Deep learning y sus aplicaciones en videovigilancia

La seguridad es una gran preocupación para todos en nuestra sociedad, tanto en el sector público como en el privado. La revolución del aprendizaje profundo en inteligencia artificial está aportando soluciones notablemente eficaces en el sector de la videovigilancia. Al ofrecer un mejor análisis de los datos captados por las cámaras, esta avanzada tecnología cuenta con unas capacidades de detección y reconocimiento en tiempo real inigualables. Descubra cómo esta rama de la IA está revolucionando la videovigilancia y mejorando la protección de las personas y los bienes, en particular para los minoristas.

Historia del aprendizaje profundo

El aprendizaje profundo es un subcampo de la inteligencia artificial. Históricamente, el primer intento de reproducir el funcionamiento de un cerebro humano en el sector informático se remonta a 1943, y la primera red neuronal, el perceptrón monocapa, apareció en 1957.

El objetivo de Frank Rosenblatt, el psicólogo estadounidense que desarrolló este modelo, era permitir que un ordenador aprendiera a partir de nuevos datos y de un algoritmo que los analizara: era el aprendizaje automático. En los años 80 llegó el perceptrón multicapa, en el que las neuronas se dividen en varias capas conectadas, seguido de las redes neuronales convolucionales desarrolladas para procesar imágenes.

Para entenderlo mejor, tomemos el ejemplo de un programa cuya función es reconocer un gato. Empezamos alimentando la máquina con imágenes de gatos, que luego utiliza para identificar al animal en nuevas imágenes mediante aprendizaje automático y comparación.

Si queremos ir más lejos, utilizaremos el proceso de aprendizaje profundo. Éste funciona por capas: miles de neuronas realizan cálculos (ángulos, líneas) en un primer nivel, luego éstos sirven de base para otras combinaciones y cálculos en un segundo nivel, etc., hasta obtener un resultado muy fino y relevante. En consecuencia, cuanto mayor sea el número de capas, más convincente será el resultado.

El aprendizaje profundo existe desde los años 80, pero es especialmente popular hoy en día. Esto se debe a que la potencia de los ordenadores no ha dejado de aumentar a lo largo de los años, al igual que los volúmenes de datos, lo que ha abierto todo un nuevo mundo de posibilidades. Por ejemplo, el aprendizaje profundo está en auge en los campos del transporte, la medicina, la robótica y la seguridad.

Aplicaciones del aprendizaje profundo en el ámbito de la seguridad

Los profesionales de la seguridad están muy pendientes de los avances tecnológicos, en particular del aprendizaje profundo, para mejorar sus sistemas. Las expectativas en este campo son muy altas en la actualidad, ya que los clientes -ya sean particulares, minoristas u organismos públicos- desean luchar contra el aumento de los robos ygarantizar la seguridad de las personas de la forma más eficaz posible.

Como resultado, las cámaras de videovigilancia y videoprotección, así como otros dispositivos como las cámaras a bordo y los drones, están incorporando nuevas funcionalidades basadas en el aprendizaje profundo.

Identificación de vehículos

El deep learning también puede utilizarse para identificar vehículos y, en particular, sus matrículas, una funcionalidad muy demandada en la gestión de flujos de tráfico (entradas y salidas, circulación vial), la seguridad vial y la detección de infracciones (vehículos sospechosos, vehículos sin matrícula, vehículos que no circulan por el carril correcto, etc.). Esta herramienta también puede utilizarse para gestionar las plazas de aparcamiento en una ciudad o en una zona de estacionamiento.

Detección de objetos

La detección de objetos mediante inteligencia artificial tiene múltiples usos. Los sistemas de coches autónomos, por ejemplo, necesitan ser capaces de identificar vehículos y obstáculos de todo tipo para garantizar una conducción fluida y poder reaccionar en caso de accidente. El aprendizaje profundo es una baza importante porque, a diferencia del aprendizaje automático, ofrece mayor velocidad y mejor rendimiento.

La detección de objetos también es beneficiosa para las empresas, sobre todo en almacenes y tiendas, para detectar artículos que faltan o controlar sus movimientos.

Contar los flujos de clientes

Además, el entrenamiento de redes de aprendizaje profundo vinculadas a software específico da lugar a capacidades de recuento automático e inteligente. Esto ahorra una enorme cantidad de tiempo y es mucho más eficiente que el recuento manual o el recuento a través de portales. Por tanto, las cámaras de videovigilancia pueden tener una doble función al elaborar estadísticas o prever el tráfico humano o rodado, por ejemplo.

Además del aspecto de la seguridad, pueden ser útiles para los departamentos de marketing y los directores de empresa. Pueden servir para saber si una campaña de comunicación ha tenido éxito, si es necesario cerrar o abrir una tienda a una hora determinada, si hay que reorganizar los horarios de trabajo de los empleados o incluso contratarlos, o si la exposición de los productos es eficaz. También pueden proporcionar un análisis predictivo del comportamiento de los clientes.

Aprendizaje profundo: imprescindible para la videovigilancia en los comercios minoristas

Las nuevas funciones inteligentes también facilitan el trabajo de minoristas, gerentes y guardias de seguridad. Los hurtos se están disparando en todo tipo de comercios: supermercados, farmacias, ultramarinos, tiendas de cosméticos, de ropa y de todo tipo de productos.

Debido a la inflación, la mayoría de los establecimientos se han dado cuenta de esta tendencia y del hecho de que afecta a todas las poblaciones: desde menores hasta ancianos. No existe un perfil típico entre los ladrones de tiendas. Por eso es tan fuerte la demanda de una videovigilancia eficaz. Ayuda a reducir la pérdida desconocida al tiempo que cumple las estrictas normas de uso dictadas por la ley.

Los algoritmos en los que se basa el software de seguridad para comercios como Veesion utilizan tanto el aprendizaje automático como el aprendizaje profundo para :

• Detectar gestos sospechosos: Mover objetos en bolsillos, fundas, cascos de moto, carritos de bebé, etc.
• Rastrearmovimientos de productos: detectar la retirada de grandes cantidades de artículos de las estanterías
• Reducir las falsas alarmas: Los dispositivos de seguridad basados en el aprendizaje profundo aprenden de sus errores. Al retroalimentar estos errores, modifican su análisis para no volver a cometer el mismo error.

Aunque el aprendizaje profundo es fruto de un trabajo complejo y produce resultados igual de complejos, también es extremadamente fácil de aprender. Veesion, por ejemplo, puede implantarse utilizando los sistemas de seguridad existentes. Es más, las alertas pueden recibirse fácilmente en el smartphone o la tableta del responsable de seguridad, teniendo en cuenta al mismo tiempo las necesidades y características específicas de cada empresa.

Además, la videovigilancia está muy regulada por ley. El uso del aprendizaje profundo para la seguridad en las tiendas debe responder a los desafíos de la protección de datos. Por ejemplo, el reconocimiento de personas y la grabación de clientes están prohibidos. Además, la tecnología en cuestión no debe utilizarse para supervisar el trabajo de los empleados. Por último, los dispositivos no toman ninguna decisión: siempre es el ser humano quien emite el juicio final. En conclusión, el aprendizaje profundo abre nuevos horizontes gracias a su potencia de cálculo y su análisis avanzado de imágenes de videovigilancia. Las situaciones complejas se procesan en tiempo real, lo que permite dar una respuesta inmediata a un incidente. Las aplicaciones van más allá de la simple vigilancia, contribuyendo paralelamente a la seguridad de las personas, la organización de espacios e incluso las campañas de marketing. El aprendizaje profundo es, por tanto, un desarrollo tecnológico que no puede ignorarse hoy en día en la forma de enfocar y gestionar la seguridad.