💻 computer science

DIFEM: Key-points Interaction based Feature Extraction Module for Violence Recognition in Videos

Cet article propose DIFEM, un module d'extraction de caractéristiques léger et efficace basé sur les points clés du squelette humain pour la reconnaissance de la violence dans les vidéos, surpassant les méthodes d'apprentissage profond existantes tout en réduisant considérablement les coûts paramétriques.

Auteurs originaux : Himanshu Mittal, Suvramalya Basak, Anjali Gautam

Publié 2026-03-31

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Himanshu Mittal, Suvramalya Basak, Anjali Gautam

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎬 Le Gardien de la Paix : Comment un "Squelette Numérique" repère les bagarres

Imaginez que vous êtes le gardien d'un grand stade ou d'une place publique. Vous devez surveiller des centaines de caméras en même temps pour repérer les bagarres. C'est épuisant pour un humain (qui peut s'endormir ou se tromper) et les systèmes actuels sont souvent comme des géants gourmands : ils ont besoin de super-ordinateurs puissants pour analyser chaque pixel de chaque image, ce qui coûte cher et prend du temps.

Les auteurs de cet article, Himanshu, Suvramalya et Anjali, ont eu une idée géniale : "Et si on ne regardait pas tout, mais seulement les mouvements clés ?"

Voici comment leur méthode, appelée DIFEM, fonctionne, expliquée avec des analogies du quotidien.

1. Le Squelette Invisible (La Pose Estimation)

Au lieu d'analyser la couleur des vêtements, la lumière ou le fond de l'image, le système utilise un outil appelé OpenPose.

L'analogie : Imaginez que le système enlève virtuellement les vêtements et la peau des gens dans la vidéo pour ne laisser que des squelettes lumineux (des points reliés par des lignes).
Pourquoi ? C'est comme si vous regardiez une marionnette. Peu importe si c'est un géant ou un nain, ce qui compte pour savoir s'il y a une bagarre, c'est comment les bras et les jambes bougent.

2. Le Détective des Mouvements (Le Module DIFEM)

C'est le cœur de leur invention. Le système ne se contente pas de regarder le squelette, il joue au détective avec deux outils magiques :

A. Le Chronomètre de la Vitesse (Dynamique Temporelle)

Le concept : Dans une bagarre, les gens bougent vite et de manière erratique. Dans une conversation normale, les mouvements sont fluides.
L'analogie : Imaginez que vous regardez une course de Formule 1. Si une voiture passe de 0 à 100 km/h en une seconde, c'est suspect ! Le système calcule la vitesse de chaque articulation (poignets, coudes, genoux) d'une image à la suivante.
- Mouvement lent : "Ah, il marche tranquillement."
- Mouvement rapide : "Oups ! Un poing a volé !"

B. Le Compteur de "Collisions" (Dynamique Spatiale)

Le concept : La violence implique souvent que deux corps se touchent ou s'approchent dangereusement.
L'analogie : Imaginez que chaque personne a une bulle de sécurité autour d'elle. Le système compte combien de fois les "points clés" (comme un coude ou un genou) d'une personne entrent dans la bulle de l'autre.
- Si un coude traverse la zone de l'autre personne, c'est un "point de contact". Plus il y a de contacts, plus c'est suspect.

3. Le Juge Intelligents (Les Classificateurs)

Une fois que le système a collecté ces données (Vitesse + Contacts), il ne lance pas un super-calculateur complexe. Il utilise des algorithmes de statistiques simples (comme un arbre de décision ou une forêt d'arbres de décision).

L'analogie : C'est la différence entre engager un chef cuisinier étoilé (Deep Learning) pour faire une salade de tomates, et utiliser une recette simple et rapide.
- Les méthodes actuelles (Deep Learning) sont comme des usines entières pour faire une salade : très précises, mais lourdes et chères.
- La méthode DIFEM est comme un couteau bien aiguisé : elle fait le travail en quelques secondes, avec très peu d'énergie, et tout aussi bien !

4. Les Résultats : Simple mais Efficace

Les auteurs ont testé leur méthode sur trois bases de données de vidéos (des matchs de hockey, des foules, etc.).

Le verdict : Leur système "léger" a battu ou égalé les systèmes "lourds" et complexes.
Pourquoi ? Parce que pour repérer une bagarre, on n'a pas besoin de connaître la texture du t-shirt de la victime. On a juste besoin de savoir : "Est-ce que ce bras a bougé très vite vers cette tête ?".

En Résumé

Cette recherche nous dit que parfois, la simplicité est la clé. Au lieu de construire des robots surpuissants pour tout analyser, on peut utiliser des règles simples (vitesse + proximité) pour détecter le danger.

C'est comme si, pour savoir s'il pleut, on ne construisait pas un satellite météo, mais qu'on tendait simplement la main pour sentir les gouttes. C'est rapide, efficace, et ça ne coûte presque rien ! 🌧️🤖✨

1. Problématique

La détection de la violence dans les vidéos de surveillance est une tâche cruciale pour la sécurité publique. Bien que les méthodes récentes basées sur l'apprentissage profond (Deep Learning) aient montré des résultats prometteurs, elles présentent plusieurs limitations majeures :

Coût computationnel élevé : Les modèles complexes (comme les réseaux 3D-CNN ou les GCN) nécessitent d'importantes ressources matérielles.
Risque de surapprentissage (Overfitting) : Les ensembles de données de violence disponibles sont souvent de petite taille, ce qui nuit à la généralisation des modèles profonds.
Dépendance aux données brutes : L'extraction directe de caractéristiques spatio-temporelles à partir de pixels bruts est coûteuse et parfois moins efficace pour capturer la dynamique spécifique des combats.

L'objectif de cet article est de proposer une approche plus légère, efficace et moins coûteuse en paramètres, capable de rivaliser avec les méthodes de l'état de l'art (SOTA) en se concentrant sur les propriétés intrinsèques de la violence (mouvements rapides et proximité des articulations).

2. Méthodologie : Le Module DIFEM

L'approche proposée repose sur un module d'extraction de caractéristiques nommé DIFEM (Dynamic Interaction Feature Extraction Module). Au lieu d'utiliser des réseaux de neurones profonds pour extraire des caractéristiques, DIFEM utilise des heuristiques statistiques simples appliquées aux points clés du squelette humain (pose estimation).

Le processus se déroule en trois étapes principales :

A. Génération et Sélection des Points Clés

Extraction : Les coordonnées (x, y) et les niveaux de confiance des points clés du squelette sont extraits de chaque image vidéo à l'aide de l'algorithme OpenPose.
Sélection stratégique : Sur les 25 points clés disponibles dans OpenPose, l'équipe en sélectionne 11 jugés les plus pertinents pour les confrontations physiques : poignets, coudes, hanches, genoux, chevilles et cou. Des poids spécifiques sont attribués à chaque articulation (ex: 1 pour les poignets et hanches, 0.8 pour les coudes).

B. Calcul des Caractéristiques Dynamiques

Le module DIFEM calcule deux types de métriques à partir des coordonnées des points clés :

Dynamique Temporelle (Vitesse) :
- Le module calcule la vitesse de déplacement de chaque articulation sélectionnée entre deux images consécutives ( $t$ et $t+1$ ).
- La formule intègre la distance euclidienne et un poids spécifique pour l'articulation.
- Pour chaque vidéo, on extrait la moyenne, le maximum et la variance de ces vitesses sur l'ensemble des images.
Dynamique Spatiale (Chevauchement des Articulations) :
- Cette métrique mesure l'interaction spatiale entre deux personnes.
- Elle compte le nombre de points clés d'une personne (Personne 1) qui se trouvent à l'intérieur de la boîte englobante (bounding box) d'une autre personne (Personne 2).
- Pour chaque vidéo, on calcule la moyenne et la variance de ce nombre de chevauchements.

C. Classification

Les caractéristiques temporelles (3 valeurs : moyenne, max, variance de la vitesse) et spatiales (2 valeurs : moyenne, variance du chevauchement) sont concaténées pour former un vecteur de caractéristiques de 5 dimensions.
Ce vecteur est ensuite alimenté dans des algorithmes d'apprentissage automatique classiques (Machine Learning) :

Forêt Aléatoire (Random Forest)
Arbre de Décision (Decision Tree)
AdaBoost
k-Plus Proches Voisins (k-NN)

3. Contributions Clés

Proposition du module DIFEM : Une méthode novatrice d'extraction de caractéristiques basée sur l'interaction des points clés du squelette, évitant la complexité des réseaux profonds.
Efficacité computationnelle : L'approche utilise des mesures statistiques simples et des classificateurs ML légers, réduisant considérablement le nombre de paramètres et le temps d'inférence par rapport aux méthodes SOTA.
Performance supérieure : La méthode démontre des résultats compétitifs, voire supérieurs, sur trois ensembles de données standards, prouvant que des heuristiques simples suffisent pour détecter la violence.

4. Résultats Expérimentaux

L'évaluation a été réalisée sur trois ensembles de données publics : RWF-2000, Hockey Fight et Crowd Violence.

Performance globale : La combinaison DIFEM + Forêt Aléatoire a obtenu les meilleurs résultats :
- RWF-2000 : 96,50 % de précision (surpassant des méthodes comme Hachiuma et al. à 93,4 %).
- Hockey Fight : 98,80 % de précision (surpassant Zhang et al. à 99,4 % et Cheng et al. à 98,0 %).
- Crowd Violence : 96,33 % de précision (surpassant Ullah et al. à 96,0 %).
Efficacité temporelle : Le temps d'inférence est extrêmement rapide (environ 0,033 ms par vidéo pour la Forêt Aléatoire), ce qui rend la méthode adaptée au temps réel.
Analyse d'ablation : Les expériences montrent que l'utilisation conjointe de la vitesse (temporel) et du chevauchement (spatial) est essentielle. L'utilisation exclusive du chevauchement échoue dans les scènes encombrées (données Crowd) en raison des faux positifs dus à l'occlusion, tandis que la vitesse permet de distinguer les mouvements violents rapides.

5. Signification et Conclusion

Cette étude démontre que pour la reconnaissance de la violence, la complexité des modèles d'apprentissage profond n'est pas toujours nécessaire. En se concentrant sur les propriétés physiques fondamentales de la violence (mouvements articulaires rapides et proximité physique), l'approche DIFEM offre une alternative économique en ressources et très performante.

Limites et perspectives :
La méthode dépend de la précision de l'algorithme OpenPose pour l'extraction initiale des squelettes. Si la détection des points clés échoue, les caractéristiques extraites seront erronées. Les auteurs prévoient de travailler sur des algorithmes de points clés plus légers et efficaces en termes de paramètres pour les futures versions.

En résumé, ce travail valide l'hypothèse que des caractéristiques géométriques et cinématiques simples, couplées à des classificateurs traditionnels, peuvent surpasser des architectures de Deep Learning massives pour des tâches de détection de violence spécifiques.