2/2014 - wydanie specjalne VCA

More documents

Recommendations

Info

6 <strong>wydanie</strong> <strong>specjalne</strong> video content analysis Prace nad systemami monitoringu wizyjnego wspomaganymi przez komputerową analizę obrazu z kamer w czasie rzeczywistym i wykrycie zdarzeń niebezpiecznych są napędzane przez wiele dziedzin przemysłu. Prowadzą je również jednostki badawcze i badawczo-rozwojowe dużych koncernów i małych firm [1, 2, 3, 4]. Przykładem takiego działania jest współpraca polskich uczelni technicznych i firm prywatnych. Piotr Garbat Politechnika Warszawska Przegląd metod analizy obrazu Zadaniem opracowywanych rozwiązań jest wzbogacenie istniejących instalacji CCTV o moduł wspomagający, grający rolę pośredniczącą pomiędzy siecią kamer a operatorem podejmującym decyzję opartą na komputerowej analizie obrazu i dźwięku. Dodatkowym zadaniem funkcjonalnym stawianym przed tego typu systemami, oprócz zwiększenia efektywności wykrywania zagrożeń, jest zapewnienie prywatności osób znajdujących się w polu widzenia poprzez uruchamianie podglądu dopiero w momencie wykrycia podejrzanych aktywności. Rys. 1. Operator Większość tego typu systemów ma budowę modułową o strukturze zbliżonej do systematyki funkcjonalności systemów monitoringu wizyjnego zawartej w normach. Pierwszym etapem jest procedura detekcji ruchu (informacja na wysokim poziomie ogólności). Zadaniem algorytmów z tego poziomu jest jedynie wskazanie na ruch w scenie. Realizacje różnych odmian algorytmu detekcji ruchu na podstawie obserwacji zmian wartości średniej intensywności w określonym obszarze obrazu jest z powodzeniem implementowana w wielu rozwiązaniach. Informacja ta nie pozwala jednak na zlokalizowanie ruchu w scenie, a tym bardziej na jego sklasyfikowanie. Kolejną grupą w hierarchii metod analizy treści sekwencji obrazów są metody wyodrębnienia (segmentacji) obiektów poruszających się w scenie. Większość rozwiązań stanowią metody usuwania/odejmowania tła (background substraction). Informację o ruchu obiektów w scenie uzyskuje się na podstawie odejmowania tła aktualnej ramki obrazu od obrazu referencyjnego. Głównymi trudnościami w tego typu rozwiązaniach są: • wyznaczanie obrazu referencyjnego (bardzo rzadko można zarejestrować statyczny obraz tła we wszystkich warunkach), • globalne zmiany jasności (np. zachmurzenie, pora dnia, zmienne warunki atmosferyczne), • szybko zmieniające się elementy tła (liście na wietrze, refleksy od falującej powierzchni wody), • zróżnicowany wygląd obiektów w scenie (w stosunku do sceny – możliwość kamuflażu), • jakość pozyskiwanych obrazów (szum termiczny, niejednorodne oświetlenie). Identyfikacja aktywności Identyfikacja zachowań w kontekście obrazu Identyfikacja ruchu obiektów Śledzenie obiektów Detekcja ruchu Identyfikacja obiektów Identyfikacja ruchu Większość z nich ma wpływ również na pozostałe poziomy analizy treści obrazu, w związku z czym konieczne jest uwzględnianie ich zarówno na poziomie projektowania metod analizy obrazu, jak i projektowania systemu monitoringu z ich wykorzystaniem. Problem wyznaczania uogólnionego, adaptacyjnego obrazu referencyjnego (uwzględniającego globalne zmiany jasności w czasie) jest tematem wielu opracowań. Stosowane obecnie rozwiązania można podzielić na kilka grup [5]: • metody modelowania tła z wykorzystaniem statystyk pierwszego rzędu (wartość oczekiwana, mediana), • metody modelowania tła z wykorzystaniem dopasowania rozkładu lub rozkładów normalnych (GMM), • metody z wykorzystaniem dodatkowej informacji o barwie, teksturze, • metody z wykorzystaniem klasyfikatora Bayesa, • metody z uwzględnieniem kontekstu, wartości sąsiednich obszarów. Znacznie mniej efektywne na tym etapie są metody wykorzystujące algorytmy wyznaczania „pola przepływu optycznego”. Ze względu na złożoność obliczeniową częściej są stosowane na wyższych etapach analizy ruchu, np. rozpoznawania anormalnego zachowania tłumu. Rys. 2. partnerzy wydania: 1.5X
7 Śledzenie punktów Śledzenie obszarów Śledzenie modeli Wykrywanie ruchu Określenie cech wykrytych obiektów, dopasowanie do modelu Klasyfikacja na podstawie wyznaczonych cech Rys. 3. Metody śledzenia ruchu Rys. 4. Przykładowe etapy procesu analizy ruchu Trzecią grupę rozwiązań stanowią metody śledzenia ruchu. Ścieżka ruchu jest bardzo ważnym elementem pozwalającym na opis aktywności i jej rozpoznawanie. Pozwala również na częściowe wyeliminowanie problemu przysłaniania obiektów, łączenia się w grupy i dzielenia śledzonych obiektów. Proces śledzenia ruchu może być oparty na różnych sposobach reprezentacji śledzonych obiektów. Śledzenie punktu jest najpopularniejsze w tej grupie rozwiązań ze względu na efektywność istniejących implementacji. Dwa najczęściej stosowane podejścia to metody deterministyczne oraz metody statystyczne (np. filtry Kalmana, filtry cząsteczkowe, roje cząsteczek). Śledzenie obszarów to grupa metod wykorzystująca informację o wyglądzie obiektu (jego barwie, geometrii, topologii, teksturze). Dostarczają więcej informacji o obiektach, dzięki czemu umożliwiają w wielu przypadkach bardziej precyzyjne (jednoznaczne) dopasowanie obiektów w kolejnych obrazach z sekwencji. Opis cech charakterystycznych tworzony na potrzeby procedur śledzenia obiektów może być również wykorzystywany do rozpoznawania lub identyfikowania obiektów. Metody sprawdzają się w scenach wymagających śledzenia wielu obiektów jednocześnie. Ze względu na sposób realizacji wyróżnia się metody oparte na wzorcach i oparte na modelach wyglądu. Druga możliwość przeprowadzenia klasyfikacji metod z tej grupy to podział ze względu na sposób reprezentacji cech charakterystycznych. Mogą być one określane statycznie dla każdego z obrazów z sekwencji niezależnie, a również z uwzględnieniem ich zmian w czasie. Identyfikacja obiektów z wykorzystaniem cech charakterystycznych obiektów i ruchu pozwala również na tworzenie systemów złożonych z wielu kamer, z możliwością analizy ruchu w scenie we wspólnym globalnym układzie współrzędnych (tj. ciągłe śledzenie ruchu obiektu w różnych strefach z wykorzystaniem obrazu z kolejnych kamer). Zastosowanie układu wielokamerowego z dużym obszarem wspólnym Tab. 1. Przykładowe grupy cech charakterystycznych Przykładowe grupy cech obiektów Przykładowe grupy cech ruchu • intensywność i dynamika ich zmian • barwa, rozkład barwy, histogram kolorów i ich zmiany • kształt obszaru lub konturu • topologia obiektu • tekstura • z wykorzystaniem punktów charakterystycznych, ich deskryptorów – SIFT, FAST oraz wzajemnej ich relacji • oparte na obrazach krawędzi – deskryptor HoG • z wykorzystaniem transformat falkowej, FFT, Hougha • podstawowe: prędkość, kierunek przyspieszenia • ścieżka ruchu • częstość zmian kierunku, prędkości, histogram zmian • ruch kamery pozwala też na określenie dodatkowych informacji o położeniu obiektu w przestrzeni 3D, a w związku z tym może on ograniczyć problem przesłaniania się obiektów. Z kolei metody śledzenia sylwetki/modelu z punktu widzenia rozpoznawania ruchu mogą dostarczyć informacji o lokalizacji obiektów i ich wzajemnej relacji w przestrzeni 3D. Niestety są to również metody o największej złożoności obliczeniowej. W tej grupie konieczne jest określenie a priori uogólnionego modelu referencyjnego. Przyjęty model może być zarówno reprezentacją kształtu obiektu w przestrzeni 2D lub 3D, jak i złożonym modelem wykorzystującym informację o barwie, kształcie i dynamice ruchu. Główny proces wyszukiwania i dopasowania modelu może być operacją czasochłonną, dlatego w większości realizacji jest on wspomagany predykcją ruchu. Najczęściej spotykanymi metodami jest dopasowywanie kształtu 2D/3D i ewolucja konturów. Rozwiązania z dopasowaniem modeli 3D pozwalają określić zarówno położenie, jak i kierunki w przestrzeni 3D. Zaawansowane modele sylwetki ludzkiej uwzględniające kinematyczny układ poszczególnych części ciała są bardzo często wykorzystywane do rozpoznawania aktywności osób. Stopień dopasowania do istniejącego modelu umożliwia również rozpoznawanie danej klasy obiektów w scenie. Najwyższy poziom analizy obrazu stanowią metody rozpoznawania i klasyfikacji aktywności. Rozróżnia się trzy podstawowe grupy metod modelowania i detekcji aktywności: nieparametryczne, objętościowe i parametryczne. Metody nieparametryczne są oparte na wyznaczaniu cech charakterystycznych dla każdej ramki sekwencji wideo. Cechy te następnie porównuje się ze zdefiniowanymi lub wyznaczonymi eksperymentalnie wzorcami. W metodach objętościowych cechy są wyznaczane na podstawie trójwymiarowej, czasoprzestrzennej reprezentacji sekwencji obrazów, rozszerzając standardowe cechy obrazu na przypadek 3D. W metodach parametrycznych do danych rzeczywistych dopasowuje się sparametryzowany model obiektu/zjawiska. Rozwiązanie jest wynikiem optymalizacji parametrów modelu na podstawie danych treningowych. Przykładami tego typu rozwiązań są np. Ukryte Modele Markowa (HMM) bądź Liniowe Systemy Dynamiczne (LDS). Mimo optymizmu części środowisk związanych z branżą systemów dozoru wizyjnego i nadziei pokładanych w procesie komputerowego wspomagania analizy obrazu należy zachować czujność i dystans przy planowaniu i projektowaniu takiego systemu. Wiele czynników, takich jak szum kamery, przesłonięcia czy cienie, może być przyczyną problemów utrudniających realizację zadania w konkretnych warunkach. Niekorzystnie na proces projektowania takich systemów może wpłynąć również brak jednorodnych narzędzi do ewaluacji jakości metod (a nie konkretnych instalacji). Czynniki wynikające z zastanych warunków rzeczywistych mogą powodować poważne błędy w wysokich warstwach skomplikowanych metod analizy obrazu. W celu stworzenia efektywnego systemu konieczne jest zatem testowanie systemu w warunkach pracy. Pierwsze ograniczenie wynikające z jakości sygnału, powstające głównie ze względu na problem z ograniczoną pojemnością pamięci masowych przeznaczonych do gromadzenia danych obrazowych zapisane- partnerzy wydania:
Page 1 and 2: WWW.SYSTEMYALARMOWE.COM.PL partnerz
Page 3 and 4: wydanie specjalne video content ana
Page 5: 5 bardzo efektywnie i niezawodnie
Page 9 and 10: 9 Analiza zawartości obrazu (Video
Page 11 and 12: 11 Rys. 3. Przykład odjęcia tła
Page 13 and 14: 13 Rys. 2. Algorytm MxActivitySenso
Page 16 and 17: 16 wydanie specjalne video content
Page 22: 22 wydanie specjalne video content
Page 26 and 27: 1.5X 26 wydanie specjalne video con
Page 30: 30 wydanie specjalne video content

2/2014 - wydanie specjalne VCA

Create successful ePaper yourself

Delete template?

Save as template?