Hybrid 3D-CNN, Bi-LSTM, and Transformer-Based Framework for Anomaly Detection of Human Behaviour in Video Surveillance with Adaptive Error Minimization
Este artículo propone un novedoso marco de aprendizaje profundo híbrido que integra arquitecturas 3D-CNN, Bi-LSTM y Transformer con un módulo de umbral adaptativo y optimización de pérdida multiobjetivo para lograr una detección de anomalías en tiempo real y de vanguardia en la vigilancia por video, reduciendo significativamente las falsas alarmas en diversas condiciones ambientales.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo moderno, las cámaras de seguridad vigilan nuestras calles, estaciones y edificios, generando una inundación de datos visuales que ningún equipo humano podría monitorear posiblemente. El desafío para los sistemas de seguridad no es solo ver, sino comprender lo que están viendo en tiempo real. Deben distinguir entre movimientos ordinarios e inofensivos y eventos raros y peligrosos, como el estallido de una pelea o un robo en curso. Esta tarea es notoriamente difícil porque el comportamiento "normal" cambia constantemente dependiendo de la hora del día, la iluminación, la densidad de la multitud y el ángulo de la cámara. Un sistema que sea demasiado sensible hará sonar la alarma por cada sombra o ráfaga repentina de viento, creando una inundación de falsas alertas que agota a los operadores humanos. Por el contrario, un sistema que sea demasiado estricto podría pasar por alto una amenaza genuina por completo. Durante años, los investigadores han intentado construir programas informáticos que puedan aprender la diferencia entre lo mundano y lo peligroso, pero la mayoría de las soluciones existentes luchan por equilibrar estos dos riesgos, fallando a menudo cuando la calidad del video disminuye o la escena se vuelve caótica.
Un equipo de investigadores de la Universidad SR y de la Fundación Educativa Koneru Lakshmaiah en la India ha propuesto un nuevo enfoque para resolver este problema persistente. Diseñaron un sistema informático híbrido que imita la forma en que diferentes partes del cerebro humano podrían procesar una escena, combinando tres tipos distintos de inteligencia artificial en un único marco cooperativo. En lugar de depender de un solo método para observar el video, su sistema utiliza tres "espectadores" especializados que trabajan en paralelo. El primer espectador está diseñado para detectar detalles locales y ráfagas cortas de movimiento, de forma muy similar a notar un gesto rápido de la mano o un paso repentino. El segundo espectador se centra en la secuencia de eventos a lo largo del tiempo, comprendiendo cómo una acción comienza, evoluciona y termina, asegurando que una pausa o una reversión en el movimiento sea reconocida como significativa. El tercer espectador observa la escena completa como un todo, conectando partes distantes del video para comprender el contexto más amplio, como un grupo de personas moviéndose juntas en un patrón inusual.
La brillantez de este nuevo marco reside en cómo estos tres espectadores trabajan juntos. En lugar de obligarlos a estar de acuerdo en una única regla rígida, el sistema aprende a ponderar sus opiniones de manera dinámica. Si la escena es una calle concurrida donde lo que más importa es el flujo general de personas, el sistema escucha más al espectador "global". Si la escena involucra una acción específica y rápida, se apoya más en el espectador "local". Esta flexibilidad permite que el sistema se adapte a diferentes entornos sin necesidad de ser reprogramado para cada nueva ubicación. Además, los investigadores abordaron el problema del cambio en la calidad del video, como el granulado de una toma nocturna o el desenfoque de la lluvia. Construyeron un mecanismo de retroalimentación que verifica constantemente la claridad de la imagen. Si el video se vuelve borroso o ruidoso, el sistema aumenta automáticamente sus estándares para lo que cuenta como una alarma, evitando que "grite ante la nada" debido a la mala calidad de la imagen. Si la imagen es cristalina, se vuelve más sensible, lista para captar incluso los signos más sutiles de problemas.
Cuando los investigadores probaron este sistema en tres colecciones importantes de metraje de vigilancia del mundo real, los resultados fueron sorprendentes. El sistema identificó anomalías con un alto grado de precisión, superando a los mejores métodos existentes por un margen significativo. En el conjunto de datos más desafiante, que contenía más de mil horas de video no recortado que cubría trece tipos diferentes de delitos, el nuevo sistema logró una tasa de éxito de casi el noventa por ciento. En un conjunto de datos de un campus con etiquetas detalladas fotograma a fotograma, alcanzó una precisión de casi el noventa y ocho por ciento. Quizás lo más importante para la seguridad del mundo real, el sistema redujo drásticamente el número de falsas alarmas. Redujo la tasa de falsos positivos en casi un cuarenta por ciento en comparación con la tecnología anterior más avanzada, lo que significa que los guardias de seguridad serían interrumpidos con mucha menos frecuencia por eventos inofensivos. Al mismo tiempo, detectó menos amenazas reales, reduciendo la tasa de falsos negativos en más de un treinta por ciento.
El sistema también demostró ser capaz de operar en tiempo real, procesando video a una velocidad de treinta y dos fotogramas por segundo, lo cual es lo suficientemente rápido como para seguir el ritmo de las transmisiones de vigilancia en vivo. Los investigadores confirmaron que la mejora provino de la combinación de los tres componentes trabajando juntos; eliminar cualquiera de ellos causó que el rendimiento del sistema cayera notablemente. También verificaron que el mecanismo adaptativo para manejar la calidad del video fue la clave para reducir los errores, ya que permitió que el sistema siguiera siendo confiable incluso cuando la iluminación cambiaba o la cámara se sacudía. Si bien el sistema requiere un breve momento para procesar un clip corto de video, introduciendo una fracción de segundo de retraso, este compromiso se considera aceptable por la enorme ganancia en precisión y confiabilidad.
Este trabajo representa un paso significativo hacia la realización de una vigilancia automatizada verdaderamente práctica. Al alejarse de las reglas rígidas de "talla única" y avanzar hacia un enfoque de múltiples perspectivas y flexible, los investigadores han creado un sistema que es tanto sensible al peligro como robusto contra las imperfecciones inevitables del video del mundo real. Los hallazgos sugieren que el futuro de la seguridad por video no reside en construir un observador único y perfecto, sino en crear un equipo de observadores especializados que puedan aprender unos de otros y adaptarse al mundo a medida que este cambia.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.