اكتشاف العنف يحمل أهمية كبيرة في ضمان السلامة العامة والأمن وتطبيق القانون في مختلف المجالات. ومع تزايد توافر بيانات الفيديو من كاميرات المراقبة ومنصات وسائل التواصل الاجتماعي، أصبحت الحاجة إلى خوارزميات دقيقة وفعالة لاكتشاف العنف أمرًا بالغ الأهمية. يمكن لأنظمة اكتشاف العنف الآلية أن تساعد وكالات إنفاذ القانون في تحديد الحوادث العنيفة والاستجابة لها بسرعة، مما يمنع التهديدات المحتملة ويضمن حماية الجمهور.
يركز هذا البحث على اكتشاف العنف في قواعد بيانات الفيديو الكبيرة، ويقترح نموذجين قائمين على اختيار الإطارات الرئيسية، هما DeepkeyFrm وAreaDiffKey. تعتبر عملية اختيار الإطارات الرئيسية أمرًا حاسمًا في أنظمة كشف العنف، حيث تقلل من التعقيد الحسابي وتعزز الدقة. تم اقتراح نموذجين للتصنيف هما EvoKeyNet وKFCRNet، ويعتمدان على استخراج الميزات من الإطارات الرئيسية المثلى. يستخدم EvoKeyNet خوارزمية تطورية لاختيار أفضل خصائص الميزات، بينما يستفيد KFCRNet من تجميع نماذج LSTM وBi-LSTM وGRU مع آلية التصويت.
تشمل مساهماتنا الرئيسية تطوير أساليب فعالة لاختيار الإطارات الرئيسية ونماذج التصنيف، مما يعالج تحديات اكتشاف العنف في سيناريوهات المراقبة الديناميكية. تفوقت النماذج المقترحة على الأساليب الحالية من حيث الدقة والكفاءة الحسابية، وكانت نتائج الدقة كما يلي: 98.98% (Hockey Fight)، 99.29% (Violent Flow)، 99% (RLVS)، 91% (UCF-Crime)، و91% (ShanghaiTech). تم إجراء اختبارات ANOVA وTukey للتحقق من الأهمية الإحصائية للفروقات بين جميع النماذج.
تمهد النهج المقترحة، المدعومة بالاختبارات الإحصائية، الطريق لأنظمة أكثر فعالية لاكتشاف العنف، مما يحمل وعدًا كبيرًا بمستقبل أكثر أمانًا وأمنًا. ومع استمرار تطور تقنية اكتشاف العنف، يمثل بحثنا خطوة حاسمة نحو تحقيق تحسينات في السلامة والأمن العامين في مواجهة التحديات الديناميكية.
