VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA - İnformasiya Texnologiyaları Problemləri

VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA - İnformasiya Texnologiyaları Problemləri

VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA - İnformasiya Texnologiyaları Problemləri

VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA - İnformasiya Texnologiyaları Problemləri

VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA - İnformasiya Texnologiyaları Problemləri
VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№2, 2021

VİDEOTƏSVİRLƏRİN ANALİZİ ƏSASINDA SOSİAL MÜNASİBƏTLƏRİN AŞKARLANMASI ÜÇÜN YANAŞMA

Əliquliyev Rasim M., Alıquliyev Ramiz M., Ələkbərova İradə Y.

E-dövlətin səmərəli idarə olunması, ölkədə sosial-iqtisadi inkişafın və sabitliyin təmini üçün cəmiyyətdə sosial münasibətlərin aşkarlanması və analizi vacib məsələlərdəndir. Sosial münasibətlərin analizi cəmiyyətdə baş verən prosesləri və mövcud sosial problemləri daha aydın şəkildə görməyə imkan yaradır. Videotəsvirlərin intellektual analizi nəticəsində insanları və obyektləri tanımaq, hadisələri və sosial münasibətləri müəyyən etmək üçün bəzi mövcud metod və yanaşmaların araşdırılması tədqiqat obyektinin əsasını təşkil edir. İctimai yerlərdə vətəndaşların davranışlarını müşahidə etməklə sosial münasibətləri aşkarlamaq və baş verə biləcək anomal hadisələri proqnozlaşdırmaq çox mürəkkəb prosesdir. Məqalədə videomüşahidə sistemləri vasitəsilə əldə olunan təsvirlərdən istifadə etməklə obyektlərin və hadisələrin analizində bəzi mövcud yanaşmalar araşdırılmış, videotəsvirlərin intellektual analizi əsasında sosial münasibətlərin aşkarlanması üçün yeni yanaşma təklif olunmuş, intellektual videomüşahidə sistemlərinin ümumi arxitektur sxemi işlənmişdir. Videomüşahidə kameraları ilə əldə olunan videotəsvirlərin analizi üçün mərhələli həll yolu təklif olunmuşdur. Tədqiqatda əldə edilən nəticələr e-dövlətin daha səmərəli idarə olunması, sosial-iqtisadi proseslərin proqnozlaşdırılması, vətəndaşların təhlükəsizliyinin təmini və bir çox sahələrdə istifadə oluna bilər (səh.3-15).

Açar sözlər: videomüşahidə sistemləri, videotəsvirlər, big data, sosial münasibətlər, videoanalitika, dərin təlim.
DOI : 10.25045/jpit.v12.i2.01
Ədəbiyyat
  • Tay L., Jebb A.T., Woo S.E. Video capture of human behaviors: toward a Big Data approach // Current Opinion in Behavioral Sciences, 2017, vol.18, pp.17–22.
  • Lara O.D., Labrador M.A., A survey on human activity recognition using wearable sensors // IEEE Communications Surveys & Tutorials, 2013, vol.15, no.3, pp.1192–1209.
  • Anwar F., Petrounias I., Morris T., Kodogiannis V. Mining anomalous events against frequent sequences in surveillance videos from commercial environments // Expert Systems with Applications, 2012, vol.39, no.4, pp.4511–4531.
  • Wenqing W. Intelligent Video Surveillance Technology in Intelligent Transportation // Advances in Intelligent Transportation, 2020, https://www.hindawi.com/journals/jat/ 2020/8891449/
  • Babaguchi N., Cavallaro A., Chellappa R., Dufaux F., Wang L. Special issue on intelligent video surveillance for public security and personal privacy // IEEE Transactions on Information Forensics & Security, 2017, vol.16, no.1, pp.8–15.
  • Wang T., Qiao M., Chen Y., Chen J., Snoussi H. Video feature descriptor combining motion and appearance cues with length-invariant characteristics // Optik, 2018, vol.157, pp.1143–1154.
  • Bouchard B., Giroux S., Bouzouane A. A smart home agent for plan recognition of cognitively-impaired patients // Journal of Computers, 2006, vol.1, no.5, pp.53–62.
  • Chen L., Nugent C., Mulvenna M., Finlay D., Hong X., Poland M. A logical framework for behaviour reasoning and assistance in a smart home // International Journal of Assistive Robotics and Mechatronics, 2008, vol.9, no.4, pp.20–34.
  • Francois A.R.J., Nevatia R., Hobbs J., Bolles R.C., Smith J.R. VERL: an ontology framework for representing and annotating video events // IEEE Multimedia, 2005, vol.12, pp.76–86.
  • Haibin Yu., Wenyan J., Zhen Li, Feixiang G., Ding Y., Hong Z., Mingui S. A multisource fusion framework driven by user-defined knowledge for egocentric activity recognition // EURASIP Journal on Advances in Signal Processing, 2019, vol.1, no.14, pp.1–23.
  • Chaudhary S., Khan M.A., Bhatnagar C. Multiple anomalous activity detection in videos // Procedia Computer Science, 2018, no.125, pp.336–345.
  • Ko K.E., Sim K.B. Deep convolutional framework for abnormal behavior detection in a smart surveillance system // Engineering Applications of Artificial Intelligence, 2018, vol.67, pp.226–234.
  • Anomaly Detection with Autoencoders Made Easy, 2009, https://towardsdatascience.com/anomaly-detection-with-autoencoder-b4cdce4866a6
  • Pennisi A., Bloisi D.D., Iocchi L. Online real-time crowd behavior detection in video sequences // Computer Vision and Image Understanding, 2016, 144, pp.166–176.
  • Sreenu G., Saleem M., Durai A. Intelligent video surveillance: a review through deep learning techniques for crowd analysis // Journal of Big Data, 2019, vol.6, no.48, pp.1–27.
  • Wang X., Loy C.C. Chapter 10 - Deep learning for scene-independent crowd analysis // Group and Crowd Behavior for Computer Vision, 2017, pp.209–252.
  • Christian S., Toshev A., Erhan D. Deep Neural Networks for Object Detection // In Advances in Neural Information Processing Systems, 2013, pp.2553–2561.
  • Pathak A.R, Pandey M, Rautaray S. Application of deep learning for object detection // Procedia Computer Science, 2018, vol.132, pp.1706–1716.
  • Couper M. Is the sky falling? New technology, changing media, and the future of surveys // Survey Research Methods, 2013, vol.7, no.3, pp.145–156.
  • Suthaharan S. Big Data Classification: Problems and Challenges in Network Intrusion Prediction with Machine Learning // Performance Evaluation Review, 2014, vol.41, no.4, pp.70–73.
  • Aliguliyev R.M., Alakbarova I.Y. Fardi malumatlarin e-idaraetma sisteminin sosial kredit sisteminda tatbiginin perspektivlari hagginda // Informasiya jamiyyati problemlari, 2021, №1, s.67–76.
  • Rodriguez M., Sivic J., Laptev I. Chapter 5 - The analysis of high density crowds in videos // Group and crowd behavior for computer vision, 2017, pp.89–113.
  • Friedman M., Last M., Makover Y., Kandel A. Anomaly detection in web documents using crisp and fuzzy-based cosine clustering methodology // Information Sciences, 2007, vol.177, no.5, pp.467–475.
  • Alguliyev R.M., Aliguliyev R.M., Alakbarova I.Y. Extraction of hidden social networks from wiki-environment involved in information conflict // International Journal of Intelligent Systems and Applications, 2016, vol.8, no.2, pp. 20–27.
  • Fioramanti M. Predicting Sovereign Debt Crises Using Artificial Neural Networks: A Comparative Approach // Financial Stability, 2008, vol.4, no.2, pp.149-164.
  • Alp Ö.S., Büyükbebeci E., İşcanog A., Özkurt F.Y., Taylan P., Weber G.W. CMARS and GAM & CQP—modern optimization methods applied to international credit default prediction // Computational and Applied Mathematics, 2011, vol.235, no.16, pp.4639–4651.
  • Schebesch K.B., Stecking R. Support vector machines for classifying and describing credit applicants: detecting typical and critical regions // Operations Research Society, 2005, vol.56, no.9, pp.1082–1088.
  • Voronovskij G.K., Mahotilo K.V., Petrashev S.N., Sergeev S.A. Geneticheskie algoritmy, iskusstvennye nejronnye seti i problemy virtual'noj real'nosti, Har'kov, OSNOVA, 1997, 112s.
  • Chen M.C., Huang S.H. Credit scoring and rejected instances reassigning through evolutionary computation techniques // Expert Systems with Applications, 2003, vol.24, no.4, pp.433–441.
  • Chuang C.L., Lin R.H. Constructing a reassigning credit scoring model // Expert Systems with Applications, 2009, vol.36, no.2, pp.1685–1694.