Naslov doktorskog rada je ujedno i najbolji sažetak rada i u jednoj rečenici opisuje ono što se htjelo istražiti te eksperimentalno potvrditi ili odbaciti. Uvodno treba istaknuti da su ciljevi istraživanja uspješno postgnuti te je kroz provedene eksperimente dokazano da je korištenjem termalne kamere kao senzora računalnog vida moguće povećati razine sigurnosti štićenih prostora i područja. Uspješnost se dodatno očituje u kombinaciji s korištenjem detektora objekata temeljenog na konvlolucijskoj neuronskoj mreži zbog čega je moguća detekcija i raspoznavanje osoba u gotovo svim vremenskim uvjetima (vedro, magla, kiša) u noćnim uvjetima na različitim udaljenostima, pri promjeni brzine i načina kretanja, te položaja tijela osoba koje namjerno, ali ilegalno pokušavaju proći kroz nadzirano područje. Pored toga, u radu je pokazano da je moguće uspješno raspoznavanje osoba od drugih pokretnih objekata na slikama, što je u ovom slučaju bio pas. S tim u svezi treba napomenuti da su testirana dva naučena modela. Prvi model za detekciju osoba učen je na slikama na kojima je bila označena samo osoba (Human, Person), a isti je naknadno testiran i na slikama te video zapisima koji su sadržavali i druge pokretne objekte (psa). Također je značajno istaknuti da naučeni model niti u jednom slučaju nije druge objekte iz okoline, kao što su stabla ili lišće detektirao kao osobe. Drugi model je naučen kao model s dvije klase (Human – Non-Human) s ciljem poboljšanja rezultata detekcije i raspoznavanja, a postignuti rezultati su to i potvrdili. Nadalje, kreirani skup slika, prigodno nazvan UNIRI Thermal, odnosno u eksperimentalnoj fazi označen kao UNIRI-TID, iskorišten je i za provjeru mogućnosti detektora temeljenog na neuronskoj mreži u kontekstu raspoznavanja aktivnosti osoba, odnosno da li osoba hoda uspravno, hoda pogureno, trči, hoda četveronoške ili leži na tlu. I u ovom slučaju su postignuti odlični rezultati koji su pokazali da je moguće s velikom pouzdanošću prepoznati o kojem načinu kretanja je riječ. Navedeno u kontekstu nadzora štićenih područja može ukazivati na eventualne neprijateljske ili druge nezakonite namjere osoba koje se kreću u tom području. Osim navedenog, u eksperimentalnoj fazi je pokazano i da je moguće pouzdan model naučiti na realtivnom malom skupu termalnih slika. Također su uspoređeni aktualni vrhunski detektori objekata kao što su Faster RCNN, SSD, Cascade R-CNN i YOLOv3, koji su učeni na skupu termalnih slika ekstrahiranih iz videozapisa koji simuliraju ilegalna kretanja u podružju granica te drugim štićenim područjima. Zaključno, postignuti rezultati daju dobar temelj za daljnja istraživanja potencijalno opasnih situacija za sigurnost ljudi i štićenih područja u kontekstu raspoznavanja i drugih objekata na sceni kao što su civilna i vojna vozila, različite letjelice, padobrani, ali i prepoznavanje lažnih detekcija kao što su prolazi životinja i identifikacije osoba koje su zadužene za nadzor tih područja.