طراحی و پیاده سازی سامانه پایش هوشمند مبتنی بر پردازش تصویر برای تشخیص ناهنجاری های حرکتی در محیط های تحت نظارت و تولید هشدار بلادرنگ

با گسترش استفاده از سامانه های نظارت تصویری در محیط های شهری، صنعتی، درمانی و امنیتی نیاز به تحلیل هوشمند داده های ویدئویی و تشخیص خودکار رفتارهای غیرعادی بیش از گذشته احساس می شود. پایش مداوم تصاویر توسط نیروی انسانی علاوه بر هزینه بالا، به دلیل خستگی اپراتور و حجم زیاد داده های تصویری با کاهش دقت همراه است. از این رو بهره گیری از الگوریتم های هوش مصنوعی و بینایی ماشین به عنوان راهکاری کارآمد برای تحلیل خودکار رفتار افراد مورد توجه پژوهشگران قرار گرفته است. در این مقاله سامانه های هوشمند مبتنی بر پردازش تصویر و یادگیری عمیق برای تشخیص ناهنجاری های حرکتی و تولید هشدار بلادرنگ ارائه می شود. در معماری پیشنهادی ابتدا افراد موجود در تصاویر توسط شبکه YOLOv۵ شناسایی شده و سپس نقاط کلیدی بدن با استفاده از مدل OpenPose استخراج می شوند. در ادامه ویژگی های زمانی حرکات توسط شبکه حافظه بلندمدت کوتاه مدت (LSTM) تحلیل شده و الگوهای غیرعادی نظیر سقوط، درگیری فیزیکی، بی حرکتی غیرطبیعی، ورود غیرمجاز و رفتارهای مشکوک تشخیص داده می شوند. در صورت وقوع ناهنجاری سامانه به صورت خودکار هشدار لازم را برای اپراتور یا سامانه های امنیتی ارسال می کند. به منظور ارزیابی عملکرد مدل پیشنهادی بر روی مجموعه داده های عمومی شامل ShanghaiTech, UCF-Crime و Avenue مورد بررسی قرار گرفته است. نتایج نشان می دهد که استفاده همزمان از تشخیص شیء، استخراج اسکلت بدن و تحلیل زمانی حرکات موجب افزایش دقت تشخیص، کاهش نرخ هشدار کاذب و بهبود سرعت پاسخ گویی سامانه در محیط های واقعی شده است. همچنین معماری ارائه شده قابلیت توسعه برای سامانه های شهر هوشمند، بیمارستان ها، مراکز صنعتی و سامانه های امنیتی را دارا است.

کلیدواژه ها:

پردازش تصویر ، تشخیص ناهنجاری ، یادگیری عمیق ، بینایی ماشین ، YOLOv۵ ، OpenPose