AI-Based Real-Time Fight Detection Through CCTV Cameras
Notice bibliographique
Résumé
Detecting violent behavior, particularly physical fights, in real-time video streams is a critical task to ensure public safety in environments such as schools, prisons, and public surveillance systems. Currently, most surveillance systems rely on manual monitoring through CCTV cameras, which is inherently limited due to operator fatigue, labor intensiveness, delayed reaction times, subjectivity, and poor scalability in multi-camera setups. These limitations often result in missed or delayed detection of violent incidents. Although several research efforts have proposed automated human activity detection, such as fights, many of these methods suffer from low accuracy or are impractical for real-time deployment due to computational inefficiencies. In this paper, we propose an efficient and accurate neural network-based system for real-time fight detection. Specifically, we employ a transfer learning approach that combines a pre-trained InceptionV3 model for spatial feature extraction with the temporal sequence modeling capabilities of recurrent neural networks (RNNs), including LSTM and GRU variants. Our system analyzes video streams frame-by-frame in real-time, using the InceptionV3 model to extract spatial features from each frame. These features are then passed on to the RNN to learn temporal patterns across frames and predict violent activity. Based on the number of frames classified as violent within a specified time window, the system determines whether a fight is occurring and triggers an alert accordingly. Unlike traditional heavy-weight models, our approach emphasizes computational efficiency without compromising detection performance. Experimental results demonstrate that our system achieves over <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{9 0 \%}$</tex> in accuracy, precision, recall, and F1-score, while maintaining real-time processing capabilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».