Детальная информация

Целью данной работы является разработка системы видео-обнаружения нештатных ситуаций в общественных заведениях с применением методов машинного обучения. С увеличением числа камер наблюдения как внутри помещений, так и снаружи увеличивается актуальность разработки интеллектуальной системы, которая обнаруживает аномальные события по видео. В общих чертах, усовершенствованное видеонаблюдение может быть описано как интеллектуальная технология обработки видео, предназначенная для оказания помощи сотрудникам службы безопасности путем предоставления надежных предупреждений в реальном времени и поддержки эффективного анализа видео. В работе используются методы машинного обучения. Машинное обучение представляет собой ветвь искусственного интеллекта со своими алгоритмами, которые способны обрабатывать большие объемы данных в режиме реального времени. В работе были изучены интеллектуальные системы видеонаблюдения с упором на нахождение аномалий в видеонаблюдении, причем метод оптического потока использовался для извлечения признаков из видеокадров, а затем эти признаки обрабатывались методами машинного обучения (обучение с учителем, частичное обучение и обучение без учителя). В конце были выполнены сравнение и анализ результатов и выбраны наиболее подходящие методы. Результаты работы могут быть использованы в системах безопасности и видеонаблюдения для повышения эффективности их работы.

The aim of this work is to develop a video system for detecting abnormal situations in public institutions using machine learning methods. With the increasing number of surveillance cameras both indoors and outdoors, the relevance of developing an intelligent system that detects abnormal events through video is increasing. In general terms, advanced video surveillance can be described as an intelligent video processing technology designed to assist security personnel by providing reliable real-time alerts and supporting effective video analysis. The work uses machine learning methods. Machine learning is a branch of artificial intelligence with its own algorithms that are capable of processing large amounts of data in real time. In the work, intelligent video surveillance systems were studied with emphasis on finding anomalies in video surveillance, and the optical flow method was used to extract features from video frames, and then these features were processed using machine learning methods (instruction with a teacher, partial instruction and instruction without a teacher). At the end, a comparison and analysis of the results was performed and the most suitable methods were selected. The results can be used in security systems and video surveillance to increase their efficiency.