienta las bases para futuras investigaciones enfocadas en optimizar el monitoreo automatizado
en contextos comunitarios.
Más allá del desempeño técnico, el modelo desarrollado posee un notable potencial de
impacto social y comunitario. Su implementación en sistemas de videovigilancia automatizada
podría fortalecer la seguridad ciudadana, optimizar la capacidad de respuesta ante eventos
críticos y reducir la carga operativa en centros de monitoreo. Sin embargo, su adopción debe
considerar aspectos éticos como la privacidad, la transparencia en las decisiones del modelo y
la supervisión humana en entornos sensibles.
Como proyección futura, se plantea optimizar la arquitectura mediante modelos más
ligeros como MobileNet (Sinha & El-Sharkawy, 2019) o EfficientNet-lite (Ab Wahab et al.,
2021), que permitan su ejecución en dispositivos con recursos limitados. Asimismo, se propone
adaptar el sistema para detección en tiempo real mediante técnicas de reducción de latencia, e
incorporar mecanismos de interpretabilidad como Grad-CAM (Chen et al., 2020) que faciliten
la comprensión del proceso de decisión. También se sugiere enriquecer el modelo con
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
708
información multimodal (como audio o sensores contextuales) y evaluar su desempeño en
entornos reales y diversos, considerando variabilidad ambiental y social.
Referencias bibliográficas
Ab Wahab, M. N., Nazir, A., Ren, A. T. Z., Noor, M. H. M., Akbar, M. F., & Mohamed, A. S.
A. (2021). EfficientNet-Lite and hybrid CNN-KNN implementation for facial
expression recognition on Raspberry Pi. IEEE Access, 9, 134065–134080.
https://doi.org/10.1109/ACCESS.2021.3113337
Ali, M. S., Hassan, A., Rahim, A., Ashraf, M. H., Rahim, A., & Saghir, S. (2023). Motor
imagery EEG classification using fine-tuned deep convolutional EfficientNetB0 model.
In 2023 3rd International Conference on Artificial Intelligence (ICAI) (pp. 1–6). IEEE.
Center for Research in Computer Vision. (n.d.). UCF-Crime dataset. University of Central
Florida. Retrieved March 18, 2025, from https://www.crcv.ucf.edu/research/real-
world-anomaly-detection-in-surveillance-videos/
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic
minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–
357. https://doi.org/10.1613/jair.953
Chen, L., Chen, J., Hajimirsadeghi, H., & Mori, G. (2020, March). Adapting Grad-CAM for
embedding networks. In Proceedings of the IEEE/CVF Winter Conference on
Applications of Computer Vision (WACV).
Freire-Obregón, D., Barra, P., Castrillón-Santana, M., & De Marsico, M. (2021). Inflated 3D
ConvNet context analysis for violence detection. Machine Vision and Applications,
33(1), 15. https://doi.org/10.1007/s00138-021-01264-9
Khan, L. U., Yaqoob, I., Tran, N. H., Kazmi, S. M. A., Dang, T. N., & Hong, C. S. (2020).
Edge-computing-enabled smart cities: A comprehensive survey. IEEE Internet of
Things Journal, 7(10), 10200–10232. https://doi.org/10.1109/JIOT.2020.2987070
Koonce, B. (2021). EfficientNet. In Convolutional neural networks with Swift for TensorFlow:
Image recognition and dataset categorization (pp. 109–123). Springer.
Maharana, K., Mondal, S., & Nemade, B. (2022). A review: Data pre-processing and data
augmentation techniques. Global Transitions Proceedings, 3(1), 91–99.
Martínez-Mascorro, G. A., Abreu-Pederzini, J. R., Ortiz-Bayliss, J. C., & Terashima-Marín, H.
(2020). Suspicious behavior detection on shoplifting cases for crime prevention by
using 3D convolutional neural networks. arXiv preprint arXiv:2005.02142.
Mohanapriya, S., Saranya, S. M., Dinesh, K., Jawaharsrinivas, S., Lintheshwar, S., &
Logeshwaran, A. (2024). Anomaly detection in video surveillance. In 2024 15th
International Conference on Computing Communication and Networking Technologies
(ICCCNT) (pp. 1–5). https://doi.org/10.1109/ICCCNT61001.2024.10725557
Myagmar-Ochir, Y., & Kim, W. (2023). A survey of video surveillance systems in smart city.
Electronics, 12(17), Article 3567. https://doi.org/10.3390/electronics12173567
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
709
Pham, H. H., Khoudour, L., Crouzil, A., Zegers, P., & Velastin, S. A. (2022). Video-based
human action recognition using deep learning: A review. arXiv preprint
arXiv:2208.03775.
Prakash, S., Jalal, A. S., & Pathak, P. (2023). Forecasting COVID-19 pandemic using Prophet,
LSTM, hybrid GRU-LSTM, CNN-LSTM, Bi-LSTM and Stacked-LSTM for India. In
2023 6th International Conference on Information Systems and Computer Networks
(ISCON) (pp. 1–6). https://doi.org/10.1109/ISCON57294.2023.10112065
Revathi, A. R., & Kumar, D. (2017). An efficient system for anomaly detection using deep
learning classifier. Signal, Image and Video Processing, 11(2), 291–299.
https://doi.org/10.1007/s11760-016-0935-0
Shi, X., Chen, Z., Wang, H., Yeung, D.-Y., Wong, W., & Woo, W. (2015). Convolutional
LSTM network: A machine learning approach for precipitation nowcasting. arXiv
preprint arXiv:1506.04214. http://arxiv.org/abs/1506.04214
Sinha, D., & El-Sharkawy, M. (2019, October). Thin MobileNet: An enhanced MobileNet
architecture. In 2019 IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile
Communication Conference (UEMCON) (pp. 280–285). IEEE.
https://doi.org/10.1109/UEMCON47517.2019.8993089
Sultani, W., Chen, C., & Shah, M. (2018). Real-world anomaly detection in surveillance
videos. In Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (CVPR) (pp. 6479–6488).
Tan, M., & Le, Q. (2019, May). EfficientNet: Rethinking model scaling for convolutional
neural networks. In International Conference on Machine Learning (pp. 6105–6114).
PMLR.
Trinh, T.-D., Vu-Ngoc, T.-S., Le-Nhi, L.-T., Le, D.-D., Nguyen, T.-B., & Pham, T.-B. (2024).
Violence detection in videos based on CNN feature for ConvLSTM2D. In Proceedings
of the 5th ACM Workshop on Intelligent Cross-Data Analysis and Retrieval (pp. 33–
36).
Varela-Tapia, E. A., Acosta-Guzmán, I. L., Fajardo-Romero, I. J., & Oviedo-Peñafiel, J. A.
(2024). Inteligencia Artificial Aplicada con técnicas de Procesamiento de Lenguaje
Natural y Machine Learning en el campo de la salud. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.83
Wang, Z., Yang, Y., Liu, Z., & Zheng, Y. (2023). Deep neural networks in video human action
recognition: A review. arXiv preprint arXiv:2305.15692.
Woo, S., Park, J., Lee, J. Y., & Kweon, I. S. (2018). CBAM: Convolutional block attention
module. In Proceedings of the European Conference on Computer Vision (ECCV) (pp.
3–19). https://doi.org/10.1007/978-3-030-01234-2_1
Zahra, A., Ghafoor, M., Munir, K., Ullah, A., & Ul Abideen, Z. (2024). Application of region-
based video surveillance in smart cities using deep learning. Multimedia Tools and
Applications, 83(5), 15313–15338. https://doi.org/10.1007/s11042-021-11468-w
