تشخیص رفتارهای خشونت‌آمیز و دعوا در خیابان‌ها با هوش مصنوعی

معماری فنی: از پیکسل‌ها تا هشدارها (برای غیرمتخصصین)

شاید بپرسید وقتی دوربین تصویری را می‌گیرد، دقیقاً در لایه‌های زیرین نرم‌افزار چه می‌گذرد؟ بیایید این فرآیند را به یک «خط تولید در کارخانه» تشبیه کنیم. تصویر خام دوربین، مواد اولیه است و هشدار نهایی، محصول خروجی. اما در این میان، چندین ایستگاه بازرسی وجود دارد که هر کدام وظیفه خاصی دارند.

اولین ایستگاه، پیش‌پردازش (Pre-processing) است. دوربین‌های خیابانی همیشه تصویر شفافی نمی‌دهند. باران می‌بارد، مه است، یا شب است و نور چراغ‌های ماشین باعث تاری تصویر می‌شود. در این مرحله، هوش مصنوعی با استفاده از فیلترهای ریاضی، نویزها را می‌گیرد، کنتراست را تنظیم می‌کند و لبه‌های اشیاء را تیزتر می‌کند تا بتواند تفاوت بین یک انسان و یک ستون برق را تشخیص دهد.

سپس نوبت به ایستگاه دوم می‌رسد: تشخیص اشیاء (Object Detection). در اینجا سیستم از مدل‌هایی مثل YOLO (You Only Look Once) استفاده می‌کند. نامش شاید عجیب باشد، اما معنای آن ساده است: سیستم فقط با یک بار نگاه کردن به تصویر، می‌فهمد که در کادره چه چیزهایی وجود دارد. «اینجا یک انسان است»، «اینجا یک ماشین است»، «اینجا یک سطل زباله است». در این مرحله، هر انسان شناسایی شده در یک کادر مستطیلی (Bounding Box) قرار می‌گیرد و سیستم شروع می‌کند به تعقیب (Tracking) آن کادر در فریم‌های بعدی.

نکته جالب اینجاست که سیستم در این مرحله هنوز نمی‌داند چه اتفاقی می‌افتد؛ او فقط می‌بیند که «مستطیل A» و «مستطیل B» در حال نزدیک شدن به یکدیگر هستند و سرعت حرکتشان در حال افزایش است.

تحلیل زمانی: تفاوت بین عکس و ویدیو

بسیاری از مردم فکر می‌کنند تشخیص خشونت یعنی تحلیل عکس‌های پشت سر هم. اما این یک اشتباه بزرگ است. یک عکس از دو نفر که دستشان روی شانه هم است، می‌تواند هم «بغل کردن» باشد و هم «چنگ زدن». تفاوت در زمان (Temporal Dimension) است.

برای حل این مشکل، از شبکه‌های عصبی خاصی به نام LSTM (Long Short-Term Memory) یا مدل‌های جدیدتر مثل Transformers استفاده می‌شود. این مدل‌ها حافظه دارند. آن‌ها فقط فریم فعلی را نمی‌بینند، بلکه ۱۰ فریم قبلی را هم به یاد می‌آورند. وقتی سیستم می‌بیند که دست فرد A در فریم ۱ پایین بود، در فریم ۵ به سرعت بالا آمد و در فریم ۱۰ با شدت به صورت فرد B برخورد کرد، این «سلسله مراتب زمانی» است که به سیستم می‌گوید: «این یک ضربه است، نه یک دست دادن».

تصور کنید مانند یک داور فوتبال هستید که برای تصمیم‌گیری درباره یک خطای پنالتی، ویدیو را در حالت آهسته (Slow Motion) می‌بیند تا مسیر حرکت پا و برخورد آن با بازیکن را تحلیل کند. هوش مصنوعی دقیقاً همین کار را در کسری از ثانیه و برای صدها نفر به طور همزمان انجام می‌دهد.

کاربردهای عملی: فراتر از دعواهای خیابانی

اگرچه تمرکز ما روی خشونت و دعوا است، اما وقتی زیرساخت تشخیص رفتار (Behavioral Analysis) پیاده‌سازی شود، می‌توان آن را برای سناریوهای بسیار حیاتی دیگر نیز به کار گرفت. در واقع، تشخیص خشونت فقط نوک کوه یخ است.

۱. تشخیص سقوط (Fall Detection): در محیط‌های شهری یا مراکز سالمندان، اگر شخصی به طور ناگهانی روی زمین بیفتد و برای مدتی تکان نخورد، سیستم می‌تواند فوراً با اورژانس تماس بگیرد. این سیستم از همان الگوریتم‌های تشخیص خشونت استفاده می‌کند، اما به جای «برخورد دو نفر»، به دنبال «تغییر وضعیت سریع از عمودی به افقی» می‌گردد.

۲. شناسایی رفتارهای مشکوک (Anomaly Detection): تصور کنید شخصی در یک منطقه حساس (مثلاً نزدیکی یک پست برق یا ورودی بانک) برای مدت طولانی در حال رفت و آمد است (Loitering) بدون اینکه مقصدی داشته باشد. هوش مصنوعی می‌تواند این «رفتار غیرعادی» را شناسایی کرده و به نگهبانان اطلاع دهد تا قبل از وقوع جرم، حضور فرد را بررسی کنند.

۳. مدیریت جمعیت در مراسم‌ها: در کنسرت‌ها یا مسابقات ورزشی، ایجاد «تراکم بیش از حد» (Crowd Crush) می‌تواند مرگبار باشد. AI می‌تواند متوجه شود که جریان حرکت مردم در یک نقطه متوقف شده و فشار جمعیت در حال افزایش است و قبل از اینکه اتفاق بدی بیفتد، مسیرهای خروج جدیدی را باز کند.

چالش‌های محیطی و نقاط ضعف (جایی که AI هنوز شکست می‌خورد)

بیایید کمی سخت‌گیرتر باشیم. آیا این سیستم‌ها بی‌نقص هستند؟ قطعاً خیر. حتی پیشرفته‌ترین مدل‌های توسعه یافته توسط سازمان‌هایی مثل Meta یا گوگل هم با چالش‌هایی دست و پنجه نرم می‌کنند که گاهی نتایج خنده‌دار یا حتی خطرناکی به بار می‌آورد.

یکی از بزرگ‌ترین مشکلات، انسداد بصری (Occlusion) است. در یک دعوای واقعی در خیابان، معمولاً جمعیت دور درگیران جمع می‌شوند. وقتی سه یا چهار نفر روی هم می‌افتند، دوربین دیگر نمی‌تواند «اسکلت مجازی» افراد را تشخیص دهد. در این حالت، پیکسل‌ها با هم ترکیب شده و برای هوش مصنوعی تبدیل به یک «توده متحرک» می‌شوند. سیستم ممکن است در این لحظه دچار سردرگمی شود و نتواند تشخیص دهد چه کسی ضربه می‌زند و چه کسی ضربه می‌خورد.

مشکل دیگر، تغییرات نوری شدید است. تصور کنید در یک شب بارانی، نورهای نئونی رنگارنگ یک تابلوی تبلیغاتی روی زمین خیس منعکس شده‌اند. این انعکاس‌ها می‌توانند باعث ایجاد «لبه‌های کاذب» شوند و سیستم به اشتباه فکر کند که یک شیء در حال حرکت است. اینجاست که اهمیت استفاده از دوربین‌های حرارتی (Thermal Cameras) یا دوربین‌های Depth-Sensing (که فاصله را می‌سنجند) مشخص می‌شود تا تکیه فقط بر روی رنگ پیکسل‌ها نباشد.

همچنین باید به مسئله سوگیری (Bias) اشاره کنیم. اگر یک مدل AI فقط با ویدیوهایی از دعواهای مردان در محیط‌های صنعتی آموزش دیده باشد، ممکن است رفتارهای خشونت‌آمیز زنان یا کودکان را شناسایی نکند، چون «الگوی حرکتی» آن‌ها متفاوت است. این موضوع نشان می‌دهد که داده‌های آموزشی باید متنوع و جامع باشند تا سیستم عادلانه‌تر عمل کند.

چگونه یک سیستم تشخیص رفتار را پیاده کنیم؟

برای کسانی که در جایگاه مدیریت شهری یا مدیران امنیتی هستند، پیاده‌سازی چنین سیستمی یک مسیر خطی نیست. شما نمی‌توانید صرفاً یک نرم‌افزار بخرید و روی دوربین‌های قدیمی نصب کنید. این کار نیاز به یک استراتژی جامع دارد.

اولین قدم، ارزیابی زیرساخت است. آیا دوربین‌های شما رزولوشن کافی دارند؟ آیا پهنای باند شبکه اجازه می‌دهد ویدیوها با تأخیر کم (Low Latency) به سرور برسند؟ پردازش ویدیو در لحظه، حجم عظیمی از داده‌ها را جابجا می‌کند. اگر شبکه کند باشد، هشدار شما ممکن است ۵ دقیقه بعد از تمام شدن دعوا برسد که عملاً بی‌فایده است.

دومین قدم، انتخاب بین پردازش لبه‌ای (Edge Computing) و پردازش ابری (Cloud Computing) است. در پردازش ابری، ویدیو به یک سرور مرکزی می‌رود و تحلیل می‌شود. اما در پردازش لبه‌ای، خودِ دوربین یا یک دستگاه کوچک کنار دوربین، دارای تراشه AI است و تحلیل را همان‌جا انجام می‌دهد. این روش دومی بسیار سریع‌تر است و ترافیک شبکه را کاهش می‌دهد، اما هزینه سخت‌افزار را بالا می‌برد.

در نهایت، باید یک «سیستم بازخورد» طراحی کنید. یعنی هر بار که AI یک هشدار می‌دهد و اپراتور انسانی متوجه می‌شود که این یک «مثبت کاذب» (مثلاً دو نفر در حال بازی) بوده است، این اطلاعات باید به مدل برگردد تا سیستم یاد بگیرد و در آینده این اشتباه را تکرار نکند. این همان فرآیند Reinforcement Learning یا یادگیری تقویتی است.

اگر در حال حاضر با مدیریت سیستم‌های نظارتی درگیر هستید و احساس می‌کنید حجم داده‌های تصویری شما غیرقابل کنترل شده است، شاید وقت آن رسیده که به جای افزایش تعداد اپراتورها، به سراغ هوشمندسازی بروید. برای درک دقیق‌تر از اینکه کدام مدل پردازشی (لبه‌ای یا ابری) برای کسب‌وکار یا سازمان شما مناسب‌تر است، می‌توانید از طریق بخش ارتباطات زایروکس درخواست تحلیل وضعیت فعلی زیرساخت‌هایتان را بدهید.

آینده شهرها: وقتی امنیت با اخلاق و تکنولوژی پیوند می‌خورد

وقتی به آینده نگاه می‌کنیم، باید بپذیریم که دوربین‌های مداربسته دیگر هرگز به آن حالت «ساده و خام» برنمی‌گردند. ما به سمتی پیش می‌رویم که شهرها مانند یک موجود زنده عمل کنند؛ شهرهایی که نه تنها می‌بینند، بلکه می‌فهمند. اما این قدرت عظیم، مسئولیت بزرگی را هم با خود می‌آورد. بیایید روراست باشیم، هر کسی از این فکر که یک الگوریتم در حال تحلیل حرکاتش در خیابان است، کمی احساس نگرانی می‌کند. اما تفاوت بین یک «دولت پلیسی» و یک «شهر امن»، در نحوه استفاده از این ابزارهاست.

در سال‌های آینده، احتمالاً شاهد ادغام این سیستم‌ها با اینترنت اشیاء (IoT) خواهیم بود. تصور کنید به محض اینکه هوش مصنوعی یک درگیری شدید را تشخیص دهد، نه تنها به پلیس خبر دهد، بلکه به طور خودکار نور چراغ‌های آن منطقه را زیاد کند تا دید دوربین‌ها بهتر شود، یا حتی بلندگوهای شهری را فعال کند تا با پخش یک پیام هشدار، جمعیت را از محل حادثه دور کرده و از شدت درگیری بکاهد. این یعنی تبدیل شدن از «تشخیص حادثه» به «مدیریت حادثه» در لحظه.

تکنولوژی هرگز جایگزین انسانیت نمی‌شود، اما می‌تواند ابزاری باشد تا انسانیت در محیط‌های شهری بیشتر حفظ شود و مداخلات خشونت‌آمیز به حداقل برسد.

مسئولیت ما در برابر حریم خصوصی

یک سوال کلیدی باقی می‌ماند: چگونه می‌توانیم امنیت را بدون قربانی کردن حریم خصوصی به دست آوریم؟ پاسخ در مفاهیمی مثل Privacy by Design یا «حریم خصوصی در طراحی» نهفته است. سیستم‌های پیشرفته امروزی به گونه‌ای طراحی می‌شوند که روی چهره افراد ماسک (Blur) می‌اندازند و فقط زمانی که یک رفتار خشونت‌آمیز شناسایی شد، دسترسی به هویت فرد برای مقامات قانونی باز شود. به زبان ساده، ماشین به جای اینکه بپرسد «تو کی هستی؟»، می‌پرسد «داری چه کار می‌کنی؟».

این رویکرد باعث می‌شود که شهروندان احساس کنند تحت نظر نیستند، بلکه تحت حمایت هستند. وقتی بدانیم که در صورت بروز یک اتفاق ناگوار، کمک‌ها در سریع‌ترین زمان ممکن می‌رسند، حس امنیت در فضای عمومی افزایش می‌یابد. این همان هدفی است که سازمان‌های پیشرو در دنیا دنبال می‌کنند: ایجاد محیطی که در آن تکنولوژی در سایه باشد و امنیت در روشنایی.

جمع‌بندی: از تماشاگر بودن تا پیش‌گیر بودن

در این مقاله بررسی کردیم که چگونه هوش مصنوعی با استفاده از بینایی ماشین، تخمین ژست‌ها و تحلیل‌های زمانی، می‌تواند دعواها و رفتارهای خشونت‌آمیز را در خیابان‌ها شناسایی کند. فهمیدیم که این مسیر از تحلیل ساده پیکسل‌ها شروع شده و به مدل‌های پیچیده یادگیری عمیق می‌رسد که می‌توانند تفاوت بین یک بازی دوستانه و یک درگیری واقعی را تشخیص دهند.

ما همچنین به چالش‌های محیطی مثل انسداد بصری و تغییرات نوری پرداختیم و دیدیم که چگونه ترکیب پردازش لبه‌ای (Edge Computing) و تحلیل‌های صوتی می‌تواند دقت این سیستم‌ها را به شدت بالا ببرد. نکته نهایی این است که هوش مصنوعی قرار نیست جایگزین عقل و منطق انسانی شود، بلکه می‌آید تا چشم‌های ما را در نقاط کور شهر باز کند و سرعت واکنش ما را به حوادث افزایش دهد.

اگر شما هم در جایگاهی هستید که مسئولیت امنیت یک مجموعه، یک مجتمع تجاری یا حتی یک منطقه شهری را بر عهده دارید، احتمالاً متوجه شده‌اید که تکیه بر نیروی انسانی برای نظارت بر ده‌ها مانیتور، نه تنها خسته‌کننده است، بلکه نرخ خطای بسیار بالایی دارد. دنیای امروز دیگر اجازه نمی‌دهد منتظر بمانیم تا حادثه رخ دهد و سپس ویدیوها را بازبینی کنیم؛ امروز زمان «پیش‌بینی» و «واکنش آنی» است.

پیاده‌سازی چنین سیستم‌های پیچیده‌ای، نیازمند توازن دقیقی بین سخت‌افزار قدرتمند، الگوریتم‌های بهینه و درک درست از نیازهای محیطی است. اگر می‌خواهید بدانید چگونه می‌توانید زیرساخت‌های نظارتی خود را از یک سیستم ضبط ساده به یک مرکز تحلیل هوشمند تبدیل کنید و از پتانسیل‌های بینایی ماشین برای افزایش امنیت محیطتان استفاده کنید، پیشنهاد می‌کنیم با متخصصان ما مشورت کنید. شما می‌توانید برای دریافت یک نقشه راه شخصی‌سازی شده و تحلیل نیازهای امنیتی سازمانتان، از طریق بخش تماس با ما در زایروکس با ما در ارتباط باشید تا به شما کمک کنیم امنیت را با هوشمندی تعریف کنید.

پاسخ به چند سوال متداول (FAQ)