همواره گفتهاند که «علاج واقعه قبل از وقوع باید کرد» دوربینهای مداربسته به شما کمک میکنند که همه چیز را زیر نظر داشته باشید؛ اما آیا این امکان را در اختیار شما میگذارند تا از وقوع حوادث مختلف هم جلوگیری کنید؟ خوشبختانه این امکان در عصر هوش مصنوعی فراهم شده است؛ حالا میتوان با قابلیت تحلیل رفتار در نظارت تصویری؛ رفتارهای غیرعادی و مشکوک را شناسایی کرد و در اسرع وقت بهترین واکنش را نشان داد تا از وقوع حوادث مختلف جلوگیری کرد. در این یادداشت همراه ما باشید تا قابلیت تشخیص رفتار در دوربینهای مداربسته و کاربردهای آن آشنا شویم.
معماری یک سامانه تحلیل رفتار مبتنی بر هوش مصنوعی
سیستمهای نظارت تصویری دوربینهای مداربسته حالا متحول شدهاند و هوش مصنوعی در آنها ادغام شده است. این سیستمها اکنون به کمک دوربینها و الگوریتمهای یادگیری ماشین، میتوانند وظیفه آنالیز رفتار انسان در نظارت تصویری را بر عهده بگیرند تا قبل از وقوع خطر، آن را تشخیص دهند.
معماری سیستم تحلیل رفتار افراد در سامانه نظارت تصویری به این صورت است که ابتدا تصویر را از دوربین میگیرد، سپس با تشخیص حرکت Motion Detection و مقایسه آن با الگوهای رفتاری طبیعی، رفتارهای غیرعادی یا خطرناک مثل دعوا، سقوط یا دستکاری دستگاههای ATM را شناسایی میکند. سپس وقتی رفتار مشکوکی دیده شد، سیستم بلافاصله هشدار میدهد تا واکنشهای لازم مانند اقدام سریع نیروهای امنیتی صورت بگیرد.
کاربردهای اصلی قابلیت تحلیل رفتار افراد در سامانه نظارت تصویری
تجزیه و تحلیل مبتنی بر هوش مصنوعی کمک میکند محیطهایی مثل فرودگاهها، مدارس، بانکها و مراکز خرید امنتر شوند و در نهایت نظارت معمولی به یک نظارت هوشمند و پیشبینیکننده تبدیل شود. در ادامه همراه ما باشید تا به کاربردهای بیشتر فناوری تحلیل رفتار افراد در نظارت تصویری بپردازیم.
تشخیص موقعیتهای خطرناک با کمک تحلیل رفتاری هوش مصنوعی
هوش مصنوعی میتواند به ابزاری برای پیشبینی رفتارهای خطرناک تبدیل شود و محیطهایی مانند فرودگاهها، مدارس، ادارهها، پارکها و سایر فضاهای عمومی را به محیطی امنتر تبدیل کند. روند کار به این صورت است که نرمافزارهای مدرن تحلیل رفتار به کمک یادگیری ماشین، الگوهای حرکتی انسان را بررسی میکنند و رفتارهای غیرعادی، خطرناک یا تهاجمی را تشخیص داده و در همان لحظه شناسایی میکنند. به وسیله این ابزارها قبل از اینکه حادثهای رخ دهد، به صورت پیشگیرانه افراد مسئول وارد عمل میشوند.
تشخیص درگیری به صورت لحظهای
یکی از مزایای هوش مصنوعی این است که میتواند با ردیابی انسان و تحلیل نشانههایی مانند حرکات سریع دست و پا، ژستهای تهاجمی و یا تماس بسیار نزدیک بین افراد، نشانههای اولیه نزاع را تشخیص دهد، سپس هشدار فوری ارسال کند تا نیروهای امنیتی بتوانند سریع وارد عمل شوند. این یکی از موهبتهای آنالیز رفتار انسان در نظارت تصویری است که میتواند از آسیبدیدگی، خسارت مالی یا شدت گرفتن درگیری جلوگیری کند. این قابلیت در مراکز قضایی، زندانها و ورزشگاهها میتواند کاربرد داشته باشد.
تحلیل اسکلت بدن
تحلیل رفتار افراد در نظارت تصویری میتواند کاربردهای متنوعتری داشته باشد. مثلا یکی از قابلیتهای هوش مصنوعی اسکن حرکات چشم و بدن است، الگوریتمها میتوانند موقعیت مفاصل و حالات بدن را تشخیص دهند. از این قابلیت میتوان در باشگاهها و اپهای ورزشی استفاده کرد تا ورزشکاران حرکات را به صورت دقیقتر انجام دهند. همچنین این قابلیت باعث میشود در مراکزی مانند خانه سالمندان و بیمارستانها حالات ناهشیاری و زمین خوردن افراد در لحظه شناسایی شود و نیروهای امدادی و پرستاران در اسرع وقت بهترین اقدام را انجام دهند.
تشخیص حمله یا خرابکاری ATM
نرمافزارهای تحلیل رفتار افراد در نظارت تصویری میتوانند برای موسسات مالی بانکی نیز کاربرد داشته باشند. به عنوان مثال، آنالیز رفتار انسان در نظارت تصویری میتواند رفتارهایی مثل نشستن یا خم شدن مشکوک کنار دستگاه ATM، احتمال دستکاری یا خرابکاری را شناسایی کند. این الگوریتمها الگوهایی را تشخیص میدهند که ممکن است نشاندهنده تلاش برای غیرفعال کردن سیستم هشدار، نصب اسکیمر یا حتی قرار دادن مواد انفجاری باشد. با تشخیص این رفتارها، نیروهای امنیتی سریعا مطلع میشوند و میتوانند قبل از سرقت یا تخریب، اقدامات لازم را انجام دهند.
چالشها و محدودیتهای تحلیل رفتار افراد در سامانه نظارت تصویری
با وجود پیشرفتهای چشمگیر در هوش مصنوعی و توانایی سیستمهای نظارت تصویری در شناسایی و تحلیل رفتار انسان، این فناوری همچنان با چالشها و محدودیتهای متعددی مواجه میشود. مرحله اول که همان جمعآوری و برچسبگذاری دادههای رفتاری است، یکی از دشوارترین بخشها محسوب میشود؛ زیرا که رفتار انسان بسیار پیچیده، متنوع و وابسته به موقعیتهای مختلف است و ثبت دقیق آن نیازمند زمان، هزینه و نیروی انسانی متخصص است. در این مرحله معمولا توسعهدهندگان با این مشکل مواجه میشوند که بسیاری از دادههای موجود یا ناقص هستند یا فقط بخش محدودی از رفتارهای واقعی افراد را پوشش میدهند و همین باعث کاهش دقت نرمافزارهای تشخیص رفتار در دوربینهای مداربسته میشود.
از سوی دیگر، مسئلهای که آنالیز رفتار انسان در نظارت تصویری را با چالش مواجه میکند این است که هرچند مدلها در شرایط کنترلشده عملکرد قابل قبولی دارند؛ اما در محیطهای واقعی، نور متغیر، کیفیت تصویر پایین، فاصله زیاد از دوربین و حتی پوشیده شدن صورتها میتواند توانایی آنها را در تشخیص دقیق احساسات، حالات بدنی و نشانههای درگیری و تنش به شدت با افت مواجه کند. همچنین نیت افراد نیز یک متغیر پنهان است و مدلهای فعلی تنها میتوانند از طریق نشانههای غیرمستقیم مانند ژستهای بدن یا جهت نگاه حدس بزنند و رفتار مشکوک را شناسایی کنند، بنابراین میتوان گفت که عملکرد آنها همیشه هم قابل اعتماد نیست.
پردازش بلادرنگ (Real-time) که در تجزیه و تحلیل مبتنی بر هوش مصنوعی اهمیت دارد؛ میتواند به یکی از محدودیتهای مهم سیستمهای تحلیل رفتار افراد در نظارت تصویری تبدیل شود. شناسایی رفتار در ویدیوهای باکیفیت و یا در صحنههایی که افراد زیادی حضور دارند؛ نیازمند توان پردازشی بالاست و برخی از مدلها هنگام تحلیل همزمان چند نفر، دچار کاهش سرعت میشوند.
در نهایت، چالشهای مربوط به مسائل اخلاقی و حریم خصوصی همواره در تجزیه و تحلیل مبتنی بر هوش مصنوعی مطرح میشود. تحلیل رفتار افراد ممکن است باعث نگرانیهایی مانند نظارت بیش از حد، سوگیری الگوریتمی و یا تفسیر اشتباه رفتار افراد شود. در چنین شرایطی اگر سیستم یک رفتار عادی را به اشتباه خطرناک تشخیص دهد، ممکن است پیامدهای انسانی و اجتماعی جدی به دنبال داشته باشد.
جمعبندی
در نهایت میتوان گفت با وجود اینکه سیستمهای نظارت تصویری مبتنی بر هوش مصنوعی توانستهاند قابلیتهایی مانند شناسایی رفتارهای مشکوک، تشخیص حالات بدن، اسکن حرکات چشم و بدن و تحلیل رفتار غیر عادی را فراهم کنند، اما هنوز راه زیادی تا رسیدن به یک سیستم پایدار، بیخطار، منصفانه و کاملا قابل اعتماد باقی مانده است. امید است پژوهشهای آینده بر چالشهایی مانند کمبود داده، بهبود دقت در شرایط واقعی، تخمین عدم قطعیت، افزایش سرعت پردازش و رعایت اصول اخلاقی تمرکز کنند.
