ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ - Проблемы Информационных Технологий

ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ - Проблемы Информационных Технологий

ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ - Проблемы Информационных Технологий

ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ - Проблемы Информационных Технологий

ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ - Проблемы Информационных Технологий
ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2021

ПОДХОД ДЛЯ ВЫЯВЛЕНИЯ СОЦИАЛЬНЫХ ОТНОШЕНИЙ НА ОСНОВЕ АНАЛИЗА ВИДЕОИЗОБРАЖЕНИЙ

Алигулиев Расим М., Алыгулиев Рамиз М., Алекперова Ирада Я.

Выявление и анализ социальных отношений в обществе являются важными вопросами для эффективного управления электронным правительством, обеспечения социально-экономического развития и стабильности в стране. Анализ социальных отношений позволяет более четко увидеть процессы, происходящие в обществе, и существующие социальные проблемы. Изучение некоторых существующих методов и подходов для идентификации людей и объектов, выявления событий и социальных отношений в результате интеллектуального анализа видеоизображений является основой объекта исследования. Определение социальных отношений и прогнозирование аномальных событий путем наблюдения за поведением граждан в общественных местах − очень сложный процесс. В статье исследуются некоторые существующие подходы для анализа объектов и событий с использованием видеоизображений, полученных с помощью систем видеонаблюдения, предлагается новый подход для выявления социальных отношений на основе интеллектуального анализа видеоизображений, а также разработана общая архитектурная схема интеллектуальной системы видеонаблюдения. Предложено пошаговое решение для анализа видеоизображений, полученных с помощью камер видеонаблюдения. Результаты исследования могут быть использованы для более эффективного управления электронным правительством, прогнозирования социально-экономических процессов, обеспечения безопасности граждан и во многих других сферах (стр.3-15).

Ключевые слова: системы видеонаблюдения, видеоизображения, большие данные, социальные отношения, видеоаналитика, глубинное обучение.
DOI : 10.25045/jpit.v12.i2.01
Литература
  • 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.