Deep Learning-Based Forensic Detection of Suspicious Activities in CCTV Systems

Qazi Emad Ul Haq; Muhammad  Imran; Muhammad  Waqas; Muhammad Hamza Faheem

doi:10.26735/GGIY2111

pdf (English)

منشور 10-09-2026

DOI https://doi.org/10.26735/GGIY2111

كيفية الاقتباس

1.

Ul Haq QE, Imran M, Waqas M, Faheem MH. الكشف الجنائي عن الأنشطة المشبوهة في أنظمة التلفزيون المغلق (CCTV) القائم على التعلم العميق. AJFSFM [انترنت]. 10 سبتمبر، 2026 [وثق 24 سبتمبر، 2026];8(Special Issue):151-60. موجود في: https://journals.nauss.edu.sa/index.php/AJFSFM/article/view/3762

تنزيل الاقتباسات

Qazi Emad Ul Haq

Department of Cybersecurity and Digital Forensics, College of Forensics and Investigative Sciences, Naif Arab University for Security Sciences, Riyadh, Saudi Arabia

Muhammad Imran

Center for Smart Analytics, Institute of Innovation, Science and Sustainability, Federation University Australia, Australia

Muhammad Waqas

Threat Defense, Sydney, Australia

Muhammad Hamza Faheem

Centre for Artificial Intelligence and Future Policing, Naif Arab University for Security Sciences, Riyadh, Saudi Arabia

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.