Este estudio aborda el desafío de detectar delitos contra individuos en aplicaciones de seguridad pública, especialmente donde la disponibilidad de datos de calidad es limitada y los modelos existentes muestran una falta de generalización a escenarios del mundo real. Para mitigar los desafíos asociados con la recopilación de conjuntos de datos extensos y etiquetados, este estudio propone el desarrollo de un nuevo conjunto de datos centrado específicamente en delitos contra individuos, incluidos incidentes como robos, agresiones y altercados físicos. El conjunto de datos se construye utilizando datos de fuentes públicamente disponibles y se somete a un riguroso proceso de etiquetado para garantizar tanto la calidad como la representatividad de las actividades criminales. Además, se implementa una red neuronal convolucional 3D (Conv 3D) para el análisis de video en tiempo real para detectar estos delitos de manera efectiva. El enfoque propuesto incluye una validación exhaustiva tanto del conjunto de datos como del modelo a través de comparaciones de rendimiento con conjuntos de datos existentes, utilizando métricas de evaluación clave como el Área Bajo la Curva de la Característica Operativa del Receptor (AUC-ROC). Los resultados experimentales demuestran que el conjunto de datos y el modelo propuestos logran una tasa de precisión entre el 94% y el 95%, destacando su efectividad para identificar con precisión actividades delictivas. Este estudio contribuye al avance de las tecnologías de detección de delitos, ofreciendo una solución práctica para su implementación en sistemas de vigilancia y seguridad pública en entornos urbanos.