بازیابی ویدئو مبتنی بر محتوا با استفاده از شبکه عصبی عمیق برای کشف علمی جرائم در پلیس هوشمند

سیستم‌های بازیابی ویدئو با روش بازیابی مبتنی بر محتوا یک رویکرد مناسب می‌باشد. ویژگی بارز این روش، بازیابی محتویات بصری و ادراکی نهفته در ویدئو بوده که همان سازوکاری است که به‌وسیله آن، انسان می‌تواند تمایز میان ویدئوها را درک کند. با افزایش استفاده مردم از ویدئو در همه ابعاد روزمره مانند اخبار، مسابقات ورزشی , وغیره نیاز به جستجو و یافتن ویدئو نیز گسترش‌یافته است. با توجه به اینکه ویدئو در زمان کم می‌تواند دربرگیرنده محتویات فراوانی باشد، بهترین روش جستجو که می‌تواند مشابه‌ترین ویدئوها را استخراج کند، پرسش ویدئویی می‌باشد. روش‌های رایج بازیابی ویدئو از ویژگی‌های کلی فریم‌ها برای مقایسه و بازیابی ویدئوهای مشابه استفاده می‌کنند. استفاده از ویژگی‌ها و اطلاعات کلی فریم‌ها ممکن است موجب از دست رفتن درون‌مایه و موضوع اصلی ویدئوها شود. از این رو در این مقاله نقش شیء مورد علاقه در ویدئو مورد بررسی قرارگرفته است. استخراج ویژگی از فریم‌ها با استفاده از شبکه عصبی vgg 16 انجام شده است. همچنین یک معیار رتبه‌بندی بر اساس شباهت فریم‌ها، توالی فریم‌های مشابه و تعداد فریم‌های مشابه با ویدئو مورد جستجو معرفی شده است. کارایی روش پیشنهادی بر روی مجموعه داده یوتیوب اکشن با معیار میانگین دقت بررسی شده است. نتایج به دست آمده دقت %94.90 را در بازیابی ده نمونه برتر نشان می‌دهد.

content based video retrieval using deep neural network for scientific crime detection in smart policing

the use of artificial intelligence for the scientific detection of crimes is a requirement in smart police, and the analysis of video images to detect target events using neural networks is a general goal in this article. video recovery systems with content based recovery method is a suitable approach. the distinctive feature of this method is the recovery of visual and perceptual contents hidden in the video, which is the same mechanism by which humans can understand the difference between videos. with the increase in people's use of video in all aspects of daily life, such as news, sports competitions, etc., the need to search and find video has also expanded. considering that video can contain a lot of content in a short time, the best search method that can extract the most similar videos is video query. . using the features and general information of the frames may cause the loss of the content and the main topic of the videos. therefore, in this article, the role of the object of interest in the video has been investigated. feature extraction from frames has been done using vgg 16 neural network. also, a rating criterion based on the similarity of frames, the sequence of similar frames and the number of frames similar to the searched video has been introduced. the efficiency of the proposed method has been checked on the youtube action dataset with the average accuracy criterion. the obtained results show 94.90% accuracy in retrieving the top ten samples.