Reconhecimento e classificação de cenas de risco em vídeos de câmeras de segurança

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPola, Ives Renê Venturini-
Autor(es): dc.contributorVicari, Luiz Henrique Birck-
Autor(es): dc.contributorPola, Ives Renê Venturini-
Autor(es): dc.contributorVicari, Luiz Henrique Birck-
Autor(es): dc.contributorDal Molin, Viviane-
Autor(es): dc.contributorAscari, Soelaine Rodrigues-
Autor(es): dc.creatorSouza, Jeferson Rosa de-
Data de aceite: dc.date.accessioned2025-08-29T13:38:55Z-
Data de disponibilização: dc.date.available2025-08-29T13:38:55Z-
Data de envio: dc.date.issued2024-08-09-
Data de envio: dc.date.issued2024-08-09-
Data de envio: dc.date.issued2024-06-21-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/34396-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1116917-
Descrição: dc.descriptionThis work presents a system for recognizing and classifying risk scenes in security camera videos, using computer vision and deep learning techniques. The main objective is to develop a system capable of detecting objects and risk situations, such as firearms and knives, in real-time, and generating automatic alerts. The methodology employs the YOLO (You Only Look Once) model, which allows fast and accurate object identification in images, essential for dynamic security scenarios. The obtained results demonstrate high precision in risk detection and classification, with proven effectiveness in practical tests. The research also emphasizes the importance of choosing suitable databases for model training and the need for continuous algorithm improvement to handle scene complexity. It is concluded that the developed system offers an advanced tool for security, with potential for future enhancements.-
Descrição: dc.descriptionEste trabalho apresenta o projeto e desenvolvimento de um sistema para reconhecimento e classificação de cenas de risco em vídeos de câmeras de segurança, utilizando técnicas de visão computacional e aprendizado profundo. O objetivo principal foi permitir ao sistema detectar objetos e situações de risco, como armas de fogo e facas, em tempo real, e possibilitar alertas automáticos. A metodologia empregou o uso do modelo You Only Look Once (YOLO), que permite uma identificação eficiente de objetos em imagens, essencial para cenários de segurança dinâmicos. Os resultados obtidos demonstraram a precisão na detecção e classificação de riscos juntamente com testes práticos em ambientes reais. A pesquisa também mostrou a importância da escolha de bases de dados adequadas para o treinamento dos modelos e a necessidade de aperfeiçoamento contínuo dos algoritmos para lidar com a complexidade das cenas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherEngenharia de Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectVisão por computador-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectImage processing-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleReconhecimento e classificação de cenas de risco em vídeos de câmeras de segurança-
Título: dc.titleProtocol-driven recognition and classification of risk scenes in security cameras-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.