Hybrid 3D-CNN, Bi-LSTM, and Transformer-Based Framework for Anomaly Detection of Human Behaviour in Video Surveillance with Adaptive Error Minimization
تقترح هذه الورقة إطار عمل هجينًا جديدًا للتعلم العميق يدمج بنيات 3D-CNN وBi-LSTM وTransformer مع وحدة عتبة تكيفية وتحسين خسارة متعدد الأهداف لتحقيق كشف عن الشذوذ في الوقت الفعلي وبأداء متفوق في مراقبة الفيديو من خلال تقليل الإنذارات الكاذبة بشكل كبير عبر ظروف بيئية متنوعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الحديث، تراقب كاميرات المراقبة شوارعنا ومحطاتنا ومبانينا، مولدةً فيضاً من البيانات المرئية التي لا يمكن لأي فريق بشري مراقبتها. إن التحدي الذي يواجه أنظمة الأمن لا يقتصر فقط على الرؤية، بل في فهم ما تراه في الوقت الفعلي. يجب عليها التمييز بين الحركات العادية غير الضارة والأحداث النادرة والخطيرة مثل اندلاع عراك أو وقوع سرقة. هذه المهمة صعبة للغاية لأن السلوك "الطبيعي" يتغير باستمرار اعتماداً على الوقت من اليوم، والإضاءة، وكثافة الحشود، وزاوية الكاميرا. فالنظام الذي يكون شديد الحساسية سيطلق الإنذار لكل ظل أو هبة ريح مفاجئة، مما يخلق فيضاً من التنبيهات الكاذبة التي تنهك المشغلين البشر. وعلى العكس من ذلك، فإن النظام الذي يكون صارماً للغاية قد يغفل عن تهديد حقيقي تماماً. لسنوات، حاول الباحثون بناء برامج حاسوبية يمكنها تعلم الفرق بين الأمور الاعتيادية والخطيرة، لكن معظم الحلول الحالية تعاني في موازنة هذين الخطرين، وغالباً ما تفشل عندما تنخفض جودة الفيديو أو يصبح المشهد فوضوياً.
اقترح فريق من الباحثين من جامعة SR ومؤسسة كونيرو لاكمايا للتعليم في الهند نهجاً جديداً لحل هذه المشكلة المستمرة. فقد صمموا نظاماً حاسوبياً هجيناً يحاكي الطريقة التي تعالج بها أجزاء مختلفة من الدماغ البشري مشهداً ما، حيث يجمع بين ثلاثة أنواع متميزة من الذكاء الاصطناعي في إطار عمل تعاوني واحد. وبدلاً من الاعتماد على طريقة واحدة لمراقبة الفيديو، يستخدم نظامهم ثلاثة "مشاهدين" متخصصين يعملون بالتوازي. المشاهد الأول مُصمم لرصد التفاصيل المحلية ونوبات الحركة القصيرة، تماماً مثل ملاحظة إيماءة يد سريعة أو خطوة مفاجئة. ويركز المشاهد الثاني على تسلسل الأحداث عبر الزمن، وفهم كيفية بدء الفعل وتطوره وانتهائه، مما يضمن التعرف على التوقف أو التراجع في الحركة كأمر ذي أهمية. أما المشاهد الثالث، فينظر إلى المشهد بأكمله ككتلة واحدة، ويربط بين الأجزاء البعيدة من الفيديو لفهم السياق الأوسع، مثل تحرك مجموعة من الناس معاً بنمط غير معتاد.
تكمن براعة هذا الإطار الجديد في كيفية عمل هؤلاء المشاهدين الثلاثة معاً. فبدلاً من إجبارهم على الاتفاق على قاعدة واحدة جامدة، يتعلم النظام وزن آرائهم بشكل ديناميكي. فإذا كان المشهد عبارة عن شارع مزدحم حيث يهم التدفق العام للناس أكثر، يستمع النظام أكثر إلى المشاهد "العالمي". وإذا كان المششن يتضمن فعلاً محدداً سريع الحركة، فإنه يعتمد أكثر على المشاهد "المحلي". تسمح هذه المرونة للنظام بالتكيف مع البيئات المختلفة دون الحاجة إلى إعادة برمجته لكل موقع جديد. علاوة على ذلك، عالج الباحثون مسألة تغير جودة الفيديو، مثل التحبب في اللقطات الليلية أو ضبابية المطر. فقد بنوا آلية تغذية راجعة تتحقق باستمرار من وضوح الصورة؛ فإذا أصبح الفيديو ضبابياً أو مشوشاً، يقوم النظام تلقائياً بتشديد معاييره لما يعتبر إنذاراً، مما يمنعه من "التبليغ الكاذب" بسبب رداءة جودة الصورة. وإذا كانت الصورة واضحة تماماً، فإنه يصبح أكثر حساسية، مستعداً لالتقاط حتى أدق علامات الخطر.
عندما اختبر الباحثون هذا النظام على ثلاث مجموعات رئيسية من لقطات المراقبة من العالم الحقيقي، كانت النتائج مذهلة. فقد نجح النظام في تحديد الشذوذ بدقة عالية، متفوقاً على أفضل الأساليب الموجودة بفارق كبير. وفي المجموعة الأكثر تحدياً، والتي احتوت على أكثر من ألف ساعة من الفيديو غير المقصوص الذي يغطي ثلاثة عشر نوعاً مختلفاً من الجرائم، حقق النظام الجديد معدل نجاح يقترب من تسعين بالمائة. وفي مجموعة بيانات الحرم الجامعي التي تحتوي على تسميات دقيقة لكل إطار، وصل معدل الدقة إلى ما يقرب من ثمانية وتسعين بالمائة. ولعل الأهم بالنسبة للأمن في العالم الحقيقي هو أن النظام قلل بشكل كبير من عدد الإنذارات الكاذبة؛ فقد خفض معدل الإيجابيات الكاذبة بنسبة تقارب أربعين بالمائة مقارنة بأفضل التقنيات السابقة، مما يعني أن حراس الأمن سيُقاطعون بشكل أقل بكثير بسبب الأحداث غير الضارة. وفي الوقت نفسه، فاته عدد أقل من التهديدات الفعلية، حيث قلل معدل السلبيات الكاذبة بنسبة تزيد عن ثلاثين بالمائة.
أثبت النظام أيضاً قدرته على العمل في الوقت الفعلي، حيث يعالج الفيديو بسرعة اثنين وثلاثين إطاراً في الثانية، وهي سرعة كافية لمواكبة خلاصات المراقبة الحية. وأكد الباحثون أن هذا التحسن جاء من دمج المكونات الثلاثة معاً؛ إذ أدى إزالة أي منها إلى انخفاض ملحوظ في أداء النظام. كما تحققوا من أن الآلية التكيفية للتعامل مع جودة الفيديو كانت المفتاح لتقليل الأخطاء، حيث سمحت للنظام بالبقاء موثوقاً حتى عند تغير الإضاءة أو اهتزاز الكاميرا. وبينما يتطلب النظام لحظة وجيزة لمعالجة مقطع قصير من الفيديو، مما يؤدي إلى تأخير جزء من الثانية، إلا أن هذه المقايضة تُعتبر مقبولة مقابل المكاسب الهائلة في الدقة والموثوقية.
يمثل هذا العمل خطوة مهمة للأمام في جعل المراقبة الآلية عملية حقاً. فمن خلال الانتقال من القواعد الجامدة التي تناسب الجميع إلى نهج مرن متعدد المنظورات، نجح الباحثون في إنشاء نظام يتسم بالحساسية تجاه الخطر والمتانة ضد العيوب الحتمية للفيديو في العالم الحقيقي. وتشير النتائج إلى أن مستقبل أمن الفيديو لا يكمن في بناء مراقب واحد مثالي، بل في إنشاء فريق من المراقبين المتخصصين الذين يمكنهم التعلم من بعضهم البعض والتكيف مع العالم مع تغيره.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.