СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ
ISSN (печатн.): 2782-2001
ISSN (онлайн): 2782-215X
Обеспечение безопасности в городской среде является важным направлением повышения качества жизни людей, и развитие современных интеллектуальных технологий открывает новые возможности для достижения этой цели. Применение современных интеллектуальных технологий позволяет раскрыть потенциал систем видеонаблюдения, делая возможным автоматическое распознавание опасных ситуаций в режиме реального времени для своевременного принятия мер по их устранению и оказанию помощи жертвам. Часто опасная ситуация обусловлена девиантным поведением людей – ограблением, дракой, вандализмом и т.д. Но в существующих работах, ориентированных на распознавание инцидентов девиантного поведения, ставится задача распознавания лишь кратковременных отличительных признаков, таких как удары, падения или оружие в руках у человека. При этом часто такие признаки могут отсутствовать, например, при ограблении прохожих без нападения и борьбы, поэтому задача распознавания сложных протяженных во времени сцен девиантного поведения остается нерешенной. В настоящей работе предложен метод автоматического распознавания протяженных сцен девиантного поведения людей, отличающийся интеграцией технологий управления знаниями и компьютерного зрения для детектирования и сегментации объектов, оценки трехмерного скелета человека, отслеживания объектов на кадрах видеозаписи, оценки нормали к поверхности земли для определения расстояния от объектов до камеры и классификации элементарных действий людей по трехмерному скелету. Данный метод может быть использован при разработке системы поддержки принятия решений операторами систем видеомониторинга, применяемой для детектирования и обработки девиантного поведения людей в режиме реального времени с целью предотвращения эскалации, оказания своевременной помощи жертвам и задержания подозреваемых.
Рябчиков Игорь Александрович
1. Valikhujaev Y., Abdusalomov A., Cho Y.I. Automatic fire and smoke detection method for surveillance systems based on dilated CNNs // Atmosphere. – 2020. – Vol. 11, N 11. – P. 1241. – DOI: 10.3390/atmos11111241.
2. Computer vision-based accident detection in traffic surveillance / E.P. Ijjina, D. Chand, S. Gupta, K. Goutham // 2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT). – Kanpur, India, 2019. – P. 1–6. – DOI: 10.1109/ICCCNT45670.2019.8944469.
3. Violence detection in video using computer vision techniques / E.B. Nievas, O.D. Suarez, G.B. García, R. Sukthankar // Computer Analysis of Images and Patterns, CAIP 2011. – Berlin: Springer, 2011. – P. 332–339. – DOI: 10.1007/978-3-642-23678-5_39.
4. Lloyd. K., Rosin. P., Marshall. D., Moore S. Detecting violent and abnormal crowd activity using temporal analysis of grey level co-occurrence matrix (GLCM)-based texture measures // Machine Vision and Applications. – 2017. – Vol. 28. – P. 361–371.
5. Spatio-temporal elastic cuboid trajectories for efficient fight recognition using Hough forests / I. Serrano, O. Deniz, G. Bueno, G. Garcia-Hernando, T.-K. Kim // Machine Vision and Applications. – 2018. – Vol. 29. – P. 207–217.
6. Weapon detection using YOLO V3 for Smart Surveillance System / S. Narejo, B. Pandey, D. Esenarro Vargas, C. Rodriguez, M.R. Anjum // Mathematical Problems in Engineering. – 2021. – DOI: 10.1155/2021/9975700.
7. Singh A., Patil D., Omkar S.N. Eye in the Sky: real-time drone surveillance system (DSS) for violent individuals identification using ScatterNet Hybrid Deep Learning Network // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). – Salt Lake City, UT, USA, 2018. – P. 1710–1718. – DOI: 10.1109/CVPRW.2018.00214.
8. Violent Interaction Detection in Video Based on Deep Learning / P. Zhou, Q. Ding, H. Luo, X. Hou // Journal of Physics: Conference Series. – 2017. – Vol. 844. – P. 012044.
9. Sudhakaran S., Lanz O. Learning to detect violent videos using convolutional long short-term memory // 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). – Lecce, Italy, 2017. – Vol. 1. – P. 1–6. – DOI: 10.1109/AVSS.2017.8078468.
10. Sultani W., Chen C., Shah M. Real-world anomaly detection in surveillance videos // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – Salt Lake City, UT, USA, 2018. – P. 6479–6488. – DOI: 10.1109/CVPR.2018.00678.
11. Liao H., Chang J., Chen L. A localized approach to abandoned luggage detection with foreground-mask sampling // 2008 IEEE Fifth International Conference on Advanced Video and Signal Based Surveillance. – Santa Fe, NM, USA, 2008. – P. 132–139. – DOI: 10.1109/AVSS.2008.9.
12. Abandoned object detection via temporal consistency modeling and back-tracing verification for visual surveillance / K. Lin, S. Chen, C. Chen, D. Lin, Y. Hung // IEEE Transactions on Information Forensics and Security. – 2015. – Vol. 10, N 7. – P. 1359–1370.
13. Park H., Park S., Joo Y. Robust detection of abandoned object for smart video surveillance in illumination changes // Sensors. – 2019. – Vol. 19, N 23. – P. 5114.
14. Morozov A.A., Sushkova O. Real-Time analysis of video by means of the Actor Prolog language // Computer Optics. – 2018. – Vol. 40. – P. 947–957.
15. He K., Girshick R., Dollar P. Rethinking ImageNet Pre-Training // 2019 IEEE/CVF International Conference on Computer Vision (ICCV). – Seoul, Korea (South), 2019. – P. 4917–4926. – DOI: 10.1109/ICCV.2019.00502.
16. Bergmann P., Meinhardt T., Leal-Taixe L. Tracking without Bells and Whistles // 2019 IEEE/CVF International Conference on Computer Vision (ICCV). – Seoul, Korea (South), 2019. – P. 941–951. – DOI: 10.1109/ICCV.2019.00103.
17. Sun X., Li C., Lin S. An integral pose regression system for the ECCV2018 PoseTrack Challenge // arXiv preprint arXiv:1809.06079.
18. Ryabchikov I., Teslya N. Estimating position of multiple people in common 3D space via city surveillance cameras // 2021 28th Conference of Open Innovations Association (FRUCT). – Moscow, Russia, 2021. – P. 390–397. – DOI: 10.23919/FRUCT50888.2021.9347579.
19. Skeleton-based action recognition with directed graph neural networks / L. Shi, Y. Zhang, J. Cheng, H. Lu // 2019 IEEE/CVF International Conference on Computer Vision (ICCV). – Seoul, Korea (South), 2019. – P. 7904–7913.
20. PETS 2006. – URL: https://mldta.com/dataset/pets-2006/ (accessed: 17.07.2022).
Рябчиков И.А. Метод автоматического распознавания девиантного поведения людей на основе интеграции технологий компьютерного зрения и управления знаниями для поддержки принятия решений операторами систем видеомониторинга // Системы анализа и обработки данных. – 2022. – № 3 (87). – С. 21–36. – DOI: 10.17212/2782-2001-2022-3-21-36.
Ryabchikov I.A. Metod avtomaticheskogo ispol?zovaniya deviantnogo povedeniya lyudei na osnove samykh vysokikh tekhnologii komp?yuternogo zreniya i upravleniya trebovaniyami dlya podderzhki prinyatiya reshenii operatorami sistem videomonitoringa [A method for automatic recognition of deviant behavior of people based on the integration of computer vision and knowledge management technologies to support decision-making by operators of video monitoring systems]. Sistemy analiza i obrabotki dannykh = Analysis and Data Processing Systems, 2022, no. 3 (87), pp. 21–36. DOI: 10.17212/2782-2001-2022-3-21-36.
