Durchsuchen von Überwachungsvideoinhalten mithilfe von konvolutionalen neuronalen Netzwerken

Die manuelle Videoinspektion, -suche und -analyse ist ermüdend und ineffizient. In diesem Papier wird ein intelligentes System vorgestellt, um Überwachungsvideoinhalte mithilfe von Deep Learning zu durchsuchen. Das vorgeschlagene System reduzierte den Arbeitsaufwand, der für die Videosuche erforderlich ist, und verbesserte die Geschwindigkeit und Genauigkeit. Ein vortrainiertes VGG-16 CNN-Modell wird für das Dataset-Training verwendet. Darüber hinaus wurden Schlüsselbilder der Videos extrahiert, um Speicherplatz zu sparen, den Arbeitsaufwand zu reduzieren und die Ausführungszeit zu verkürzen. Die extrahierten Schlüsselbilder wurden mit dem Sobel-Operator-Kanten-Detektor und dem Max-Pooling verarbeitet, um Redundanzen zu beseitigen. Dies erhöht die Verdichtung und vermeidet Ähnlichkeiten zwischen den extrahierten Bildern. Eine Textdatei, die den Index der Schlüsselbilder, die Zeit des Auftretens und die Klassifikation des VGG-16-Modells enthält, wird erstellt. Die Textdatei ermöglicht es Menschen, Objekte von Interesse leicht zu durchsuchen. Die VIRAT- und IVY LAB-Datensätze wurden in den Experimenten verwendet. Darüber hinaus wurden 128 verschiedene Klassen in den Datensätzen identifiziert. Die Klassen repräsentieren wichtige Objekte für Überwachungssysteme. Benutzer können jedoch auch andere Klassen identifizieren und die vorgeschlagene Methodik nutzen. Experimente und Bewertungen zeigten, dass das vorgeschlagene System vorhandene Methoden um ein Vielfaches übertroffen hat. Das System erzielte die besten Ergebnisse in Bezug auf die Geschwindigkeit und bot gleichzeitig eine hohe Genauigkeit in der Klassifikation.