黑暗后的安全:一个符合隐私和实时边缘计算的智能视频分析,用于更安全的公共交通

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 运输安全 运输安全

背景情况:

• 公共交通面临越来越多的安全威胁,特别是暴力.
• 实时检测暴力行为对于乘客安全和系统运行至关重要.

研究的目的:

• 开发和评估一种先进的AI解决方案,用于识别公共交通中的不安全行为.
• 提高城市交通系统的安全性和乘客体验.

主要方法:

• 使用深度学习行动识别模型,特别是时间金字塔网络 (TPN).
• 集成的NVIDIA DeepStream SDK,AWS DirectConnect,边缘计算,ONNXRuntime和MQTT用于加速的管道.
• 在一个精选的数据集上训练TPN模型,结合开源和模拟实时试验视频.

主要成果:

• 在将实时模拟数据纳入培训后,实现了97%的验证准确性.
• 在Wollongong火车站进行了为期8周的试验期间,在现实世界中表现出令人印象深刻的表现.
• 记录了23%的错误阳性率,并正确识别了30个正确的暴力事件,其中有6个错误负面,特别是在恶劣的天气中.

结论:

• 人工智能系统显示了通过准确的暴力检测来提高公共交通安全的巨大潜力.
• 持续的再培训能力确保适应各种现实世界的条件.
• 需要进一步的数据,特别是不利的天气,以提高模型的稳定性.