Segmentación de Análisis de Movimiento Mediante Clustering.

Resumen

En la actualidad, los sistemas de vigilancia juegan un papel fundamental en la identificación y análisis de zonas de interés en grabaciones de video, jugando un rol esencial en la seguridad, mejorando la optimización del monitoreo de infraestructuras y contribuyendo a la planificación urbana. No obstante, el volumen masivo de datos generados por estos sistemas representa un desafío considerable para los operadores humanos, quienes deben identificar patrones de comportamiento relevantes en tiempo real. Esta sobrecarga de información ha motivado el desarrollo de técnicas automatizadas avanzadas basadas en algoritmos de clustering, como DBSCAN y K-means, que permiten agrupar y analizar grandes volúmenes de datos visuales, facilitando así la localización de áreas críticas de interés. Este estudio tiene como objetivo principal identificar y evaluar zonas de mayor relevancia mediante la extracción y análisis de datos de movimiento registrados en sistemas de vigilancia. La investigación adopta un enfoque experimental y se apoya en técnicas de procesamiento de imágenes y la aplicación de operaciones de morfología matemática para resaltar los objetos en movimiento. Posteriormente, se utilizan DBSCAN y K-means para la agrupación de los datos en clusters basados en características de similitud. No obstante, la efectividad de estos algoritmos puede variar dependiendo de factores como el ruido en las imágenes, la densidad de los datos y las características específicas de cada escenario de vigilancia, lo que plantea la necesidad de evaluar y comparar su rendimiento en diferentes contextos.