پژوهش های سنجش از دور و اطلاعات مکانی

دوفصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

همکاران دفتر نشریه

اصول اخلاقی انتشار مقاله

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

آیین نامه ها و مصوبات

بهینه سازی چند هدفه جانمایی دوربین مدار بسته با استفاده از الگوریتم‌های هوش مصنوعی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مدیریت فن آوری اطلاعات ، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی- واحد علوم و تحقیقات، تهران، ایران

2 گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی- واحد کاشان، کاشان، ایران

3 گروه مدیریت صنعتی ، دانشکده مدیریت و اقتصاد ، دانشگاه آزاد اسلامی- واحد تهران مرکز، تهران، ایران

چکیده

پیشینه و اهداف: بهینه‌سازی جانمایی دوربین‌های مداربسته یکی از ارکان اساسی سیستم‌های هوشمند مدیریت ترافیک شهری است. استقرار صحیح این دوربین‌ها دقت پایش ترافیک را افزایش می‌دهد و زمان تشخیص حوادث را کاهش می‌دهد. بنابراین، مسأله بهینه‌سازی جانمایی دوربین‌ها سال‌ها است به عنوان یک چالش پژوهشی مطرح می‌شود. رویکردهای نوین حل مسئله از روش‌های بهینه‌سازی چندهدفه استفاده می‌کنند تا امکان تحلیل همزمان پارامترهای مختلف را فراهم کنند. با وجود پیشرفت‌های قابل توجه در روش‌های بهینه‌سازی، رویکردهای فعلی مبتنی بر شبکه‌بندی دوبعدی و سه‌بعدی هستند که در محیط‌های شهری پیچیده با محدودیت‌های اساسی مواجه می‌شوند. در این روش‌ها، فضا به صورت یک شبکه منظم تقسیم‌بندی می‌شود و نقاط بهینه برای نصب دوربین‌ها با چرخش زاویه‌ای مناسب انتخاب می‌شوند. اما در توپولوژی واقعی شهرها، شبکه‌های معابر به صورت خطوط تو در تو و غیرمنظم گسترده شده‌اند و بسیاری از نقاط محاسبه‌شده خارج از مسیرهای قابل دسترس قرار می‌گیرند. این ناهماهنگی بین مدل‌های نظری و شرایط عملی، کارایی روش‌های سنتی را به شدت زیر سوال می‌برد. با توجه به این محدودیت‌ها، ارائه یک چارچوب نوین ضروری است که توپولوژی واقعی شهرها، محدودیت‌های فیزیکی و الزامات برنامه‌ریزی شهری را همزمان در نظر بگیرد. روش‌های جدید باید بتوانند مسیرهای واقعی ترافیک، مکان‌های مجاز نصب دوربین و زاویه‌بندی اجباری را در مدل‌های خود ادغام کنند. این امر نیازمند استفاده از روش‌های مبتنی بر داده‌های ترافیک مجازی واقع‌گرا‌ و به‌کارگیری الگوریتم‌های هوش مصنوعی برای بهینه‌سازی است. 
روش‌ها:‌ روش پژوهش حاضر نقشه‌های شهری را تحلیل می‌کند و به یک نقشه جامع و دقیق از شهر نیاز دارد تا موقعیت‌های بهینه را بر اساس داده‌های واقعی شناسایی کند. نقشه مورد استفاده به صورت یک ماتریس نمایش داده می‌شود که شبکه‌ای دوبعدی از نقاط است و مسیرهای قابل دسترس و موانع غیرقابل عبور با اعداد مختلف تعریف شده‌اند. از آنجا که عرض یک خیابان شامل چندین نقطه است، یک ردیف از مرکز مسیر به عنوان نماینده مسیر در نظر گرفته می‌شود تا حرکت وسایل نقلیه را به آن محدود کند و مکان ایده‌آلی برای استقرار دوربین‌های نظارتی فراهم نماید. فرآیند جانمایی بهینه پس از تشکیل ماتریس مدل، در چهار مرحله به صورت سیستماتیک انجام می‌شود. در مرحله اول، جفت‌های مبدأ-مقصد به صورت تصادفی با استفاده از توزیع احتمال مبتنی بر تراکم جمعیتی تولید می‌شوند. در مرحله دوم، برای هر جفت مبدأ-مقصد، مسیریابی بهینه با شبیه‌سازی رفتار ترافیکی شهروندان انجام می‌شود. این شبیه‌سازی در دو حالت انجام می‌گیرد: ساعات عادی با انتخاب کوتاه‌ترین مسیر و ساعات شلوغی با انتخاب مسیرهای فرعی. در مرحله سوم، تمام مسیرهای تولید‌شده تجمیع می‌شوند و ترافیک مجازی ساخته می‌شود. سپس تراکم مسیرها محاسبه می‌شود و بهینه‌سازی بر اساس ترافیک انجام می‌گیرد. در مرحله چهارم، با در نظر گرفتن انواع دوربین‌ها بر اساس قیمت خرید و هزینه‌های نصب، جانمایی بر اساس هزینه بهینه می‌شود. 
یافته‌ها: یکصد هزار داده جدید ایجاد شد و دو آزمایش انجام گرفت. در آزمایش اول، از یک الگوریتم حریصانه برای حداکثر کردن پوشش دوربین‌ها در کل مسیر استفاده شد. آزمایش دوم از روش پیشنهادی بهره گرفت که ابتدا نقاط پرتردد را شناسایی می‌کند، سپس پوشش دوربین‌ها را در این نقاط حداکثر می‌کند و در نهایت هزینه‌های نصب را به حداقل می‌رساند. نتایج نشان داد روش پیشنهادی در پایش مسیرهای جدید ۴۰ درصد کاراتر و در اجرای پروژه ۶.۶ درصد مقرون‌به‌صرفه‌تر است. 
نتیجه‌گیری: در جانمایی دوربین های مداربسته شهری  هر روشی که حداکثر پوشش را در مسیرهای شهری در نظر بگیرد کارایی ندارد و سنجش ترافیک عامل مهمی‌برای بهینه‌سازی است. همچنین در روش پیشنهادی  چون ویژگی‌های هندسی مسیرها حذف شده‌اند، این روش‌ مقیاس پذیر بوده و برای هر شهر و سیستم مسیریابی قابل اعمال است . همچنین  برنامه‌ریزان شهری معمولا دوربین های با میدان دید و برندهای متفاوت را خریداری می کنند که می تواند به عنوان فرصت در نظر گرفته شده و هدف دوم بهینه سازی برای کاهش هزینه در نظر گرفته شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Multi-objective optimization of CCTV camera placement using artificial ‎intelligence algorithms

نویسندگان [English]

  • H. Sanei arani 1
  • M. Esmaeili 2
  • M. Afshar kazimi 3

1 Department of Information Technology Management , Faculty of Management and Economics, Islamic Azad University- Science and Research branch, Tehran, Iran

2 Department of Computer Engineering,, Islamic Azad University- Kashan Branch, Kashan, Iran

3 Department of Industrial Management , Faculty of Management and Accounting, Islamic Azad University- Central Tehran branch,Tehran, Iran

چکیده [English]

Background and Objectives: Optimizing the placement of surveillance cameras is a fundamental component of intelligent urban traffic management systems. Proper camera deployment significantly enhances traffic monitoring accuracy and reduces incident detection time. As a result, the problem of optimal camera placement has long been a research challenge for many scholars. Modern approaches employ multi-objective optimization methods to enable simultaneous analysis of various influential parameters. Despite significant advancements in optimization techniques, current methods rely on 2D and 3D grid-based modeling of the study area, which faces major limitations in complex urban environments. In these methods, the space is divided into a regular grid, and optimal camera locations are selected with appropriate angular rotation. However, in real urban topologies, road networks consist of nested and irregular paths, causing many computed points to fall outside accessible routes. This mismatch between theoretical models and practical conditions severely undermines the effectiveness of traditional methods. Given these limitations, developing a new framework that simultaneously considers real urban topologies, physical constraints, and urban planning requirements has become essential. New methods must integrate actual traffic routes, permissible camera installation points, and mandatory angle adjustments into their models. This requires using realistic virtual traffic data and applying artificial intelligence algorithms for optimization.
Methods: The current research analyzes urban maps and requires a comprehensive and precise city map to identify optimal locations based on real data. The map is represented as a matrix—a 2D grid of points—where accessible paths and obstacles are defined by different numerical values. Since a street's width includes multiple points, a central row is selected to represent the path, restricting vehicle movement to this route and providing an ideal location for surveillance cameras. The optimal placement process is systematically conducted in four stages after matrix formation. First, origin-destination pairs are randomly generated using population density-based probability distribution. Second, optimal routing for each pair is simulated based on traffic behavior—shortest path selection during normal hours and alternative routes during peak hours. Third, all generated routes are aggregated to create virtual traffic, and path density is calculated for traffic-based optimization. Finally, considering different camera types based on purchase cost and installation expenses, placement is optimized for cost efficiency.
Findings: One hundred thousand new data points were generated, and two experiments were conducted. The first experiment used a greedy algorithm to maximize camera coverage across all paths. The second experiment applied the proposed method, first identifying high-traffic points, then maximizing coverage in these areas while minimizing installation costs. Results showed that the proposed method improves monitoring efficiency by 40% on new routes and reduces project costs by 6.6%.
Conclusion: In urban surveillance camera placement, methods focusing solely on maximum path coverage are ineffective, and traffic assessment is crucial for optimization. Additionally, since geometric features of paths are eliminated in the proposed method, it is scalable and applicable to any city and routing system. Furthermore, urban planners often purchase cameras with varying fields of view and brands, which can be leveraged as an opportunity for cost optimization.

کلیدواژه‌ها [English]

  • CCTV Camera Placement
  • Multi-Objective Optimization
  • Intelligent Routing
  • Q Learning Algorithm
  • Video Surveillance System

COPYRIGHTS

© 2025 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

(https://creativecommons.org/licenses/by-nc/4.0/)

مراجع
[1] Li Y, Cheng Z, Yao X, Kong Z, Wang Z, Liu M. Multi-Objective Optimal Deployment of Road Traffic Monitoring Cameras: A Case Study in Wujiang, China. Sustainability. 2023 Aug 4;15(15):12011. https://doi.org/10.3390/su151512011
[2] Mohanty A, Mohapatra AG, Mohanty SK. Real-time traffic monitoring with AI in smart cities. In: Lecture Notes in Intelligent Transportation and Infrastructure. Cham: Springer Nature Switzerland; 2025. p. 135–65.
https://doi.org/10.1007/978-3-031-72959-1_7
[3] Wu H, Yang J, Yuan M-D, Li X. Heuristic optimal scheduling for road traffic incident detection under computational constraints. Sensors (Basel) [Internet]. 2024;24(22). https://doi.org/10.3390/s24227221
[4] Zhang X, Feng Y, Angeloudis P, Demiris Y. Monocular Visual Traffic Surveillance: A Review. IEEE Transactions on Intelligent Transportation Systems [Internet]. 2022 Sep 1 [cited 2024 Mar 9];23(9):14148–65. DOI: 10.1109/TITS.2022.3147770
[5] Khan SW, Hafeez Q, Khalid MI, Alroobaea R, Hussain S, Iqbal J, et al. Anomaly Detection in Traffic Surveillance Videos Using Deep Learning. Sensors [Internet]. 2022 Jan 1;22(17):6563. https://doi.org/10.3390/s22176563
[6] Sindhu VS. Vehicle Identification from Traffic Video Surveillance Using YOLOv4. 2021 5th International Conference on Intelligent Computing and Control Systems (ICICCS). 2021 May 6. DOI: 10.1109/ICICCS51141.2021.9432144
[7] Zahra A, Ghafoor M, Munir K, Ullah A, Ul Abideen Z. Application of region-based video surveillance in smart cities using deep learning. Multimedia Tools and Applications. 2021 Dec 27. https://doi.org/10.1007/s11042-021-11468-w
[8] Cao Y, Zhang J, Yu Z, Xu K. Neural Observation Field Guided Hybrid Optimization of Camera Placement. IEEE Robotics and Automation Letters [Internet]. 2024 Aug 19;9(11):9207–14. Available from: https://ieeexplore.ieee.org/abstract/document/10638696/
DOI: 10.1109/LRA.2024.3445634
[9] Tahir M, Qiao Y, Kanwal N, Lee B, Asghar MN. Real-Time Event-Driven Road Traffic Monitoring System Using CCTV Video Analytics. IEEE Access. 2023 Jan 1;11:139097–111.
DOI: 10.1109/ACCESS.2023.3340144
[10] Rezaee K, Rezakhani SM, Khosravi MR, Moghimi MK. A survey on deep learning-based real-time crowd anomaly detection for secure distributed video surveillance. Personal and Ubiquitous Computing. 2021 Jun 25.
https://doi.org/10.1007/s00779-021-01586-5
[11] Arif T, Abu, Rahman M, Mahbubul Alam Joarder. Vision-based real-time traffic flow monitoring system for road intersections in Dhaka city. Applied Intelligence. 2025 Jun 19;55(11). https://doi.org/10.1007/s10489-025-06631-x
[12] Anirudh Puligandla V, Loncaric S. A Multi-Resolution Approach for Large Real-World Camera Placement Optimization Problems. IEEE Access. 2022;1–1.
DOI: 10.1109/ACCESS.2022.3176817
[13] Liu C, Liu Z, Chai Y, Liu T. Review of Virtual Traffic Simulation and Its Applications. Journal of Advanced Transportation. 2020 Jun 19;2020:1–9. https://doi.org/10.1155/2020/8237649
[14] Chao Q, Bi H, Li W, Mao T, Wang Z, Lin MC, et al. A Survey on Visual Traffic Simulation: Models, Evaluations, and Applications in Autonomous Driving. Computer Graphics Forum [Internet]. 2019 Jul 15;39(1):287–308.
https://doi.org/10.1111/cgf.13803
[15] Bazán Guillén A, Barbecho Bautista P, Aguilar Igartua M. RUTGe: Realistic urban traffic generator for urban environments using deep reinforcement learning and SUMO simulator. In: Proceedings of the 11th International Conference on Vehicle Technology and Intelligent Transport Systems. SCITEPRESS - Science and Technology Publications; 2025. p. 557–64. https://doi.org/10.5220/0013375000003941
[16] Song H, Min O. Statistical traffic generation methods for urban traffic simulation. 2018 20th International Conference on Advanced Communication Technology (ICACT). 2018 Feb 1.
DOI: 10.23919/ICACT.2018.8323712
[17] Zhou J, Deng H, Zhao Z, Zou Y, Wang X. Sensor Placement Optimization of Visual Sensor Networks for Target Tracking Based on Multi-Objective Constraints. Applied Sciences [Internet]. 2024 Feb 20 [cited 2025 Jun 23];14(5):1722–2. Available from: https://www.mdpi.com/2076-3417/14/5/1722  https://doi.org/10.3390/app14051722
[18] Chen Z, Lai Z, Song C, Zhang X, Cheng JCP. Smart camera placement for building surveillance using OpenBIM and an efficient Bi-level optimization approach. Journal of Building Engineering [Internet]. 2023 Jul 3; 77:107257.
[19] Kumar A, Ramachandran V, Rashid M, Javed AR, Islam S, Abdullah Al Hejaili. An Intelligent Traffic Monitoring System in Congested Regions with Prioritization for Emergency Vehicle Using UAV Networks. Tsinghua Science & Technology [Internet]. 2025 Mar 3 [cited 2025 Apr 3]; 30(4):1387–400.
DOI: 10.26599/TST.2023.9010078
[20] Gupta H, Verma OP. Monitoring and surveillance of urban road traffic using low altitude drone images: a deep learning approach. Multimedia Tools and Applications. 2021 Jun 16.
https://doi.org/10.1007/s11042-021-11146-x
[21] Seau Chen Houng, Pal A, Lin JJ. 4D BIM and Reality Model–Driven Camera Placement Optimization for Construction Monitoring. Journal of construction engineering and management. 2024 Jun 1; 150(6).
https://doi.org/10.1061/JCEMD4.COENG-1460
[22] Alihodzic A, Tuba E, Tuba M. Optimizing Camera Placement for Maximum Coverage of Simple Polygons with Holes: Deterministic Approaches and Swarm Intelligence Algorithms. Springer tracts in nature-inspired computing. 2024 Sep 25;389–409. https://doi.org/10.1007/978-981-97-5979-8_18
[23] Almousa M, Ehrgott M, Kheiri A. Exploring the Optimal Camera Placement Problem and Its Relationship with the Set Covering Problem. Lecture Notes in Operations Research. 2024; 295–306. https://doi.org/10.1007/978-3-031-61589-4_23
[24] Sumi, Menon V. An Efficient Graph Based Approach for Reducing Coverage Loss from Failed Cameras of a Surveillance Network. IEEE Sensors Journal [Internet]. 2022 Mar 8 [cited 2025 Jun 23];22(8):8155–63. Available from: https://ieeexplore.ieee.org/abstract/document/9730884/
DOI: 10.1109/JSEN.2022.3157819
[25] Du Y, Wang F, Zhao C, Zhu Y, Ji Y. Quantifying the performance and optimizing the placement of roadside sensors for cooperative vehicle‐infrastructure systems. IET Intelligent Transport Systems. 2022; Apr 11; 16(7):908–25.
https://doi.org/10.1049/itr2.12185
[26] Altahir, A. A., Asirvadam, V. S., Sebastian, P., Hamid, N. H. B., & Ahmed, E. F. Optimizing visual sensors placement with risk maps using dynamic programming. IEEE Sensors Journal, 2021; 22(1), 393-404. https://doi.org/10.1109/jsen.2021.3127989.
[27] Bisagno, N., Xamin, A., De Natale, F., Conci, N., & Rinner, B. Dynamic camera reconfiguration with reinforcement learning and stochastic methods for crowd surveillance. Sensors, 2020; 20(17), 4691. https://doi.org/10.3390/s20174691.
[28] Ezzat, M. A., Abd El Ghany, M. A., Almotairi, S., & Salem, M. A. M. Horizontal review on video surveillance for smart cities: Edge devices, applications, datasets, and future trends. Sensors, 2021; 21(9), 3222. https://doi.org/10.3390/s21093222.
[29] Heyns, A. M. Optimisation of surveillance camera site locations and viewing angles using a novel multi-attribute, multi-objective genetic algorithm: A day/night anti-poaching application. Computers, Environment and Urban Systems, 2021; 88, 101638.
https://doi.org/10.1016/j.compenvurbsys.2021.101638.
[30] Aubry A, Babu P, Braca P, De Maio A, Panwar K. Sensor placement strategies for target localization via 3D AOA measurements. IEEE Trans Aerosp Electron Syst [Internet]. 2024;1–14. DOI: 10.1109/TAES.2024.3463636
[31] Yun, W. J., Park, S., Kim, J., Shin, M., Jung, S., Mohaisen, D. A., & Kim, J. H. Cooperative multiagent deep reinforcement learning for reliable surveillance via autonomous multi-UAV control. IEEE Transactions on Industrial Informatics, 18(10), 2022; 7086-7096. https://doi.org/10.1109/tii.2022.3143175.
پژوهش های سنجش از دور و اطلاعات مکانی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 15 شهریور 1404
فایل ها
سابقه مقاله
  • تاریخ دریافت: 08 اردیبهشت 1404
  • تاریخ بازنگری: 20 تیر 1404
  • تاریخ پذیرش: 01 شهریور 1404
هم رسانی
ارجاع به این مقاله
آمار