小规模城市物体异常检测使用卷积神经网络与概率估计
Iván García-Aguilar1,2, Rafael Marcos Luque-Baena1,2, Enrique Domínguez1,2
1Department of Computer Languages and Computer Science, University of Málaga, Bulevar Louis Pasteur 35, 29071 Málaga, Spain.
Sensors (Basel, Switzerland)
|August 26, 2023
概括
这项研究引入了一种新方法,用于使用先进的人工智能模型检测城市监控录像中的不寻常事件. 该方法通过实时识别像意想不到的行人路径这样的异常来提高公共安全.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 城市安全 城市安全
背景情况:
- 由于越来越多的摄像头,对城市监控数据的自动化分析至关重要.
- 实时识别异常事件对于有效的安全和公共安全至关重要.
研究的目的:
- 开发和验证用于在城市监控序列中检测异常事件的方法.
- 为了利用预先训练的卷积神经网络 (CNN) 和超分辨率 (SR) 进行异常检测.
主要方法:
- 一个离线阶段使用预训练CNN来识别常见元素位置并创建密度矩阵.
- 一个在线舞台,CNN使用密度矩阵来评估实时异常概率.
- 使用超分辨率模型来提高图像质量进行分析.
主要成果:
- 该方法有效地检测出各种异常,包括不寻常的行人路线.
- 实验结果证实了该方法在现实世界城市监控场景中的有效性.
- 密度矩阵准确地捕捉了常见元素的空间模式.
结论:
- 拟议的方法为在城市环境中检测异常提供了实用和可靠的解决方案.
- 这有助于改善公共安全和积极的城市管理.
- 及时检测异常使反应更快,并提高整体城市安全.
