Desarrollo de un Modelo de Machine Learning para el Reconocimiento de Comportamientos Inusuales de Personas en Videos de Videovigilancia Comunitaria

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.