Відстеження протиправних дій за допомогою систем відеоспостереження: огляд сучасного стану досліджень
Анотація
Розглянуто сучасний стан досліджень використання нейронних мереж в умовах воєнного стану для ідентифікації вчинення правопорушниками протиправних дій, попередження актів тероризму, боротьби з диверсійними групами в містах, відстеження зброї та контролю за дорожнім рухом. Проаналізовано методи розпізнавання протиправних дій, зброї, облич та порушень правил дорожнього руху за допомогою камер відеоспостереження. Запропоновано впровадження досліджених методів у роботу «розумних» систем відеоспостереження в населених пунктах України.
Найбільш дієвим засобом для зменшення кількості правопорушень є невідворотність юридичної відповідальності, тому багато зусиль у правоохоронній сфері спрямовано на їх попередження. Поряд із забезпеченням публічного порядку патрульною поліцією відеоспостереження є дієвим способом запобігання протиправній діяльності в суспільстві. Збільшення зони покриття камер та їх кількості сприяє забезпеченню публічної безпеки там, де ці камери використовують. Але збільшення кількості камер створює іншу проблему – великі обсяги відеоданих, які потрібно обробляти. Для вирішення проблеми обробки відеоданих використовують різні методи, найбільш сучасним з яких є використання штучного інтелекту задля фільтрації великого обсягу даних із відеокамер, застосування різноманітних алгоритмів їх обробки. Можливість одночасно обробляти відеодані з багатьох камер відеоспостереження без участі людини не лише сприяє забезпеченню публічної безпеки, а й покращує роботу патрульної поліції. Впровадження «розумних» систем відеоспостереження дозволяє проводити моніторинг ситуації у громадських місцях цілодобово, навіть якщо в цьому районі відсутній наряд поліції.
У розглянутих дослідженнях систем відеоспостережень для відстеження протиправних дій, злочинців та зброї використовують нейронні мережі, зокрема MobileNet V2, YOLO, mYOLOv4-tiny, навчання яких проводиться на великих обсягах відео- та фотоданих. З’ясовано, що раніше нейронні мережі потребували великої обчислювальної потужності, а зараз вони можуть застосовуватися в системах Інтернету речей та смартфонах, і це сприяє тому, що для моніторингу ситуації можна залучати більше пристроїв відеоспостереження.
Завантаження
Посилання
Alotaibi, M. F., Omri, M., Abdel-Khalek, S., Khalil, E., & Mansour, R. F. (2022). Computational Intelligence-Based Harmony Search Algorithm for Real-Time Object Detection and Tracking in Video Surveillance Systems. Mathematics, 10(5). https://doi.org/10.3390/math10050733.
Apoorva, P., Impana, H. C., Siri, S. L., Varshitha, M. R., & Ramesh, B. (2019, March 27–29). Automated Criminal Identification by Face Recognition using Open Computer Vision Classifiers [Conference presentation abstract]. 3rd International Conference on Computing Methodologies and Communication (ICCMC), Erode, India. https://doi.org/10.1109/ICCMC.2019.8819850.
Bewley, A., Ge, Z., Ott, L., Ramos, F., & Upcroft, B. (2016, September 25–28). Simple online and real-time tracking [Conference presentation abstract]. 2016 IEEE International Conference on Image Processing (ICIP), Phoenix, AZ, USA. https://doi.org/10.1109/ICIP.2016.7533003.
Fathy, C., & Saleh, S. N. (2022). Integrating Deep Learning-Based IoT and Fog Computing with Software-Defined Networking for Detecting Weapons in Video Surveillance Systems. Sensors, 22(14). https://doi.org/10.3390/s22145075.
Gerell, M. (2016). Hot Spot Policing with Actively Monitored CCTV Cameras: Does it Reduce Assaults in Public Places? International Criminal Justice Review, 26, 187–201. https://doi.org/10.1177/1057567716639098.
González-Cepeda, J., Ramajo, A., & Armingol, J. M. (2022). Intelligent video surveillance systems for vehicle identification based on multinet architecture. Information, 13(7). https://doi.org/10.3390/info13070325.
Gustav, A. (2017). Surveillance cameras and crime a review of randomized and natural experiments. Journal of Scandinavian Studies in Criminology and Crime Prevention, 18(2), 210–222. https://doi.org/10.1080/14043858.2017.1387410.
Ingle, P. Y., & Kim, Y.-G. (2022). Real-Time Abnormal Object Detection for Video Surveillance in Smart Cities. Sensors, 22(10). https://doi.org/10.3390/s22103862.
Kirei, K. O. (2021). System of image recognition of surrounding objects with neural networks. Collection of Scientific Papers of Admiral Makarov National University of Shipbuilding, 1(484), 86–91. https://doi.org/10.15589/znp2021.1(484).12.
Kolesnytsky, O. K., Yankovsky, E. V., Denisov, I. K., & Arsenyuk, I. R. (2023). Detection of armed people in a video stream using convolutional neural networks. Optoelectronic Information-Power Technologies, 2(46), 76–83. https://doi.org/10.31649/1681-7893-2023-46-2-76-83.
Korshenko, V. A., Chumak, V. V., Mordvintsev, M. V., & Pashniev, D. V. (2020). Security systems’ status with the use of technical means of video recording and video surveillance: international experience, perspectives for implementation in the activities of the National police of Ukraine. Law and Safety, 2(77), 86–92. https://doi.org/10.32631/pb.2020.2.12.
Le, V.-T., & Kim, Y.-G. (2023). Attention-based residual autoencoder for video anomaly detection. Applied Intelligence, 53, 3240–3254. https://doi.org/10.1007/s10489-022-03613-1.
Lim, H. (2016). Crime-Reduction Effects of Open-street CCTV: Conditionality Considerations. Justice Quarterly, 34(4), 597–626. https://doi.org/10.1080/07418825.2016.1194449.
Lin, C.-J., & Jhang, J.-Y. (2022). Intelligent Traffic-Monitoring System Based on YOLO and Convolutional Fuzzy Neural Networks. IEEE Access, 10, 14120–14133. https://doi.org/10.1109/ACCESS.2022.3147866.
Marchuk, D. K. (2023). The use of affine transformations for image correction with further use in recognition systems. Technical Engineering, 2(92), 125–130. https://doi.org/10.26642/ten-2023-2(92)-125-130.
McLean, S. J., Worden, R. E., & Kim, M. (2013). Here’s Looking at You: An Evaluation of Public CCTV Cameras and Their Effects on Crime and Disorder. Criminal Justice Review, 38(3), 303–334. https://doi.org/10.1177/0734016813492415.
Ostroglyadov, O. I. (2020). Criminological characteristic and prevention of mercenary crimes against property in a big city of the Black Sea region. South Ukrainian Law Journal, 3, 86–94. https://doi.org/10.32850/sulj.2020.3.16.
Piza, E. L., Welsh, B. C., Farrington, D. P., & Thomas, A. L. (2019). CCTV surveillance for crime prevention: A 40‐year systematic review with meta‐analysis. Criminology & Public Policy, 18(1), 135–159. https://doi.org/10.1111/1745-9133.12419.
Ratcliffe, J. H., Taniguchi, T., & Taylor, R. B. (2009). The Crime Reduction Effects of Public CCTV Cameras: A Multi-Method Spatial Approach. Justice Quarterly, 26(4), 746–770. https://doi.org/10.1080/07418820902873852.
Socha, R., & Kogut, B. (2020). Urban Video Surveillance as a Tool to Improve Security in Public Spaces. Sustainability, 12(15). https://doi.org/10.3390/su12156210.
Svatiuk, D. R., Svatiuk, O. R., & Beleі, O. I. (2020). Application of convolutional neural networks for the security of the object recognition in a video stream. Cybersecurity: education, science, Technique, 4(8), 97–112. https://doi.org/10.28925/2663-4023.2020.8.97112.
Vasylenko, S., & Hnatiuk, S. (2022). Video and Photo Recording of Administrative Offenses by Citizens. Copernicus Political and Legal Studies, 1(4) 18–26. https://doi.org/10.15804/CPLS.20224.02.
Vijeikis, R., Raudonis, V., & Dervinis, G. (2022). Efficient Violence Detection in Surveillance. Sensors, 22(6). https://doi.org/10.3390/s22062216.
Yepryntsev, P. S. (2021). Cooperation of the units of the National Police regarding the prevention of robberies committed by organized criminal groups. Legal Novels, 15, 182–190. https://doi.org/10.32847/ln.2021.15.23.
Zinoviev, Ye. V., & Arseniuk, I. R. (2020, May 26–29). Recognition of human emotions using a convolutional neural network [Conference presentation proceedings]. XII International Scientific and Practical Conference “Internet – Education – Science – 2020”, Vinnytsia, Ukraine.
Авторське право (c) 2024 Д. О. Жадан, М. В. Мордвинцев, Д. В. Пашнєв
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
