基于深度学习的分布式智能视频监控系统用于早期武器抢劫检测
计算机视觉与模式识别
2024-10-15 v1
摘要
拉丁美洲的就业率低导致犯罪率显著上升，推动了新型犯罪战术的出现。例如，“快速抢劫”成为一种常见犯罪，武装盗贼乘坐摩托车，在公众面前数秒内进行袭击。近期研究通过在监控摄像机中嵌入武器检测器来解决此问题，但这些系统若没有来自另一端的确认，容易产生误报。鉴于此，我们提出了一个集成计算机视觉管线和目标检测功能于多个终端设备的分布式物联网系统，持续监控火枪和锋利武器的存在。一旦检测到武器，终端设备会将一系列帧发送到云端服务器，该服务器实现3D CNN以将场景分类为抢劫或正常情况，从而最大限地减少误报。用于训练和部署武器检测模型的深度学习过程使用自定义数据集进行，包含16,799张火枪和锋利武器图像。最佳-performing模型YOLOv5s经过TensorRT优化后，最终mAP达到0.87，运行速度为4.43 FPS。此外，3D CNN在检测异常情况方面达到了0.88的准确率。广泛的实验验证了所提出系统显著减少误报的能力，能够在实时监控多个位置方面实现自主化。
引用
@article{arxiv.2410.09731,
title = {Distributed Intelligent Video Surveillance for Early Armed Robbery Detection based on Deep Learning},
author = {Sergio Fernandez-Testa and Edwin Salcedo},
journal= {arXiv preprint arXiv:2410.09731},
year = {2024}
}
备注
Accepted for publication in the proceedings of the 37th Conference on Graphics, Patterns and Images (SIBGRAPI 2024)