Inteligência Artificial e aprendizagem profunda na videovigilância: Revisão sistemática de métodos de deteção comportamental

Abstract

A vigilância por vídeo inteligente é, atualmente, uma das áreas de aplicação mais relevantes da inteligência artificial e da aprendizagem profunda ou deep learning. Seguindo as diretrizes do PRISMA (Preferred Reporting Items for Systematic reviews and Meta-Analyses) 2020, este trabalho apresenta uma revisão sistemática da literatura sobre técnicas de deep learning para identificar e monitorizar padrões comportamentais em sistemas de vigilância por vídeo. Foram analisados estudos selecionados extraídos de bases de dados académicas de referência (Scopus, IEEE (Institute of Electrical and Electronics Engineers) Xplore e Web of Science) entre 2019 e 2025, dedicados à aplicação de arquiteturas de aprendizagem profunda na deteção de atividades humanas, identificação de anomalias e monitorização de multidões. Os resultados sugerem uma progressão clara das arquiteturas com as aplicações mais evoluídas disponíveis para deteção de anomalias e de atividades suspeita, além da monitorização de multidões, com precisão de 75% a 97%, dependendo do conjunto de dados e da arquitetura. A revisão aborda os principais desafios técnicos como o processamento em tempo real, robustez e escalabilidade e também os desafios éticos e regulatórios como privacidade, GDPR (General Data Protection Regulation) e viés algorítmico. Identifica lacunas na literatura, incluindo a necessidade de uma generalização mais ampla para o mundo real e a incorporação de privacidade por design. Direções de pesquisas futuras são sugeridas, como arquiteturas leves para edge computing, que processa dados na borda da rede, próxima à fonte dos dados, normalmente em dispositivos com poucos recursos computacionais, e frameworks de explicabilidade como XAI (Explainable Artificial Intelligence).

Intelligent video surveillance is currently one of the most significant areas of application for artificial intelligence and deep learning. Following the PRISMA (Preferred Reporting Items for Systematic reviews and Meta-Analyses) 2020 guidelines, this thesis presents a systematic review of the literature on deep learning techniques for identifying and monitoring behavioral patterns in video surveillance systems. We analyzed selected studies extracted from leading academic databases (Scopus, IEEE (Institute of Electrical and Electronics Engineers) Xplore, and Web of Science) between 2019 and 2025, focusing on the application of deep learning architectures in human activity detection, anomaly identification, and crowd monitoring. The results suggest a clear progression in architectures with the most advanced applications available are for anomaly detection and the detection of suspicious activities, as well as crowd monitoring, with accuracy ranging from 75% to 97%, depending on the dataset and architecture. The review addresses key technical challenges such as real-time processing, robustness, and scalability, as well as ethical and regulatory challenges such as privacy, GDPR (General Data Protection Regulation), and algorithmic bias. It identifies gaps in literature, including the need for broader generalization to the real world and the incorporation of privacy by design. Directions for future research are suggested, such as lightweight architectures for edge computing and explainability frameworks as XAI (Explainable Artificial Intelligence).