Hybrid 3D-CNN, Bi-LSTM, and Transformer-Based Framework for Anomaly Detection of Human Behaviour in Video Surveillance with Adaptive Error Minimization
Cet article propose un nouveau cadre d'apprentissage profond hybride qui intègre les architectures 3D-CNN, Bi-LSTM et Transformer avec un module de seuil adaptatif et une optimisation de perte multi-objectifs pour atteindre une détection d'anomalies en temps réel de pointe dans la vidéosurveillance en réduisant considérablement les fausses alertes à travers diverses conditions environnementales.
Article original sous licence CC BY 4.0 (https://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
Dans le monde moderne, les caméras de surveillance surveillent nos rues, nos gares et nos bâtiments, générant un flux de données visuelles qu'aucune équipe humaine ne pourraitrait espérer surveiller. Le défi pour les systèmes de sécurité n'est pas seulement de voir, mais de comprendre ce qu'ils voient en temps réel. Ils doivent distinguer les mouvements ordinaires et inoffensifs des événements rares et dangereux, comme l'éclatement d'une bagarre ou un vol en cours. Cette tâche est notoirement difficile car le comportement « normal » change constamment en fonction de l'heure de la journée, de l'éclairage, de la densité de la foule et de l'angle de la caméra. Un système trop sensible déclenchera l'alarme pour chaque ombre ou rafale de vent soudaine, créant un déluge de fausses alertes qui épuise les opérateurs humains. À l'inverse, un système trop strict pourrait ignorer entièrement une menace réelle. Pendant des années, des chercheurs ont tenté de construire des programmes informatiques capables d'apprendre la différence entre le banal et le dangereux, mais la plupart des solutions existantes peinent à équilibrer ces deux risques, échouant souvent lorsque la qualité de la vidéo diminue ou que la scène devient chaotique.
Une équipe de chercheurs de l'Université SR et de la Fondation d'enseignement Koneru Lakshmaiah en Inde a proposé une nouvelle approche pour résoudre ce problème persistant. Ils ont conçu un système informatique hybride qui imite la façon dont différentes parties du cerveau humain pourraient traiter une scène, combinant trois types distincts d'intelligence artificielle dans un cadre coopératif unique. Au lieu de s'appuyer sur une seule méthode pour surveiller la vidéo, leur système utilise trois « observateurs » spécialisés travaillant en parallèle. Le premier observateur est conçu pour repérer les détails locaux et les poussées de mouvement courtes, un peu comme remarquer un geste rapide de la main ou un pas soudain. Le deuxième observateur se concentre sur la séquence des événements au fil du temps, comprenant comment une action commence, évolue et se termine, garantissant qu'une pause ou un renversement de mouvement soit reconnu comme significatif. Le troisième observateur examine l'ensemble de la scène dans sa globalité, reliant des parties distantes de la vidéo pour comprendre le contexte plus large, tel qu'un groupe de personnes se déplaçant ensemble selon un schéma inhabituel.
Le génie de ce nouveau cadre réside dans la manière dont ces trois observateurs travaillent ensemble. Plutôt que de les forcer à s'accorder sur une règle unique et rigide, le système apprend à pondérer leurs opinions de manière dynamique. Si la scène est une rue bondée où le flux global des personnes est le plus important, le système écoute davantage l'observateur « global ». Si la scène implique une action spécifique et rapide, il s'appuie sur l'observateur « local ». Cette flexibilité permet au système de s'adapter à différents environnements sans avoir besoin d'être reprogrammé pour chaque nouveau lieu. De plus, les chercheurs ont abordé la question de la variation de la qualité vidéo, telle que le grain d'une prise de vue nocturne ou le flou de la pluie. Ils ont construit un mécanisme de rétroaction qui vérifie constamment la clarté de l'image. Si la vidéo devient floue ou bruitée, le système durcit automatiquement ses critères de ce qui constitue une alarme, évitant ainsi de crier au loup à cause d'une mauvaise qualité d'image. Si l'image est parfaitement nette, il devient plus sensible, prêt à détecter même les signes les plus subtils de trouble.
Lorsque les chercheurs ont testé ce système sur trois collections majeures de séquences de surveillance du monde réel, les résultats ont été frappants. Le système a identifié les anomalies avec un haut degré de précision, surpassant de loin les meilleures méthodes existantes. Sur l'ensemble de données le plus difficile, qui contenait plus de mille heures de vidéos non découpées couvrant treize types différents de crimes, le nouveau système a atteint un taux de réussite de près de quatre-vingt-dix pour cent. Sur un ensemble de données de campus avec des étiquettes détaillées, image par image, il a atteint une précision de presque quatre-vingt-dix-huit pour cent. Peut-être plus important encore pour la sécurité réelle, le système a considérablement réduit le nombre de fausses alarmes. Il a abaissé le taux de faux positifs de près de quarante pour cent par rapport à la technologie précédente la plus performante, ce qui signifie que les agents de sécurité seraient beaucoup moins interrompus par des événements inoffensifs. Parallèlement, il a manqué moins de menaces réelles, réduisant le taux de faux négatifs de plus de trente pour cent.
Le système a également prouvé sa capacité à fonctionner en temps réel, traitant la vidéo à une vitesse de trente-deux images par seconde, ce qui est assez rapide pour suivre les flux de surveillance en direct. Les chercheurs ont confirmé que l'amélioration provenait de la combinaison des trois composants travaillant ensemble ; retirer l'un d'entre eux entraînait une baisse notable des performances du système. Ils ont également vérifié que le mécanisme adaptatif pour gérer la qualité vidéo était la clé de la réduction des erreurs, car il permettait au système de rester fiable même lorsque l'éclairage changeait ou que la caméra tremblait. Bien que le système nécessite un bref moment pour traiter un court clip vidéo, introduisant un léger délai d'une fraction de seconde, ce compromis est considéré comme acceptable au vu du gain massif en précision et en fiabilité.
Ce travail représente une étape importante pour rendre la surveillance automatisée véritablement pratique. En s'éloignant des règles rigides et universelles pour s'orienter vers une approche flexible et multi-perspectives, les chercheurs ont créé un système qui est à la fois sensible au danger et robuste face aux imperfections inévitables de la vidéo du monde réel. Les conclusions suggèrent que l'avenir de la sécurité vidéo ne réside pas dans la construction d'un observateur unique et parfait, mais dans la création d'une équipe d'observateurs spécialisés capables d'apprendre les uns des autres et de s'adapter au monde tel qu'il change.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.