DSpace Repository

Conteo de personas en imágenes RGB tomadas Cenitalmente utilizando aprendizaje profundo

Show simple item record

dc.contributor.author Sánchez Barrera, Héctor
dc.date.accessioned 2020-03-02T19:01:58Z
dc.date.available 2020-03-02T19:01:58Z
dc.date.created 2019-07-05
dc.date.issued 2020-02-07
dc.identifier.citation Sánchez Barrera, Héctor. (2019). Conteo de personas en imágenes RGB tomadas Cenitalmente utilizando aprendizaje profundo. (Maestría en Tecnología Avanzada Tradicional). Instituto Politécnico Nacional, Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada, Unidad Querétaro, México. es
dc.identifier.uri http://tesis.ipn.mx/handle/123456789/28035
dc.description Tesis (Maestría en Tecnología Avanzada Tradicional). Instituto Politécnico Nacional, CICATA, Unidad Querétaro, 2019, 1 archivo PDF, (63 páginas). tesis.ipn.mx es
dc.description.abstract RESUMEN: Determinar el número de personas que se desplazan de un lugar a otro tiene aplicaciones en escenarios tales como el suministro de vehículos para transporte, la seguridad de personas en evacuaciones, la detección del aforo en espacios abiertos o cerrados, y la atención de clientes de instalaciones y servicios. Sin embargo, los sistemas de conteo en el mercado son intrusivos con las personas, ineficientes en su operación, limitados a ciertas condiciones de iluminación, inexactos en la determinación de flujo óptico, y onerosos en su aplicación. Es por ello que en este trabajo presentamos una alternativa a las soluciones comercialmente disponibles en la forma de un contador basado en redes neuronales convolucionales. En esta tesis, mostramos estrategias para información para entrenamiento automático de manera barata y abundante, la piedra angular para un enfoque basado en el aprendizaje profundo. Además, con el objetivo de implementar nuestra solución en hardware ampliamente disponible, comparamos el rendimiento de varias estrategias de detección de objetos. En general, demostramos que es posible construir un sistema avanzado basado en el aprendizaje profundo para contar a las personas desde cámaras con ubicación cenital que toman imágenes RGB. ABSTRACT: To determine the number of people moving from one place to another has applications in scenarios such as transport provision, the safety of people in evacuations, the assessment of gauging in open or closed spaces, and the customer service in facilities and services. However, most counting systems in the market are either intrusive to people, ine_cient in their operation, limited to specific illumination conditions, inaccurate in the determination of optical ow, or expensive in their application. In this work, we present an alternative to the commercially available solutions in the form of a people counter based on convolutional neural networks (CNN). In this, we develop strategies to gather training information cheaply and abundantly, the cornerstone for a successful deep learning based approach. Also, as we aim to deploy our solution in widely available hardware, we compare the performance of several object detection strategies. Overall, we demonstrate that it is possible to construct a state of the art deep learning based system to count people from zenithal placed cameras taking RGB images. es
dc.language.iso en_US es
dc.subject Detección de objetos es
dc.subject Cámaras con ubicación cenital es
dc.subject La detección del aforo en espacios abiertos o cerrados es
dc.subject Sistemas de conteo es
dc.subject Contador basado en redes neuronales convolucionales es
dc.title Conteo de personas en imágenes RGB tomadas Cenitalmente utilizando aprendizaje profundo es
dc.contributor.advisor Salas Rodrígues, Joaquin


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account