Analýza videa a vyhledávání málo četných událostí

Abstract

Táto diplomová práca sa zaoberá analýzou videa a vyhľadávaním málo početných udalostí pomocou moderných technológií strojového učenia. Cieľom práce bolo navrhnúť a implementovať systém, ktorý dokáže efektívne spracovať rozsiahle videozáznamy a detegovať neobvyklé alebo zriedkavé udalosti, ktoré by mohli prejsť nepozorovane v tradičných systémoch video dohľadu. Zameral som sa na využitie konvolučných neurónových sietí (CNN) a modelov na detekciu objektov, ako je YOLO a jeho verzia YOLOv11. Na rozpoznávanie činností som následne nasadil pokročilý multimodálny model X-CLIP. Pre účely sledovania objektov som skúmal algoritmy, ako SORT, DeepSORT, ByteTrack a BoT-SORT. Dôležitou súčasťou práce bol aj vývoj užívateľského rozhrania pre offline analýzu videozáznamov, ktoré umožňuje efektívne vyhľadávanie a analýzu detegovaných udalostí. Navrhnutý systém môže výrazne zlepšiť schopnosti video dohľadu, znížiť potrebu manuálneho zásahu a zvýšiť efektivitu detekcie kritických udalostí v rôznych aplikáciách, ako sú bezpečnosť, monitorovanie dopravy či zdravotná starostlivosť.

This master’s thesis focuses on video analysis and the search for less frequent events using modern machine-learning technologies. The goal of the thesis is to design and implement a system capable of efficiently processing large video recordings and detecting unusual or rare events that could go unnoticed in traditional video surveillance systems. The thesis emphasizes the use of convolutional neural networks (CNN) and object detection models such as YOLO and its version YOLOv11. For activity recognition, a more advanced multimodal model X-CLIP is employed. For object tracking, algorithms like SORT, DeepSORT, ByteTrack, and BoT-SORT are explored. An important part of the work is the development of a user interface for offline video analysis, which enables efficient search and analysis of detected events. This system can significantly enhance the capabilities of video surveillance, reduce the need for manual intervention, and increase the efficiency of detecting critical events in various applications such as security, traffic monitoring, and healthcare.