在监控视频中用于盗窃识别的细粒度时空线索
Mohd Aquib Ansari1, Arvind Mewada2, Ambrish Kumar2
1SCSE, Galgotias University, Greater Noida, Uttar Pradesh, India.
Scientific reports
|November 25, 2025
概括
这项研究引入了用于实时盗窃检测的深度神经网络框架,达到91.86%的准确性. 这种无人干预的系统使用了一种新的双流架构来分析外观和运动,以加强监控.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 安全系统安全系统
背景情况:
- 公共空间监控对于检测盗窃等犯罪活动至关重要.
- 现有的系统往往需要人类干预,限制实时有效性.
- 精确和自动识别微妙的盗窃行为仍然是一个挑战.
研究的目的:
- 开发一种无人干预的混合深度学习框架,用于实时识别盗窃活动.
- 提高监控系统在检测可疑活动方面的准确性和效率.
- 为改进盗窃检测引入一种新的双流融合架构.
主要方法:
- 一个利用深度神经网络 (DNN) 进行实时识别的混合框架.
- 一个双流融合网络,结合了外观和运动特征.
- 修改了InceptionV3用于身体姿势特征提取和长短期记忆 (LSTM) 网络的时间建模.
主要成果:
- 拟议的框架在新开发的实验室提升数据集上实现了91.86%的识别精度.
- 双流架构有效地捕获了细粒度的时间和空间线索,用于盗窃检测.
- 性能超过了现有的方法在识别盗窃活动.
结论:
- 开发的框架为公共空间的自动实时盗窃检测提供了强大而准确的解决方案.
- 这种新型的双流融合网络显示了对推进监控技术的巨大潜力.
- 新的数据集有助于进一步研究微妙的盗窃行为识别.
更多相关视频
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
7.2K
08:32Tracking Rats in Operant Conditioning Chambers Using a Versatile Homemade Video Camera and DeepLabCut
Published on: June 15, 2020
13.3K
