هوش مصنوعی در سامانه‌های نظارت تصویری

چکیده

نظارت تصویری یکی از حوزه‌های حیاتی در امنیت اماکن، مدیریت ترافیک و کنترل دسترسی است. با پیشرفت چشمگیر در حوزه هوش مصنوعی و یادگیری ماشین، کاربرد این فناوری‌ها در سامانه‌های نظارت تصویری به عنوان ابزاری کلیدی برای افزایش امنیت و بهبود مدیریت محیط‌های مختلف، گسترش یافته است. هوش مصنوعی در سال‌های اخیر به یکی از اجزای کلیدی سامانه‌های نظارت تصویری تبدیل شده است به‌طوری‌که این فناوری توانسته است فرآیند تحلیل و پردازش تصاویر و ویدئوها را به صورت خودکار و با دقت بسیار بالا انجام دهد. با استفاده از الگوریتم‌های یادگیری ژرف و شبکه‌های عصبی پیچشی، سامانه‌های نظارت تصویری قادر به شناسایی چهره‌ها، تشخیص اشیاء و حتی تحلیل رفتارهای مشکوک به صورت بلادرنگ شده‌اند که این امر نقش مهمی در افزایش امنیت عمومی و کاهش نیاز به نیروی انسانی در نظارت مستقیم ایفا می‌کند. همچنین این سامانه‌ها قابلیت سازگاری با محیط‌های پیچیده و تغییرات نور و زاویه دید را دارا هستند که منجر به بهبود کیفیت نظارت تصویری می‌شود. در این مقاله، فناوری‌ها، الگوریتم‌ها، چالش‌ها و چشم‌اندازهای آینده هوش مصنوعی در سامانه‌های نظارت تصویری ارائه می‌شود. روش‌های مختلف تحلیل تصویر، تشخیص رخداد، ردیابی اشیا و چهره، و همچنین مسائل اخلاقی و حریم خصوصی در این حوزه بررسی می‌گردد.

کلمات کلیدی: تحلیل خودکار ویدئو، فناوری‌های هوش مصنوعی، الگوریتم‌های هوش مصنوعی، چالش‌های به‌کارگیری هوش مصنوعی در نظارت تصویری، چشم‌انداز هوش مصنوعی در نظارت تصویری

1- مقدمه

نظارت تصویری به عنوان یکی از مهم‌ترین ابزارهای امنیتی در محیط‌های عمومی و خصوصی شناخته شده است. در گذشته، این سامانه‌ها عمدتاً به ضبط تصاویر ویدئویی برای بازبینی توسط نیروی انسانی وابسته بودند. اما با توسعه فناوری‌های هوش مصنوعی، امکان پردازش خودکار و تحلیل دقیق تصاویر فراهم شده است. این تحول باعث افزایش کارایی، کاهش خطاهای انسانی و سرعت بالاتر واکنش در شرایط بحرانی شده است [1].

به‌کارگیری هوش مصنوعی در نظارت تصویری نه‌تنها موجب افزایش دقت و کاهش وابستگی به نیروی انسانی شده، بلکه امکان انجام پیش‌بینی، تحلیل رفتاری و حتی تصمیم‌گیری خودکار را فراهم کرده است. این تحول، رویکردهای سنتی را به چالش کشیده و راه را برای توسعه نسل جدیدی از سامانه‌های نظارتی باز کرده است که نه‌فقط نظاره‌گر، بلکه کنش‌گر نیز هستند. هوش مصنوعی در سامانه‌های نظارت تصویری به کاهش خطاهای انسانی و افزایش قابلیت‌های پیش‌بینی کمک کرده است. در واقع، الگوریتم‌های هوش مصنوعی می‌توانند الگوهای رفتاری غیرمعمول را شناسایی کرده و هشدارهای زودهنگام ارائه دهند که این قابلیت به پیشگیری از جرایم و حوادث ناخواسته کمک می‌کند [2]. همچنین، با پیشرفت فناوری‌های هوش مصنوعی، استفاده از سامانه‌های نظارتی هوشمند در شهرهای هوشمند و مدیریت بحران‌ها گسترش یافته است که باعث بهبود کارایی مدیریت شهری و ارتقای سطح ایمنی شده است [3].

2- تاریخچه هوش مصنوعی در نظارت تصویری

استفاده از نظارت تصویری با نصب دوربین‌های مدار بسته (CCTV) در دهه ۱۹۶۰ برای نظارت‌های امنیتی آغاز شد، اما در آن زمان، این سامانه‌ها صرفاً به صورت منفعل و بدون تحلیل خودکار تصاویر عمل می‌کردند. با ورود الگوریتم‌های اولیه بینایی ماشین (Machine Vision) در دهه ۱۹۸۰، برخی تلاش‌ها برای شناسایی حرکت یا تشخیص الگوهای ساده صورت گرفت. برای مثال، الگوریتم‌های تشخیص حرکت مبتنی بر تفاوت پیکسل‌ها به‌عنوان اولین گام‌ها در پردازش خودکار تصویر در سیستم‌های نظارتی معرفی شدند [4].

استفاده از هوش مصنوعی در حوزه نظارت تصویری به دهه 1990 باز می‌گردد، زمانی که سامانه‌های ساده تشخیص حرکت وارد بازار شدند. اما به دلیل محدودیت‌های سخت‌افزاری و الگوریتمی، این سامانه‌ها کاربرد چندانی نداشتند. ورود شبکه‌های عصبی و توسعه یادگیری ژرف (یادگیری عمیق) در دهه 2010 نقطه عطفی در این زمینه بود که منجر به رشد سریع توانمندی‌های تحلیل تصاویر و ویدئو شد [5].

امروزه سامانه‌های مبتنی بر یادگیری ژرف قادرند میلیون‌ها تصویر و ویدئوی دریافتی را در زمان واقعی تحلیل کنند، رخدادهای مهم را شناسایی و به سامانه‌های هشدار دهنده اطلاع‌رسانی نمایند. این پیشرفت‌ها باعث شدند که کاربرد هوش مصنوعی به حوزه‌های مختلف از جمله حمل‌ونقل، مراکز خرید، فرودگاه‌ها و حتی خانه‌های هوشمند گسترش یابد [6].

3- فناوری‌های هوش مصنوعی در سامانه‌های نظارت تصویری

فناوری‌های هوش مصنوعی نقش چشمگیری در بهبود عملکرد سامانه‌های نظارت تصویری ایفا کرده‌اند. یکی از مهم‌ترین کاربردهای هوش مصنوعی در این حوزه، استفاده از تشخیص چهره است که می‌تواند هویت افراد را با دقت بالا در زمان واقعی شناسایی کند. این فناوری در محیط‌های امنیتی مانند فرودگاه‌ها، ایستگاه‌های قطار و مراکز حساس دولتی برای شناسایی افراد مشکوک یا تحت تعقیب مورد استفاده قرار می‌گیرد [7]. الگوریتم‌های یادگیری ژرف (Deep Learning) مانند شبکه‌های عصبی پیچشی در این حوزه دقت شناسایی را به شکل قابل توجهی افزایش داده‌اند [8].

یکی دیگر از کاربردهای مهم هوش مصنوعی در سامانه‌های نظارت تصویری، تشخیص رفتارهای غیرعادی (Anomaly Detection) است. این فناوری می‌تواند رفتارهایی مانند دویدن ناگهانی، تجمع مشکوک یا ورود به مناطق ممنوعه را شناسایی کرده و هشدارهای لازم یا فوری را صادر کند. این کار با تحلیل خودکار داده‌های ویدئویی به بهره‌گیری از الگوریتم‌های یادگیری ماشین صورت می‌گیرد و از وابستگی صرف به نظارت انسانی می‌کاهد [9]. وجود چنین سامانه‌هایی در فضاهای عمومی نظیر مراکز خرید یا متروها باعث افزایش سرعت واکنش در برابر تهدیدات امنیتی می‌شود.

علاوه بر آن، تحلیل خودکار ویدئو (Video Analytics) مبتنی بر هوش مصنوعی به سامانه‌ها این امکان را می‌دهد که حجم زیادی از داده‌های تصویری را فیلتر و تحلیل کرده و فقط رویدادهای مهم را به اپراتورها نمایش دهند. این ویژگی موجب کاهش خستگی و خطای انسانی شده و کارایی کلی سامانه را افزایش می‌دهد [10]. به‌طور کلی، بهره‌گیری از هوش مصنوعی در سامانه‌های نظارت تصویری نه تنها به بهبود دقت و کارایی منجر شده بلکه موجب تحول در شیوه‌های سنتی نظارت و امنیت نیز گشته است.

شکل 1: تحلیل خودکار ویدئو مبتنی بر هوش مصنوعی

4- الگوریتم‌های هوش مصنوعی در سامانه‌های نظارت تصویری

الگوریتم‌های هوش مصنوعی، به‌ویژه الگوریتم‌های یادگیری ماشین و یادگیری ژرف، نقش کلیدی در بهبود عملکرد سامانه‌های نظارت تصویری ایفا می‌کنند. این الگوریتم‌ها با قابلیت تحلیل خودکار داده‌های تصویری، شناسایی الگوهای رفتاری، و تشخیص فعالیت‌های غیرعادی، موجب افزایش دقت و کارآمدی این سامانه‌ها شده‌اند. برای مثال، استفاده از شبکه‌های عصبی پیچشی (CNN) در تشخیص چهره، پلاک خودرو، و اشیاء خاص بسیار رایج شده است [11].

یکی از مهم‌ترین کاربردهای الگوریتم‌های یادگیری ژرف در سامانه‌های نظارتی، شناسایی چهره است. مدل‌هایی نظیر FaceNet و ArcFace قادرند ویژگی‌های متمایز چهره افراد را استخراج کرده و در پایگاه داده ذخیره کنند تا در مواقع مورد نیاز تطبیق انجام دهند. دقت بالای این الگوریتم‌ها حتی در شرایط نوری نامناسب و زوایای مختلف دید نیز حفظ می‌شود [12]. استفاده از این روش‌ها در اماکن عمومی مانند فرودگاه‌ها و ایستگاه‌های مترو در حال فراگیر شدن است.

علاوه بر شناسایی چهره، الگوریتم‌های تشخیص رفتار و آنالیز فعالیت نیز در سامانه‌های نظارت تصویری از اهمیت بالایی برخوردار هستند. الگوریتم‌هایی نظیر LSTM (Long Short-Term Memory) و GRU (Gated Recurrent Units) به کمک مدل‌های بینایی ماشین، امکان تحلیل ویدئو را فراهم می‌کنند. این مدل‌ها می‌توانند رفتارهای مشکوک، مانند پرسه‌زنی غیرعادی یا رهاسازی اشیاء در اماکن عمومی را شناسایی کرده و هشدار لازم یا فوری را صادر کنند [13].

ردیابی افراد یا اشیاء متحرک در محیط‌های پویا یکی دیگر از چالش‌های کلیدی در سامانه‌های نظارت تصویری است. الگوریتم‌هایی مانند YOLO (You Only Look Once) و Deep SORT (Simple Online and Realtime Tracking) برای شناسایی و ردیابی بلادرنگ افراد یا اشیاء متحرک به کار گرفته می‌شوند. ترکیب این الگوریتم‌ها با دوربین‌های با رزولوشن بالا و نرخ فریم مناسب می‌تواند قابلیت ردیابی پیوسته و دقیقی را برای سامانه نظارت تصویری فراهم کند [14].

الگوریتم‌های تشخیص اشیاء خطرناک مانند اسلحه، چاقو یا بسته‌های مشکوک نیز از اهمیت بالایی برخوردارند. استفاده از مدل‌هایی مانند Faster RCNN و EfficientDet در این زمینه رایج شده است. این مدل‌ها با سرعت و دقت بالا می‌توانند اشیاء خاصی را در ویدئوها شناسایی کرده و به اپراتور هشدار دهند که در کاربردهای امنیتی بسیار مهم و حیاتی است [15].

یکی از روندهای نوظهور در طراحی الگوریتم‌های هوش مصنوعی برای سامانه‌های نظارت تصویری، استفاده از یادگیری خود نظارتی (Self-Supervised Learning) و یادگیری تقویتی (Reinforcement Learning) است. در این الگوریتم‌ها یادگیری بدون استفاده از داده‌های برچسب‌زده انجام می‌شود. به عبارت دیگر الگوریتم‌ها مذکور می‌توانند به صورت بدون نظارت نیز یادگیری داشته باشند و با گذر زمان بهینه شوند. ترکیب این روش‌ها با الگوریتم‌های سنتی، آینده‌ای هوشمندتر برای سامانه‌های نظارت تصویری ترسیم می‌کند [16].

شکل 2: نمونه‌ای از تشخیص و ردیابی فرد یا شیء متحرک

5- چالش‌های به‌کارگیری هوش مصنوعی در سامانه‌های نظارت تصویری

الف) چالش‌های فنی و پیچیدگی‌های پردازش تصویر

یکی از چالش‌های اصلی در به‌کارگیری هوش مصنوعی در سامانه‌های نظارت تصویری، پیچیدگی فنی پردازش تصویر در محیط‌های واقعی است. شرایط نوری متغیر، زاویه‌های مختلف دوربین، وجود موانع فیزیکی و کیفیت پایین تصاویر ضبط‌شده می‌توانند عملکرد الگوریتم‌های تشخیص چهره، شناسایی اشیا یا ردیابی حرکت را به‌شدت کاهش دهند. به عنوان مثال، الگوریتم‌های یادگیری ژرف برای تشخیص چهره در شرایط نوری مناسب عملکرد بالایی دارند اما در محیط‌های کم‌نور یا در حضور اشیای مزاحم با خطای بالا همراه هستند [17]. از سوی دیگر، نیاز به قدرت پردازشی بالا برای تحلیل هم‌زمان چندین جریان ویدیویی مانعی جدی در استفاده گسترده از این فناوری‌ها در زمان واقعی به شمار می‌آید [18].

ب) مسائل مربوط به داده‌های آموزشی و تعمیم‌پذیری

الگوریتم‌های یادگیری ماشین و یادگیری ژرف برای عملکرد مطلوب نیاز به داده‌های آموزشی متنوع و گسترده دارند. با این حال، در حوزه نظارت تصویری، دسترسی به داده‌های واقعی و برچسب‌خورده که نمایانگر تمامی سناریوها و حالت‌های ممکن باشد، اغلب دشوار است. این موضوع به‌خصوص در محیط‌های خاص یا حساس مانند فرودگاه‌ها یا بیمارستان‌ها بیشتر خود را نشان می‌دهد. کمبود داده یا وجود سوگیری در داده‌های آموزشی می‌تواند باعث شود الگوریتم‌ها نتوانند به‌درستی در شرایط جدید یا پیش‌بینی‌نشده عمل کنند [19]. در نتیجه، توسعه سامانه‌های نظارت تصویری با قابلیت تعمیم‌پذیری بالا، چالشی جدی در این زمینه است.

پ) چالش‌های مربوط به حریم خصوصی و ملاحظات اخلاقی

استفاده از هوش مصنوعی در نظارت تصویری، به‌خصوص در زمینه‌هایی مانند شناسایی چهره یا تحلیل رفتار، نگرانی‌های زیادی در حوزه حریم خصوصی به وجود آورده است. ردیابی افراد بدون رضایت آن‌ها، نگهداری داده‌های بیومتریک و تصمیم‌گیری خودکار بر اساس تحلیل‌های رفتاری می‌تواند منجر به نقض حقوق شهروندان شود. این موضوع در گزارش‌های مختلف حقوق بشری مورد توجه قرار گرفته و برخی کشورها مانند اتحادیه اروپا مقررات سخت‌گیرانه‌ای در این زمینه وضع کرده‌اند [20، 21]. به همین دلیل، توسعه سامانه‌های نظارت تصویری هوشمند باید همراه با ملاحظات اخلاقی و شفافیت در نحوه جمع‌آوری و استفاده از داده‌ها باشد.

ت) محدودیت‌های قانونی و چالش‌های تطبیق با مقررات

علاوه بر ملاحظات اخلاقی، توسعه و به‌کارگیری سامانه‌های نظارتی مبتنی بر هوش مصنوعی با چالش‌های حقوقی نیز روبرو است. در حال حاضر، در بسیاری از کشورها قوانین مربوط به استفاده از داده‌های شخصی، نحوه ذخیره‌سازی و انتقال داده‌ها و همچنین مسئولیت‌های حقوقی در صورت بروز خطای سامانه به‌طور کامل تبیین نشده است. این خلأ قانونی می‌تواند مانعی برای سرمایه‌گذاری و پیاده‌سازی فناوری‌های نوین در این حوزه باشد  [22]. همچنین نبود استانداردهای بین‌المللی یکپارچه باعث می‌شود که سامانه‌های نظارت تصویری توسعه‌یافته در یک کشور، قابلیت استفاده یا انطباق در کشور دیگر را نداشته باشند.

ث) چالش‌های امنیت سایبری

یکی دیگر از چالش‌های مهم در استفاده از هوش مصنوعی در سامانه‌های نظارت تصویری، مساله امنیت سایبری است. این سامانه‌ها که معمولاً به شبکه‌های ابری و منابع پردازشی متصل هستند، هدفی جذاب برای مهاجمان سایبری محسوب می‌شوند. در صورت نفوذ به این سامانه‌ها، مهاجم می‌تواند به داده‌های حساس و زنده دسترسی پیدا کرده، آن‌ها را دست‌کاری کند یا حتی سامانه تشخیص را غیرفعال کند  [23]. این آسیب‌پذیری‌ها نه تنها امنیت داده‌ها، بلکه اعتماد عمومی به سامانه‌های نظارت تصویری را تهدید می‌کند. لذا پیاده‌سازی مکانیزم‌های امنیتی قوی، نظیر رمزنگاری، احراز هویت چندعاملی و بررسی مستمر آسیب‌پذیری‌ها امری ضروری است.

ج) موانع اقتصادی و محدودیت‌های زیرساختی

هزینه‌های پیاده‌سازی و نگهداری سامانه‌های نظارت تصویری مبتنی بر الگوریتم‌های هوش مصنوعی، یک چالش اساسی برای بسیاری از سازمان‌ها به شمار می‌آید. خرید تجهیزات پیشرفته، تأمین زیرساخت‌های پردازشی و شبکه‌ای، آموزش نیروهای متخصص و به‌روز رسانی مداوم نرم‌افزارها مستلزم صرف منابع مالی قابل توجهی است. این موضوع به‌خصوص در کشورهایی با محدودیت منابع یا در سازمان‌های کوچک‌تر، مانعی برای بهره‌گیری از این فناوری‌هاست [24]. علاوه بر آن، عدم وجود زیرساخت مناسب شبکه، ذخیره‌سازی یا پردازش ابری ممکن است بهره‌برداری مؤثر از سامانه‌های نظارت تصویری را با چالش روبرو کند.

6- چشم‌انداز به‌کارگیری هوش مصنوعی در سامانه‌های نظارت تصویری

چشم‌انداز به‌کارگیری هوش مصنوعی در سامانه‌های نظارت تصویری با سرعت چشم‌گیری در حال گسترش است و انتظار می‌رود که در آینده نزدیک، این فناوری به یکی از ارکان اصلی سامانه‌های امنیتی و نظارتی تبدیل شود. هوش مصنوعی با بهره‌گیری از یادگیری ماشین، بینایی ماشین و تحلیل بلادرنگ داده‌های تصویری قادر است الگوهای رفتاری غیرعادی را شناسایی کرده، هشدارهای خودکار ارسال کرده و بهره‌وری عملیاتی سامانه‌ها را به‌طور قابل توجهی افزایش دهد [25]. این تحول به ویژه در حوزه‌هایی مانند امنیت شهری، نظارت بر حمل و نقل، کنترل مرزها و حفاظت از تأسیسات حیاتی اهمیت دوچندان دارد.

یکی از مهم‌ترین چشم‌اندازهای آینده، توسعه سامانه‌های «نظارت هوشمند مستقل» است که نیاز به دخالت مستقیم اپراتورها را به حداقل می‌رساند. چنین سامانه‌هایی با استفاده از مدل‌های پیشرفته یادگیری ژرف قادر خواهند بود بدون وابستگی به انسان، تهدیدات بالقوه را تحلیل و پاسخ‌دهی کنند. برای نمونه، الگوریتم‌های تشخیص چهره در حال پیشرفت به گونه‌ای طراحی شده‌اند که قادرند افراد مظنون را از میان جمعیت‌های بزرگ شناسایی کنند حتی اگر تلاش شده باشد چهره فرد پنهان بماند [26]. این تحول به‌ویژه در کنترل ازدحام در اماکن عمومی و پیشگیری از جرائم نقش کلیدی خواهد داشت.

چشم‌انداز دیگر مربوط به همگرایی هوش مصنوعی با اینترنت اشیاء (IoT) و شبکه‌های 5G است. این ادغام به سامانه‌های نظارتی این امکان را می‌دهد تا ویدئوهای حجیم را با حداقل تأخیر و با کیفیت بالا پردازش کنند و تصمیم‌گیری‌های بلادرنگ انجام دهند. همچنین این ترکیب می‌تواند منجر به ساخت «شهرهای هوشمند» شود که در آن نظارت بر ترافیک، جرائم، آلودگی و حتی مدیریت بلایای طبیعی به صورت خودکار و بهینه انجام می‌شود [27]. ترکیب هوش مصنوعی و اینترنت اشیاء با قابلیت‌های توزیع‌شده‌اش این فرصت را می‌دهد که تجزیه و تحلیل داده‌ها نه در یک مرکز بلکه در سطح گره‌های مختلف شبکه انجام شود (Edge Computing).

از منظر اخلاقی و حقوقی، آینده به‌کارگیری هوش مصنوعی در سامانه‌های نظارت تصویری با چالش‌هایی روبروست. نگرانی‌هایی از جمله حفظ حریم خصوصی، خطرات ناشی از نظارت بیش از حد (Surveillance Overreach)، تبعیض الگوریتمی و عدم شفافیت در تصمیم‌گیری‌های خودکار از جمله مسائلی هستند که در آینده باید با آن‌ها به طور جدی مواجه شد [28]. بنابراین، انتظار می‌رود در کنار توسعه فناوری، نهادهای قانون‌گذار نیز چارچوب‌های اخلاقی و مقرراتی سخت‌گیرانه‌تری را برای تنظیم عملکرد این سامانه‌ها تدوین کنند.

در آینده، شاهد استفاده روزافزون از سامانه‌های چندمنظوره خواهیم بود که می‌توانند ترکیبی از داده‌های تصویری، صوتی، حرارتی و حتی سیگنال‌های بیومتریک را تحلیل کنند. این سامانه‌ها نه تنها قادر به شناسایی تهدیدات امنیتی هستند بلکه می‌توانند در کاربردهای غیرنظارتی مانند بهینه‌سازی مصرف انرژی، پایش سلامت عمومی و تحلیل رفتار مشتریان در فروشگاه‌ها نیز به کار گرفته شوند [29]. انعطاف‌پذیری و قابلیت انطباق بالای این سامانه‌ها، آنان را به ابزارهایی چندکارکردی در جوامع آینده تبدیل خواهد کرد.

با توجه به روند رو به رشد پردازش‌های مبتنی بر هوش مصنوعی، پیش‌بینی می‌شود که در سال‌های پیش‌رو، سامانه‌های نظارت تصویری نه تنها به عنوان ابزارهای ثبت‌کننده رویدادها بلکه به عنوان «عوامل فعال» در پیشگیری، پیش‌بینی و واکنش به رویدادها ایفای نقش کنند. این تحول نیازمند توسعه زیرساخت‌های محاسباتی، ارتقاء امنیت سایبری و همچنین آموزش مستمر نیروهای انسانی برای استفاده بهینه از این فناوری‌ها خواهد بود[30].

7- نتیجه‌گیری

هوش مصنوعی تحولی بنیادین در سامانه‌های نظارت تصویری ایجاد کرده است. تحولی که این سامانه‌ها را از ابزارهای صرفاً ضبط و بازبینی به سامانه‌هایی هوشمند، پویا و واکنش‌گر تبدیل نموده است. به‌کارگیری الگوریتم‌های پیشرفته یادگیری ژرف، قابلیت تحلیل بلادرنگ تصاویر و شناسایی الگوهای رفتاری غیرعادی را برای سامانه‌های نظارت تصویری فراهم کرده است و باعث شده که نظارت تصویری به سطحی از دقت، کارایی و پیش‌بینی‌پذیری دست یابد که در گذشته تصور آن دشوار بود. این فناوری، علاوه بر بهبود امنیت و کارآمدی، قابلیت انطباق با محیط‌های پیچیده و چالش‌برانگیز را نیز داراست.

توسعه و به‌کارگیری گسترده سامانه‌های نظارت تصویری بدون توجه به چالش‌های فنی، اخلاقی، حقوقی و اقتصادی می‌تواند تبعات جبران‌ناپذیر برای حریم خصوصی و اعتماد عمومی در پی داشته باشد. بنابراین، موفقیت در بهره‌گیری از هوش مصنوعی در سامانه‌های نظارت تصویری در گرو ایجاد توازن میان نوآوری فناورانه، حفاظت از حقوق شهروندی، تدوین قوانین شفاف و تأمین زیرساخت‌های فنی و امنیتی است. آینده این حوزه نه‌تنها به پیشرفت الگوریتم‌ها بلکه به بلوغ اجتماعی و سیاست‌گذاری هوشمندانه بستگی دارد. آینده‌ای که در آن امنیت و آزادی بتوانند در کنار هم معنا یابند.

مراجع:

 

[1] Zhao, Y., Chen, X., & Wang, Y. (2019). Artificial Intelligence in Video Surveillance: A Review. Journal of Visual Communication and Image Representation, 62, 102-114.

[2] Wang, X., & Li, Z. (2021). Behavior analysis in video surveillance using deep learning: A review. IEEE Access, 9, 15724-15738.

[3] Chen, L., Zhang, Y., & Xu, J. (2022). Smart city surveillance system based on AI: Applications and challenges. Journal of Urban Technology, 29(2), 45-62.

[4] Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.

[5] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436-444.

[6] Hussain, M., Muhammad, K., & Ahmed, S. (2020). Deep Learning-Based Video Surveillance for Public Safety: A Review. IEEE Access, 8, 100-111.

[7] Z. Wang et al., “Facial recognition technology: A survey,” IEEE Access, vol. 8, pp. 138317-138336, 2020.
[8] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444.2015.

[9] J. Tian, Y. Li, “Real-time abnormal behavior detection in video surveillance using deep learning,” Pattern Recognition Letters, vol. 130, pp. 239–246, 2020.

[10] N. Haq et al., “Video analytics using machine learning for smart surveillance system: A review,” Multimedia Tools and Applications, vol. 81, pp. 23963–23990, 2022.

[11] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. NIPS.

[12] Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A unified embedding for face recognition and clustering. CVPR.

[13] Donahue, J., et al. (2015). Long-term recurrent convolutional networks for visual recognition and description. CVPR.

[14] Bewley, A., et al. (2016). Simple online and realtime tracking with a deep association metric. ICIP.

[15] Ren, S., et al. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. NIPS.

[16] Grill, J.-B., et al. (2020). Bootstrap your own latent: A new approach to self-supervised learning. NeurIPS.

[17] Zhao, W., Chellappa, R., Phillips, P. J., & Rosenfeld, A. (2019). Face recognition: A literature survey. ACM Computing Surveys (CSUR).

[18] Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.

[19] Torralba, A., & Efros, A. A. (2011). Unbiased look at dataset bias. CVPR.

[20] Brayne, S. (2017). Big data surveillance: The case of policing. American Sociological Review.

[21] European Union (2018). General Data Protection Regulation (GDPR).

[22] Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Transparent, explainable, and accountable AI for robotics. Science Robotics.

[23] Papernot, N., McDaniel, P., Sinha, A., & Wellman, M. (2016). Towards the science of security and privacy in machine learning. arXiv preprint arXiv:1611.03814.

[24] Garvie, C., Bedoya, A., & Frankle, J. (2016). The perpetual line-up: Unregulated police face recognition in America. Georgetown Law Center on Privacy & Technology.

[25] Chen, X., Zhang, Z., & Wang, Y. (2020). Deep learning in video surveillance: A review. Sensors, 20(18), 5165. https://doi.org/10.3390/s20185165.

[26] Zhao, R., Ouyang, W., & Wang, X. (2019). Person re-identification by saliency learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(2), 356–370.

[27] Xu, J., Chen, J., & Zhang, K. (2022). AIoT-based video surveillance system for smart cities: Architecture and challenges. IEEE Internet of Things Journal.

[28] Brayne, S. (2021). Predict and Surveil: Data, Discretion, and the Future of Policing. Oxford University Press.

[29] Li, H., Lin, Z., & Shen, X. (2021). Multi-modal surveillance systems for intelligent monitoring. ACM Computing Surveys, 54(3), 1–34.

[30] Sathyadevan, S., & Radhakrishnan, R. (2020). Artificial Intelligence for Video Surveillance: Concepts and Applications. Springer.

درباره نویسنده