الكشف الجنائي عن الأنشطة المشبوهة في أنظمة التلفزيون المغلق (CCTV) القائم على التعلم العميق
محتوى المقال
الملخص
لقد تأثرت التطورات في مجال المراقبة الذكية والتحقيقات الجنائية الرقمية بشكل ملحوظ بكل من الذكاء الاصطناعي (AI)، والتعلم الآلي (ML)، والحوسبة السحابية؛ مما أتاح إجراء تحليل جنائي في الوقت الفعلي لتسجيلات كاميرات المراقبة (CCTV) لاكتشاف الأنشطة المشبوهة وتقليل الاعتماد على المراقبة اليدوية. وعلى الرغم من أن هذه التقنيات تعزز السلامة العامة وكفاءة العمل الشرطي، إلا أنها تثير أيضاً مخاوف هامة تتعلق بالخصوصية والأخلاقيات والتنظيم.
تقترح هذه الدراسة إطاراً جنائياً قائماً على التعلم العميق للكشف الفوري عن الأنشطة البشرية المشبوهة في مقاطع فيديو كاميرات المراقبة، وقد تم تدريبه دون الاعتماد على أي مستشعرات خارجية. يستخدم النموذج شبكة (EfficientNet-B5) لاستخراج الميزات المكانية، إلى جانب محول بصري (Vision Transformer - ViT) تم تكييفه لنمذجة التبعيات المكانية والزمنية بين إطارات الفيديو المتتالية. وبشكل تحديد، يقوم الـ (ViT) بمعالجة تسلسلات الإطارات في هيئة ترميزات رموز (Token Embeddings)، مما يتيح تعلم السياق الزمني من خلال الانتباه الذاتي. وتعمل شبكة (EfficientNet-B5)، وهي شبكة عصبية تلافيفية (CNN)، بشكل أساسي كمستخرج للميزات عالية المستوى، حيث تلتقط الخصائص الهندسية والمكانية مثل اختلافات المقاييس، وننسب الأبعاد، والأنماط المرئية المرتبطة بالحركة من الإطارات الفردية.
تم استخدام مجموعة بيانات (Binary UCF-Crime) للتدريب والتحقق، مع تحقيق إعادة توازن الفئات من خلال زيادة البيانات وتعديل الخسارة الموزونة للتخفيف من مشكلة عدم توازن الفئات. وقد تم تقييم الأداء باستخدام مقاييس الدقة (Accuracy)، والضبط (Precision)، ودرجة F1 (F1-score)، ومساحة المنحنى (AUC)، حيث تم أخذ متوسط كل منها عبر التحقق المتقاطع الخماسي (5-fold cross-validation). وتم الحصول على الدقة المُبلغ عنها من خلال بروتوكول التحقق المتقاطع هذا ومقارنتها بالنماذج الأساسية (Baseline)، بما في ذلك نموذج (EfficientNet-B5) المستقل وأساليب التعلم الآلي التقليدية.
يحقق النموذج المحسّن بـ (ViT) دقة تبلغ 87.23%، متفوقاً على النموذج الأساسي (EfficientNet-B5) بفارق ملحوظ. وللتعامل مع المخاوف الأخلاقية، يدمج الإطار تقنية إخفاء الهويات الشخصية (Anonymization) والمعالجة المحلية القائمة على الحافة (Edge-based processing) لمنع تعرض البيانات الأولية للخطر.
الكلمات المفتاحية
علوم الأدلة الجنائية، الذكاء الاصطناعي، التلفزيون المغلق الدائرة (CCTV)، التعلم العميق، المراقبة، محول الرؤية
التنزيلات
المراجع
Murthy JS, Siddesh GM. AI-based criminal detection and recognition system for public safety and security using novel CriminalNet-228. In: Proceedings of the 4th International Conference on Frontiers in Computing and Systems (COMSYS 2023). 2024. p. 1–3.
Ali MM, Noorain S, Qaseem MS, ur Rahman A. Suspicious human behaviour detection focusing on campus sites. In: Emerging IT/ICT and AI technologies affecting society. 2022. p. 171–183.
Selvaraj A, Selvaraj J, Maruthaiappan S, Babu GC, Kumar PM. L1 norm-based pedestrian detection using video analytics technique. Comput Intell. 2020;36(4):1569–1579.
Joshi KA, Thakore DG. A survey on moving object detection and tracking in video surveillance system. Int J Soft Comput Eng. 2012;2(3):44–48.
Pustokhina IV, Pustokhin DA, Vaiyapuri T, Gupta D, Kumar S, Shankar K. An automated deep learning-based anomaly detection in pedestrian walkways for vulnerable road users’ safety. Saf Sci. 2021;142:105356. doi:10.1016/j.ssci.2021.105356.
Saluja D, Kukreja H, Saini A, Tegwal D, Nagrath P, Hemanth J. Analysis and comparison of various deep learning models to implement suspicious activity recognition in CCTV surveillance. Intell Decis Technol. 2023;17(4):917–942. doi:10.3233/IDT-220066.
Alkanhal L, Alotaibi D, Albrahim N, Alrayes S, Alshemali G, Bchir O. Super-resolution using deep learning to support person identification in surveillance video. Int J Adv Comput Sci Appl. 2020;11(7):1–10.
Singla S, Chadha R. Detecting criminal activities from CCTV by using object detection and machine learning algorithms. In: Proceedings of the 3rd International Conference on Intelligent Technologies (CONIT 2023). 2023. p. 1–6.
Sudha I, Ramesh PS, Narang S, Ponmalar A. Deep learning for image and video processing in surveillance systems: advancing security with AI-driven insights. In: Proceedings of the 3rd International Conference on Communication, Security, and Artificial Intelligence (ICCSAI 2025). 2025. p. 492–496.
Basthikodi M, Vidya B, Pinto EM, Basith M, Rao SA. AI-based automated framework for crime detection and crowd management. In: Proceedings of the Second International Conference on Advances in Information Technology (ICAIT 2024). 2024. p. 1–6.
Kumar R, Rajpurohit DS, Hanief M, Sharma S, Choudhury T, Sar A. Detection of criminal activities through CCTV by live footage analysis. In: Proceedings of the OPJU International Technology Conference on Smart Computing for Innovation and Advancement in Industry 4.0 (OTCON 2024). 2024. p. 1–6.
Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. ImageNet: a large-scale hierarchical image database. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2009. p. 248–255.
تفاصيل المقال
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial 4.0 International License.