Sistema de rastreo de personas en tiempo real para la detección y control de incidentes con armas de fuego, a través de la re-identificación de personas, utilizando características biométricas y soft-biométricas, y técnicas computacionales avanzadas, en un entorno controlado en la ESPE Sede Latacunga.
El presente proyecto se enfoca en la creación e implementación de un sistema de rastreo de personas en tiempo real para la detección y control de incidentes con armas de fuego, a través de la re-Identificación de personas, utilizando características biométricas y soft-biométricas, y técnicas computa...
保存先:
| 第一著者: | |
|---|---|
| その他の著者: | , |
| フォーマット: | bachelorThesis |
| 出版事項: |
2024
|
| 主題: | |
| オンライン･アクセス: | https://repositorio.espe.edu.ec/handle/21000/44432 |
| タグ: |
タグ追加
タグなし, このレコードへの初めてのタグを付けませんか!
|
タグ追加 | 要約: | El presente proyecto se enfoca en la creación e implementación de un sistema de rastreo de personas en tiempo real para la detección y control de incidentes con armas de fuego, a través de la re-Identificación de personas, utilizando características biométricas y soft-biométricas, y técnicas computacionales avanzadas, con el propósito de poseer una aplicación con buen desempeño, rápida y eficiente. El sistema fue implementado en tiempo real dentro de las instalaciones de la Universidad de las Fuerzas Armadas Espe sede Latacunga específicamente en el segundo piso del edificio central. Para la planificación, desarrollo y despliegue del sistema, se utilizó una metodología innovadora enfocada en el desarrollo de proyecto de Machine Learning denominada Komorebi. La investigación se enfoca en la re-identificación de personas sospechosas que porten un arma de fuego de corta distancia, utilizando la combinación de características como la silueta, textura y color, además de poseer características biométricas como rasgos faciales de la cara. Se empleó técnicas de Machine Learning denominadas SVM, KNN y Random Forest para comprobar cuales de los tres modelos de computación avanzada es el correcto para aplicar en la resolución de este problema. Las características utilizadas para el entrenamiento de los modelos fueron HoG (histograma de gradientes orientados), LPB (patrones binarios locales) y HC (Histogramas de Colores). El sistema fue evaluado a través del uso de métricas como accuracy, recall, precisión y F1-score, ayudando a identificar que modelo es el correcto para ser aplicado dentro de las necesidades específicas para la re-identificación de personas y la correcta detección de armas de fuego. |
|---|