تشخیص و ره‌گیری سلاح گرم و سرد با استفاده از شبکه‌های یادگیری عمیق

نوع مقاله : کامپیوتر - هوش مصنوعی و رباتیکز

نویسندگان

1 دانشجوی کارشناسی ارشد دانشگاه صنعتی مالک اشتر، تهران، ایران

2 استادیار دانشگاه صنعتی مالک اشتر، تهران، ایران

چکیده

تأمین و افزایش امنیت در مکان‌های خاص و عمومی همیشه موردتوجه همه افراد در زمینه‌های مختلف بوده است. به‌منظور تأمین و افزایش امنیت در مکان‌هایی عمومی همانند مدارس، دانشگاه‌ها، دفاتر و... اقدامات زیادی ازجمله نصب دوربین‌های نظارتی و قراردادن مأمور در محل صورت‌گرفته است. ازآنجایی‌که این دوربین‌ها توسط اپراتورهای انسانی فعالیت‌های مشکوک را رصد می‌کنند، عواملی مانند حواس‌پرتی، عدم آگاهی، خستگی و بسیاری از عوامل دیگر می‌تواند روی کیفیت نظارت تأثیر بگذارد، سیستم تشخیص سلاح‌های گرم و سرد به‌صورت خودکار در صورت تشخیص و شناسایی سلاح‌های تعریف‌شده برای آن می‌توانند به‌سرعت به مأمورین نظامی و امنیتی پیام‌های خاص را اطلاع دهد. در این مقاله به‌منظور تشخیص و ره‌گیری سلاح گرم (اسلحه کمری) و سلاح سرد (چاقو) از الگوریتم‌ Yolo نسخه 5 برای تشخیص شیء و از الگوریتم Deepsort برای ره‌گیری استفاده‌شده است که عملکرد این سیستم در مقاله مورد بررسی قرار گرفته است. درنهایت سیستم پیشنهادی پس از آموزش به‌وسیله مجموعه داده اختصاصی متشکل از سلاح‌های گرم و سرد عملیات تشخیص سلاح گرم و سرد را بادقت 99.50% انجام می‌دهد همچنین سیستم پیشنهادی ازنظر مقیاس، چرخش، انسداد دقت مناسبی ارائه داده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Detection and Tracking of Firearms and Cold Weapons Using Deep Learning Networks

نویسندگان [English]

  • Ali Fayzi 1
  • korosh dadashtabar 2
  • amin tohidi far 1
1 Master student of artificial intelligence and robotics, Malek Ashtar University of Technology
2 Malek Ashtar University of Technology
چکیده [English]

Providing and increasing security in special and public places has always been the focus of everyone in various fields. Many measures such as installing surveillance cameras and placing officers on the spot have been taken to provide and increase the security in public places such as schools, universities, offices, and so on. Because these cameras detect suspicious activity by human operators, factors such as distraction, lack of awareness, fatigue, and a variety of other factors can affect the quality of surveillance; however, the firearms detection system detects and identifies defined weapons automatically. They can send special messages to military and security officials in a timely manner. In this paper, the Yolo version 5 algorithm is used to detect and track firearms (pistols) and cold weapons (knives), and the Deepsort algorithm is used for tracking. The article investigates the system's performance. Finally, after training with a special data set of firearms and cold steel, the proposed system performs firearms and cold steel detection operations with 99.50 percent accuracy. Furthermore, the proposed system has provided adequate accuracy in terms of scale, rotation, and obstruction.

کلیدواژه‌ها [English]

  • Computer Vision
  • Deep Learning
  • Object Detection
  • Object Tracking
  • Deep Neural Networks
  • Firearm Detection

Smiley face

  1. Tiwari, R. K.; Verma, G. K. “A Computer Vision based Framework For Visual Gun Detection Using Harris Interest Point Detector”; Procedia Computer Science, 2015.
  2. Lim, J.; Al Jobayer, M. I.; Baskaran, V. M.; Lim, J. M.; See, J.; Wong, K. “Deep Multi-level Feature Pyramids: Application For Non-canonical Firearm Detection in Video Surveillance”; Engineering Applications of Artificial Intelligence, 2021.
  3. Mehta, P.; Kumar, A.; Bhattacharjee, S. “Fire and Gun Violence Based Anomaly Detection System Using Deep Neural Networks”; International Conference on Electronics and Sustainable Communication Systems, 2020,199–204.
  4. Warsi, A.; Abdullah, M.; Husen, M. N.; Yahya, M.; Khan, S.; Jawaid, N. “Gun Detection System Using YOLOv3”; IEEE Int. Conf. Smart Instrumentation, Measurement and Application, 2019.
  5. Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. “You Only Look Once: Unified, Real-time Object Detection”; Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2016.
  6. Girshick, R.; Donahue, J.; Darrell, T.; Malik, J. “Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation”; Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2014, 580-587.
  7. Deng, J.; Dong, W.; Socher, R.; Li, L.-J.; Li, K.; Fei-Fei, L. “Imagenet: A Large-Scale Hierarchical Image Database”; IEEE Conf. Computer Vision and Pattern Recognition, 2009.
  8. Egiazarov, A.; Mavroeidis, V.; Zennaro, F. M.; Vishi, K. “Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks”; European Intelligence and Security Informatics Conference, 2019.
  9. Wu, J. “Introduction to Convolutional Neural Networks”; National Key Lab for Novel Software Technology. Nanjing University. China, 2017.
  10. Agarwal, N.; Sondhi, A.; Chopra, K.; Singh,G. “Transfer Learning: Survey and Classification”; Smart Innovations in Communication and Computational Sciences, Springer, 2021.
  11. Yilmaz, A.; Javed, O.; Shah, M. “Object Tracking: A Survey”; ACM Computing Surveys 2006, 38, 13.
  12. Veeramani, B.; Raymond, J. W.; Chanda, P. “DeepSort: Deep Convolutional Networks for Sorting Haploid Maize Seeds”; BMC bioinformatics, 2018.
  13. Bochkovskiy, A.; Wang, C.-Y.; Liao, H.-Y. Mark Liao “Yolov4: Optimal Speed and Accuracy of Object Detection”; arXiv
  14. Russakovsky, O. “Imagenet Large Scale Visual Recognition Challenge”; Int. J. Computer Vision 2004, 10934.
  15. Huang, G.; Liu, Z.; Van Der Maaten, L.; Weinberger, K. Q. “Densely Connected Convolutional Networks”; Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2017.
  16. He, K.; Zhang, X.; Ren, S.; Sun, J. “Deep Residual Learning for Image Recognition”; Proc. IEEE conf. Computer Vision and Pattern Recognition, 2016.
  17. Lin, T.-Y. “Microsoft Coco: Common Objects in Context”; European Conf. Computer Vision, 2014.
  18. Li, X. “Weighted Feature Pyramid Networks for Object Detection”; IEEE Int. Conf. Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking, 2019.
  19. Liu, S.; Qi, L.; Qin, H.; Shi, J.; Jia, J. “Path Aggregation Network for Instance Segmentation”; Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2018.
  20. Tan, M.; Pang, R.; Le, Q. V. “Efficientdet: Scalable and Efficient Object Detection”; Proc. IEEE/CVF Conf. Computer Vision and Pattern Recognition, 2020.
  21. Vanholder, H. “Efficient Inference with Tensorrt”; GPU Technology Conference, 2016.
  22. Tohidifar, A.; Dadashtabar Ahmadi, K.; Kiyaee Khosh Rudbari A. K. “Detection of Lumbar Guns in Surveillance Cameras in Difficult Situations, Including Occlusion, Different Angles and Long Distances Using Deep Learning”; Information and Communication Technology in Policing 1400, 2, 9-21 (In Persian)
  23. https://developer.nvidia.com/tensorrt