在购物中心监控视频中检测异常的新方法用于基于RLCNN模型的盗窃预防

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 来自监控系统的大量日常视频数据给分析带来了挑战.
• 对于人类观察者来说,在连续的视频流中检测罕见,意想不到的事故是很困难的.
• 深度学习为自动,可靠的异常检测提供了一个有希望的方法.

研究的目的:

• 为监控网络开发一个高效的异常检测系统.
• 在复杂的视频场景中准确识别不寻常的活动.
• 通过自动化监控分析来增强公共安全.

主要方法:

• 从视频中提取时空特征.
• 使用多层扩展短期记忆模型进行活动识别.
• 在UCF50,UCF101,UCFYouTube和UCFCustomized等基准数据集上测试拟议的框架.

主要成果:

• 拟议的系统,RLCNN,在异常检测方面表现出高精度.
• 在UCFC定制和UCFYouTube数据集上分别实现了96%和97%的准确性.
• 在经过测试的基准数据集上超越了最先进的技术.

结论:

• 开发的系统在复杂的监控环境中有效检测异常.
• 深度学习模型可以显著提高监控分析的效率和可靠性.
• RLCNN模型显示了在现实世界的应用中增强公共安全的潜力.