Sistema inteligente de monitoreo multicámara mediante visión por computador e inteligencia artificial

Abstract

El presente trabajo de memoria aborda el diseño y desarrollo de un sistema inteligente de monitoreo multicámara basado en visión por computador e inteligencia artificial, enfocado en la detección y análisis de la afluencia de personas en entornos públicos. El proyecto surge ante la necesidad de disponer de una herramienta tecnológica que permita a operadores y entidades de control gestionar múltiples cámaras IP de forma simultánea, obteniendo métricas precisas de flujo de personas y niveles de ocupación en tiempo real. El sistema propuesto integra un backend desarrollado en Python utilizando el framework FastAPI, y un frontend implementado en React. En el lado del procesamiento, se emplea el modelo YOLOv8 para la detección de personas en las transmisiones provenientes de cámaras IP, soportando flujos en tiempo real mediante el uso de OpenCV. La arquitectura permite manejar múltiples cámaras en paralelo, realizar conteo de personas, visualizar resultados en dashboards y exportar los datos obtenidos en formato CSV para su posterior análisis. La contribución personal de este trabajo se centra en el desarrollo de la interfaz web, la integración con el backend y la implementación de un sistema de procesamiento concurrente para soportar múltiples cámaras IP, asegurando una latencia mínima y un desempeño eficiente. Asimismo, se evalúan métricas asociadas al rendimiento del sistema, tales como latencia, throughput y variaciones según resolución de video. Los resultados demuestran la viabilidad del sistema para operar en tiempo real con varias cámaras simultáneas, manteniendo una latencia controlada y una visualización estable, sentando las bases para futuras ampliaciones hacia un sistema de vigilancia inteligente integral y escalable.

This thesis presents the design and development of an intelligent multi-camera monitoring system based on computer vision and artificial intelligence, aimed at detecting and analyzing people flow in public environments. The project addresses the need for an efficient technological tool that enables operators and control entities to manage multiple IP cameras simultaneously while obtaining accurate real-time pedestrian flow metrics and occupancy levels. The proposed system integrates a backend developed in Python using the FastAPI framework and a frontend implemented in React.js. The processing stage employs the YOLOv8 model for person detection in IP camera video streams, supporting real-time processing through OpenCV. The architecture enables handling multiple cameras concurrently, performing people counting, displaying results through dashboards, and exporting collected data in CSV format for further analysis. The personal contribution of this work focuses on the development of the web interface, backend integration, and implementation of a concurrent processing system capable of supporting multiple IP cameras while ensuring minimal latency and efficient performance. Metrics such as latency, throughput, and resolution-based performance were evaluated to validate system reliability. The obtained results demonstrate the feasibility of the proposed system to operate in real time with multiple simultaneous cameras, maintaining low latency and stable visualization, establishing a foundation for future expansions toward a fully scalable intelligent monitoring platform.