Miglioramento dei sistemi di videosorveglianza nelle banche utilizzando tecniche di deep learning

Nov 17, 2023

Rapporti scientifici volume 13, numero articolo: 7911 (2023) Citare questo articolo

500 accessi

1 Altmetrico

Dettagli sulle metriche

Nel mondo contemporaneo, la sicurezza e l’incolumità sono preoccupazioni significative per qualsiasi paese che voglia avere successo nel turismo, nell’attrazione di investitori e nell’economia. Manualmente, il monitoraggio da parte delle guardie di rapine o crimini 24 ore su 24, 7 giorni su 7 diventa un compito esaustivo e la risposta in tempo reale è essenziale e utile per prevenire rapine a mano armata presso banche, casinò, case e sportelli bancomat. Questo articolo presenta uno studio basato su sistemi di rilevamento di oggetti in tempo reale per il rilevamento automatico di armi nei sistemi di videosorveglianza. Proponiamo un quadro di rilevamento precoce delle armi utilizzando sistemi di rilevamento di oggetti in tempo reale all'avanguardia come YOLO e SSD (Single Shot Multi-Box Detector). Inoltre, abbiamo considerato di ridurre attentamente il numero di falsi allarmi per poter utilizzare il modello in applicazioni reali. Il modello è adatto per telecamere di sorveglianza interne in banche, supermercati, centri commerciali, stazioni di servizio e così via. Il modello può essere utilizzato come sistema precauzionale per prevenire le rapine inserendo il modello nelle telecamere di sorveglianza esterne.

La sorveglianza automatizzata è cresciuta negli ultimi anni grazie ai progressi tecnologici e allo sviluppo di tecniche di elaborazione video intelligenti. Tuttavia, l’uso diffuso delle armi da fuoco ha portato ad un aumento dei tassi di criminalità in tutto il mondo. Secondo lo Small Arms Survey 2017, circa un miliardo di armi da fuoco sono in circolazione a livello globale e 857 milioni sono in mani civili1. Un ambiente sicuro è uno dei nove pilastri della prosperità2. Pertanto, è fondamentale mantenere tutte le istituzioni al sicuro per una maggiore prosperità.

I progressi nella tecnologia delle fotocamere, dei sensori e della robotica hanno portato alla creazione di migliori strumenti di sicurezza e, di conseguenza, a un aumento del loro utilizzo per salvaguardare residenze private, edifici commerciali e aree pubbliche. L’uso di sensori con telecamere ad altissima risoluzione in molti progetti di intelligenza artificiale consente di attivarli vedendo un oggetto specifico anziché solo il movimento. Ad esempio, i sistemi di sicurezza possono identificare i volti delle persone che vivono o lavorano in una casa o in un ufficio. Se una telecamera di sicurezza rileva il volto di un intruso, potrebbe attivare un sistema di allarme.

Oltre all'acquisizione delle immagini, i sistemi di videosorveglianza specifici hanno molte altre funzionalità. Ad esempio, alcuni sistemi possono leggere e analizzare i dati, comprese le targhe, e confrontarli con un database. Possono anche mappare i movimenti di persone e automobili e informare la polizia o una pattuglia di sicurezza. Inoltre, un numero crescente di robot è ora dotato di un software AI incorporato configurato per scansionare o “pattugliare” i percorsi, controllare l’ambiente circostante, rilevare rischi di ingresso non autorizzato da parte di persone o veicoli e inviare avvisi.

Il deep learning svolge un ruolo cruciale nel potenziamento dei sistemi di controllo della sicurezza3. Il deep learning utilizza strati di elementi di elaborazione non lineare per l'estrazione e la conversione delle funzionalità4. Ad esempio, un pixel in un'immagine può essere pensato come un vettore di valori di densità; i pixel formano una caratteristica, dove una caratteristica è un insieme di forme personalizzate come angoli, bordi e rotondità5. Il design semplice del modello di deep learning è la rete neurale convoluzionale (CNN), che include filtri di convoluzione, pooling, funzione di attivazione, dropout, completamente connesso e livelli di classificazione6. Inoltre, esistono vari metodi per il rilevamento degli oggetti utilizzando il deep learning, tra cui Faster R-CNN, You Only Look Once (YOLO) e Single Shot Detection (SSD).

Al giorno d'oggi, la maggior parte dei rapinatori utilizza armi da fuoco per commettere crimini7. Diversi studi hanno dimostrato che le armi da fuoco sono gli strumenti criminali più popolari utilizzati per crimini8, come rapine, caccia illegale e terrorismo. La soluzione proposta per fermare tali attività illegali è installare sistemi di videosorveglianza incorporati con tecniche di intelligenza artificiale9,10. Pertanto, le guardie giurate possono intervenire tempestivamente nelle fasi iniziali7.