Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
6<br />
<strong>wydanie</strong> <strong>specjalne</strong><br />
video content analysis<br />
Prace nad systemami monitoringu wizyjnego<br />
wspomaganymi przez komputerową analizę obrazu z kamer<br />
w czasie rzeczywistym i wykrycie zdarzeń niebezpiecznych są<br />
napędzane przez wiele dziedzin przemysłu. Prowadzą je również<br />
jednostki badawcze i badawczo-rozwojowe dużych koncernów<br />
i małych firm [1, 2, 3, 4].<br />
Przykładem takiego działania jest współpraca polskich uczelni<br />
technicznych i firm prywatnych.<br />
Piotr Garbat<br />
Politechnika Warszawska<br />
Przegląd metod<br />
analizy obrazu<br />
Zadaniem opracowywanych rozwiązań jest wzbogacenie istniejących<br />
instalacji CCTV o moduł wspomagający, grający rolę pośredniczącą<br />
pomiędzy siecią kamer a operatorem podejmującym decyzję<br />
opartą na komputerowej analizie obrazu i dźwięku. Dodatkowym<br />
zadaniem funkcjonalnym stawianym przed tego typu systemami,<br />
oprócz zwiększenia efektywności wykrywania zagrożeń, jest zapewnienie<br />
prywatności osób znajdujących się w polu widzenia poprzez<br />
uruchamianie podglądu dopiero w momencie wykrycia podejrzanych<br />
aktywności.<br />
Rys. 1.<br />
Operator<br />
Większość tego typu systemów ma budowę modułową o strukturze<br />
zbliżonej do systematyki funkcjonalności systemów monitoringu wizyjnego<br />
zawartej w normach. Pierwszym etapem jest procedura detekcji<br />
ruchu (informacja na wysokim poziomie ogólności). Zadaniem<br />
algorytmów z tego poziomu jest jedynie wskazanie na ruch w scenie.<br />
Realizacje różnych odmian algorytmu detekcji ruchu na podstawie<br />
obserwacji zmian wartości średniej intensywności w określonym obszarze<br />
obrazu jest z powodzeniem implementowana w wielu rozwiązaniach.<br />
Informacja ta nie pozwala jednak na zlokalizowanie ruchu<br />
w scenie, a tym bardziej na jego sklasyfikowanie.<br />
Kolejną grupą w hierarchii metod analizy treści sekwencji obrazów<br />
są metody wyodrębnienia (segmentacji) obiektów poruszających<br />
się w scenie. Większość rozwiązań stanowią metody usuwania/odejmowania<br />
tła (background substraction). Informację o ruchu obiektów<br />
w scenie uzyskuje się na podstawie odejmowania tła aktualnej ramki<br />
obrazu od obrazu referencyjnego. Głównymi trudnościami w tego<br />
typu rozwiązaniach są:<br />
• wyznaczanie obrazu referencyjnego (bardzo rzadko można zarejestrować<br />
statyczny obraz tła we wszystkich warunkach),<br />
• globalne zmiany jasności (np. zachmurzenie, pora dnia, zmienne warunki<br />
atmosferyczne),<br />
• szybko zmieniające się elementy tła (liście na wietrze, refleksy od falującej<br />
powierzchni wody),<br />
• zróżnicowany wygląd obiektów w scenie (w stosunku do sceny –<br />
możliwość kamuflażu),<br />
• jakość pozyskiwanych obrazów (szum termiczny, niejednorodne<br />
oświetlenie).<br />
Identyfikacja<br />
aktywności<br />
Identyfikacja<br />
zachowań<br />
w kontekście<br />
obrazu<br />
Identyfikacja<br />
ruchu<br />
obiektów<br />
Śledzenie<br />
obiektów<br />
Detekcja<br />
ruchu<br />
Identyfikacja<br />
obiektów<br />
Identyfikacja<br />
ruchu<br />
Większość z nich ma wpływ również na pozostałe poziomy analizy treści<br />
obrazu, w związku z czym konieczne jest uwzględnianie ich zarówno<br />
na poziomie projektowania metod analizy obrazu, jak i projektowania<br />
systemu monitoringu z ich wykorzystaniem. Problem wyznaczania<br />
uogólnionego, adaptacyjnego obrazu referencyjnego (uwzględniającego<br />
globalne zmiany jasności w czasie) jest tematem wielu opracowań.<br />
Stosowane obecnie rozwiązania można podzielić na kilka grup [5]:<br />
• metody modelowania tła z wykorzystaniem statystyk pierwszego<br />
rzędu (wartość oczekiwana, mediana),<br />
• metody modelowania tła z wykorzystaniem dopasowania rozkładu<br />
lub rozkładów normalnych (GMM),<br />
• metody z wykorzystaniem dodatkowej informacji o barwie, teksturze,<br />
• metody z wykorzystaniem klasyfikatora Bayesa,<br />
• metody z uwzględnieniem kontekstu, wartości sąsiednich obszarów.<br />
Znacznie mniej efektywne na tym etapie są metody wykorzystujące<br />
algorytmy wyznaczania „pola przepływu optycznego”. Ze względu na<br />
złożoność obliczeniową częściej są stosowane na wyższych etapach<br />
analizy ruchu, np. rozpoznawania anormalnego zachowania tłumu.<br />
Rys. 2.<br />
partnerzy wydania:<br />
1.5X