SEGURANÇA RESIDENCIAL INTELIGENTE: DETECÇÃO DE COMPORTAMENTO SUSPEITO POR MEIO DE ANÁLISE DE VÍDEO
Palavras-chave:
Monitoramento inteligente, YOLOv8-Pose, MLP, LSTM, detecção de comportamento, segurança residencialResumo
Este trabalho apresenta o desenvolvimento de uma solução computacional para monitoramento inteligente de residências, projetado para detectar pessoas, analisar seus comportamentos e emitir alertas para atividades anormais. Foi utilizada a tecnologia YOLOv8-Pose para detecção de pontos chave das pessoas e uma rede neural MLP (Multilayer Perceptron) modificada com características de LSTM (Long Short-Term Memory) para classificação de comportamentos. O conjunto de dados de treinamento foi montado por meio da gravação de vídeos usando um smartphone estrategicamente posicionado para capturar a região frontal de uma residência, resultando em 154 recortes de vídeos na qual o ator, com comportamentos normais, caminha ao longo da cena, e 154 vídeos em que há comportamentos anormais, na qual o ator realiza uma série de ações que poderiam resultar na invasão da residência, como tentar escalar a grade ou arrombar o portão da garagem. Para realizar os experimentos, vídeos com múltiplos atores e diferentes comportamentos foram analisados para avaliar a eficácia da metodologia desenvolvida. Os resultados indicaram uma alta taxa de acerto na detecção de comportamentos normais, embora desafios permaneçam em cenários com oclusão parcial. A precisão do modelo na classificação de comportamentos foi de 91,6%, refletindo a eficácia em identificar corretamente as atividades normais e anormais.
Downloads
Referências
ANALA, M. R.; MAKKER, M.; ASHOK, A. Anomaly Detection in Surveillance Videos. In: INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING, DATA AND ANALYTICS WORKSHOP (HIPCW), 26., 2019, Hyderabad, India. Anais [...]. Hyderabad, India 2019. DOI: https://doi.org/10.1109/HiPCW.2019.00031
HEIDARI, N.; IOSIFIDIS, A. Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-based Human Action Recognition. In: IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), 2021. Toronto, CA. Processing [...]. Toronto, CA: IEEE, 2021. DOI: https://doi.org/10.1109/ICASSP39728.2021.9413860
JI, H.; ZENG, X.; LI, H.; DING, W. Human Abnormal Behavior Detection Method based on T-TINY-YOLO. In: INTERNATIONAL CONFERENCE ON MULTIMEDIA AND IMAGE PROCESSING (ICMIP). 5., 2020. New York. Proceedings [...]. New York: ACM, 2020. DOI: https://doi.org/10.1145/3381271.3381273.
KO, K-E.; SIM, K-B. Deep convolutional framework for abnormal behavior detection in a smart surveillance system. Engineering Applications of Artificial Intelligence, v. 67 p. 226-234, 2018. DOI: https://doi.org/10.1016/j.engappai.2017.10.001
NASARUDDIN, N.; MUCHTAR, K.; AFDHAL, A.; DWIYANTORO, A. P. J. Deep Anomaly Detection through Visual Attention in Surveillance Videos. Journal of Big Data, Switzerland, v. 7, n. 87, 2020. DOI: https://doi.org/10.1186/s40537-020-00365-y
SHINDE, S.; ASHWIN, K.; VIKRAM, G. YOLO based Human Action Recognition and Localization. Procedia Computer Science, Elsevier, v. 133, p. 831-838, 2018. DOI: https://doi.org/10.1016/j.procs.2018.07.112.
SULTANI, W.; CHEN, C.; SHAH, M. Real-world Anomaly Detection in Surveillance Videos. In: IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 2018. Salt Lake City, UT. Anais [...].Salt Lake City, UT: IEEE, 2018, p. 6479-6488. DOI: https://doi.org/10.1109/CVPR.2018.00678.
WU, C.; CHENG, Z. A novel detection framework for detecting abnormal human behavior. Mathematical Problems in Engineering, v. 2020, p. 1-9, 2020. DOI: https://doi.org/10.1155/2020/6625695.
ZHANG, X.; YANG, S.; ZHANG, J.; ZHANG, W. Video anomaly detection and localization using motion-field shape description and homogeneity testing. Pattern Recognition, Elsevier, v. 105, p. 1-13, 2020. DOI: https://doi.org/10.1016/j.patcog.2020.107394.