https://repositorio.ufjf.br/jspui/handle/ufjf/19661
File | Description | Size | Format | |
---|---|---|---|---|
brunocugolacoelho.pdf | PDF/A | 6.47 MB | Adobe PDF | View/Open |
Type: | Dissertação |
Title: | Aplicação de visão computacional em câmeras de segurança: identificação de pessoas e objetos - detecção de níveis de perigo |
Author: | Coelho, Bruno Cúgola |
First Advisor: | Marcato, André Luís Marques |
Co-Advisor: | Biundini, Iago Zanuti |
Referee Member: | Schettino, Vinícius Barbosa |
Referee Member: | Santos, Alexandre Bessa dos |
Resumo: | A detecção de movimento de objetos por meio de câmeras de vigilância tem se mostrado uma ferramenta cada vez mais relevante em diversas áreas, como segurança pública, saúde, meio ambiente e monitoramento remoto. Essa tecnologia tem transformado a forma como ambientes são protegidos e como respostas rápidas a situações de risco são implementadas. O desenvolvimento de algoritmos autônomos aliados a técnicas de Deep Learning, como redes neurais convolucionais (CNNs) e o modelo You Only Look Once (YOLO), tem permitido a identificação precisa de armas, atos de violência e outros comportamentos suspeitos em tempo real. Esses sistemas possibilitam a redução da carga de trabalho dos operadores humanos e garantem maior eficiência nas operações de segurança e monitoramento. Entretanto, a aplicação de técnicas de detecção de objetos pode gerar incertezas e imprecisões, como falsos positivos (identificação de objetos inexistentes), falsos negativos (não detecção de objetos presentes), interferências visuais e variações ambientais.Esses fatores podem comprometer a confiabilidade das detecções e criar falhas no processo. Uma forma de lidar com essas incertezas e imprecisões é o ajuste do treshold, que foi ajustado até chegar ao valor de 0,47 permitindo manter um bom nível de precisão (89,85%), e a aplicação da lógica fuzzy, que, por meio da análise das funções de pertinência, avaliando velocidade e distância entre os objetos, permitiu uma melhora significativa na precisão final do projeto. Pois, foi possível interpretar e gerar alertas apenas quando necessário. |
Abstract: | The detection of object movement through surveillance cameras has proven to be an increasingly relevant tool in various fields, such as public security, healthcare, environmental monitoring, and remote surveillance. This technology has transformed the way environments are protected and how rapid responses to risk situations are implemented. The development of autonomous algorithms combined with Deep Learning techniques—such as Convolutional Neural Networks (CNNs) and the You Only Look Once (YOLO) model—has enabled the accurate identification of weapons, violent acts, and other suspicious behaviors in real time. These systems reduce the workload on human operators and ensure greater efficiency in security and monitoring operations. However, the application of object detection techniques may lead to uncertainties and inaccuracies, such as false positives (identifying non-existent objects), false negatives (failing to detect existing objects), visual interferences, and environmental variations. These factors can compromise the reliability of detections and lead to failures in the process. One way to address these uncertainties and inaccuracies is by adjusting the threshold, which was finetuned until reaching a value of 0.47, allowing the system to maintain a high level of precision (89.85%). Additionally, the application of fuzzy logic, through the analysis of membership functions—evaluating object speed and distance—enabled a significant improvement in the project’s final accuracy, as the system was able to interpret and generate alerts only when necessary. |
Keywords: | Sistemas de segurança eletrônica Câmeras de segurança Visão computacional YOLOv8 Electronic security system Surveillance cameras Computer vision |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Juiz de Fora (UFJF) |
Institution Initials: | UFJF |
Department: | Faculdade de Engenharia |
Program: | Programa de Pós-graduação em Engenharia Elétrica |
Access Type: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
Creative Commons License: | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/19661 |
Issue Date: | 24-Jul-2025 |
Appears in Collections: | Mestrado em Engenharia Elétrica (Dissertações) |
This item is licensed under a Creative Commons License