Контакты
Подписка
МЕНЮ
Контакты
Подписка

Системы тренирования объектов

В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик  |  К списку авторов  |  К списку публикаций

Системы тренирования объектов

Практические рекомендации по внедрению и настройке

И.И. Фаломкин
Руководитель департамента решений компании "Интеллектуальные Системы Безопасности"

Данная статья посвящена охранным системам технического зрения, основанным на трекировании движущихся в поле зрения телекамеры объектов: людей, автомобилей, предметов и т.п.

Как правило, данные от телекамер становятся востребованными только после совершения правонарушения -для "разбора полетов".

Основной причиной такого положения является человеческий фактор. Оператор физически не способен длительное время "перерабатывать" гигантское количество визуальной информации, поступающей от системы охранного телевидения. Принципиальным решением данной проблемы являются автоматические системы анализа тревожных ситуаций. Такие системы привлекают внимание оператора "адресно" - только в том случае, если в поле зрения камер происходят действия, требующие реакции/принятия решения с его стороны. Тем самым не только повышается защищенность охраняемого объекта, но и снижается нагрузка на оператора, что позволяет ему одному контролировать большее количество телекамер.

Алгоритмы трекирования

Под трекированием понимается построение траектории движения объекта по поступающей от телекамеры последовательности изображений (технологии машинного зрения).

Основой систем трекирования объектов является выполнение следующих задач:
  • обнаружение объектов в поле зрения камеры;
  • построение траектории движения каждого из обнаруженных объектов;
  • классификация обнаруженных объектов.

Обнаружение объектов в поле зрения камеры

Все алгоритмы обнаружения объектов можно разделить на 3 типа: алгоритмы, основанные на межкадровой разности; алгоритмы, основанные на построении статического фона; алгоритмы, основанные на математической модели обнаруживаемого объекта.

Алгоритмы, основанные на межкадровой разности
Текущий кадр сравнивается с одним или несколькими предыдущими. В случае заметного отличия кадров друг от друга делается вывод о наличии объекта в поле зрения телекамеры Плюсы данного типа алгоритмов заключаются в крайней простоте реализации и малой ресурсоемкости. Минусами являются: невозможность получения сведений о точном положении обнаруженного объекта в поле зрения телекамеры и, следовательно, о траектории его движения, срабатывание при любом движении в поле зрения телекамеры, например, от колышущейся листвы, изменяющегося освещения и т.п. Подобные минусы делают затруднительным использование данного алгоритма в системах трекирования, но в других системах он применяется во вспомогательных целях, а также широко используется в детекторах движения.

Алгоритмы, основанные на построении статического фона
В процессе работы алгоритмы данного типа строят и затем постоянно обновляют модель (в простейшем случае - изображение) статического фона. Те части поля зрения, в которых текущий кадр отличается от статического фона, считаются занятыми новыми объектами. Плюсами данного алгоритма являются: достаточно точная локализация объектов в поле зрения телекамеры; возможность построения траектории их движения. Минусы алгоритма - это большая ресурсоемкость, обнаружение любых отличий от накопленного фона, неспособность "разделять" расположенные близко друг к другу объекты (идущие рядом люди могут быть идентифицированы алгоритмом как один объект).

Алгоритмы, основанные на математической модели обнаруживаемого объекта
Математическая модель служит средством "разъяснения" компьютеру, как выглядит тот или иной объект, как его обнаружить на изображении, как отличить его от других объектов. В отличие от предыдущего типа алгоритмов, в которых считается известным фон, но неизвестно, какие именно объекты будут обнаружены, в алгоритмах данного типа известно (заложена математическая модель), какие именно объекты подлежат обнаружению, но не известен фон, на котором должны обнаруживаться объекты. Плюсами данного алгоритма являются: точная локализация объектов в поле зрения телекамеры; возможность построения траектории их движения; низкое количество ложных срабатываний; возможность раздельной детекции близкорасположенных друг к другу объектов. В качестве минуса можно назвать высокую (как правило) ресурсоемкость. Разработка аккуратной математической модели изображения объекта, подлежащего обнаружению, достаточна сложна. По этой причине алгоритмы данного типа часто используют только как вспомогательные или в том случае, когда обнаруживаемые объекты не имеют сильных вариаций по форме. Например, построение математической модели изображения автомобиля существенно более простая (но далеко нетривиальная) задача, по сравнению с построением математической модели изображения человека. Кроме того, данный тип алгоритмов остается единственно применимым в том случае, когда математическая модель статического фона не может быть построена или ее построение сложнореализуемо. Пример такого случая - сбор статистической информации о дорожном движении, детекции нарушений ПДД. Движущиеся по дороге автомобили постоянно закрывают статический фон и не позволяют поддерживать его модель в адекватном состоянии.

Отметим, что могут существовать алгоритмы, сочетающие в себе особенности алгоритмов разного типа.

Построение траектории движения каждого из обнаруженных объектов

Задача построения траектории движения каждого из обнаруженных объектов решается на основе информации об их наличии и местоположении, полученной на каждом кадре от алгоритмов обнаружения объектов. Сложным "моментом" в решении этой задачи является взаимное заслонение объектов друг другом во время движения.

Предположим, что два человека идут навстречу друг другу, встречаются, некоторое время разговаривают и затем продолжают движение каждый в свою сторону. В момент их встречи большинство алгоритмов обнаружения объектов будут не в состоянии определить, какой из первоначально обнаруженных людей где находится В результате без специальных усилий со стороны разработчиков алгоритмов их изначальные траектории будут утеряны, и после разделения система не сможет определить полную траекторию движения каждого человека (от момента появления такого объекта до момента его выхода из поля зрения телекамеры).

Классификация обнаруженных объектов

Классификация обнаруженных объектов заключается в их соотнесении с одним из заранее определенных (обычно на этапе разработки) типов. Например, "автомобиль", "человек". Классификация требует построения математической модели. Чем проще построенная математическая модель, тем чаще ошибается алгоритм классификации. Простейшая модель, позволяющая отличить человека от автомобиля, строится исходя из следующего предположения: высота изображения человека больше ширины, а высота изображения автомобиля меньше ширины. Данная модель проста, но не позволяет отличить человека, отбрасывающего длинную тень, от автомобиля.

Практические советы

Изложенные принципы позволяют сформулировать практические советы по выбору и определению применимости той или иной системы трекирования на конкретном объекте.

Место установки
При выборе системы необходимо учитывать, будет ли она развернута в помещении или под открытым небом. Системе, разворачиваемой под открытым небом, придется работать в условиях визуально небольших объектов (для многих систем этот факт является положительным), нестабильного освещения, колышущейся листвы, осадков и т.п. Система, установленная в помещении, находится в более выгодных условиях - отсутствуют многие из перечисленных проблем, освещение можно считать стабильным.

Сложность наблюдаемой сцены
Система, отлично работающая при наличии в поле зрения телекамеры небольшого количества объектов (периметр предприятия), может быть (и, скорее всего, будет) полностью неработоспособной в условиях, когда имеется большое количество объектов (зал ожидания вокзала). Связано это с тем, что система, предназначенная для обнаружения и "сопровождения" отдельных людей, "не справится" с толпой. В связи с этим можно провести аналогию с алгоритмами визуального анализа движения отдельных капель и потока воды

Условия освещения
Значительная часть систем не содержит хоть сколько-нибудь подробных математических моделей изображения "сопровождаемых" объектов. В связи с этим за объект могут быть приняты многие эффекты освещения: тени, блики, общее падение/возрастание яркости (обусловленные какестественными причинами, так и работой различных АРУ). Необходимо удостовериться, что выбранная система не теряет эффективности работы в реальных условиях объекта, особенно при установке под открытым небом. Подавляющее количество демонстрационных роликов показывают работу систем в бессолнечную, но сухую погоду, поэтому в реальных условиях потребитель может столкнуться с некорректной работой своей системы. Иногда такое "малоконтрастное" изображение телекамеры даже указывается как факт, затрудняющий работу системы. На самом деле разработчики могут просто скрыть проблемы, возникающие в солнечную погоду из-за "сложного" освещения.

Длина и непрерывность траектории каждого объекта
Следует обратить внимание на длину и непрерывность траектории каждого объекта. Чем длиннее траектория, тем большее количество информации можно из нее извлечь для решения задач безопасности. Необходимо удостовериться, что система правильно продолжает траекторию объектов, временно заслонявших друг друга во время движения. Например, должны быть построены правильные траектории для двух людей, идущих навстречу друг другу и проходящих близко друг от друга. Траектория ни одного из этих людей не должна "обнуляться" в момент взаимного заслонения и должна правильно продолжиться после их встречи.

Работоспособность во время длительной эксплуатации
Пятиминутное тестирование системы может не показать, насколько хорошо система будет работать через несколько часов или суток. Особенно это касается систем, основанных на построении и обновлении математической модели статического фона. Со временем фон может "замусориваться", и система начнет либо терять некоторые объекты, либо находить ложные, не соответствующие реальным объектам, находящимся в поле зрения камеры.

Использование цвета
Использование информации не только о яркости изображения, но и о цвете в большинстве случаев повышает качество работы системы трекирования. Объясняется это тем фактом, что цветное изображение содержит существенно большее количество информации о наблюдаемых объектах, по сравнению с черно-белым Значительное количество деталей, влияющих на работоспособность систем машинного зрения, заставляет дать следующий совет: при выборе системы старайтесь проверить ее в условиях, максимально близких к тем, которые будут на объекте во время реальной эксплуатации.

Средства решения практических задач

Одно лишь знание траектории не позволяет напрямую решать практические задачи охраны того или иного объекта. Для их решения применяются специализированные средства описания того, какие именно из траекторий "говорят" о потенциально опасных ситуациях. Наиболее распространены следующие описательные средства:
  • Виртуальные (ломаные) линии. Они наносятся на поле зрения телекамеры и позволяют формулировать тревожные ситуации в терминах пересечения траектории объекта с виртуальной линией в том или ином направлении, а также пересечения последовательности линий. На практике, при помощи данного инструмента, можно выявлять такие ситуации, как преодоление ограждения, вхождение человека в запретную зону, движение в запрещенном (либо неестественном в условиях объекта) направлении.
  • Виртуальная область. Виртуальные области наносятся на поле зрения телекамеры, например, в виде многогранников. Тревожные ситуации формулируются в терминах вхождения объекта в область, выхода из нее, длительного пребывания в области, последовательного перемещения из области в область. Такого рода ситуациями являются: подход человека к ограждению предприятия, длительное пребывание человека в области лифта, выход человека за пределы технологически безопасной области на предприятии и т.п.
  • Оставленные/забранные предметы. Системы трекирования, как правило, позволяют также обнаруживать оставленные/забранные предметы. Причем возможно не только определение самого факта появления нового статического объекта (исчезновения имеющегося), но и автоматическое определение того объекта (человека, автомобиля, т.п.), который оставил/забрал предмет.
  • Анализ характера движения объектов. Наличие информации о траектории движения каждого объекта в поле зрения позволяет автоматически детектировать следующие тревожные ситуации: бегущий человек; блуждающий человек (например, последовательно обходящий несколько автомобилей, а не целенаправленно идущий ксвоему); упавший человек; драка.
Следует признать, что при настройке системы трекирования необходимо учитывать довольно большое количество деталей. Но не стоит воспринимать системы трекирования как экзотический продукт, не пригодный для использования. Многие практические задачи могут быть эффективно решены при помощи подобных систем.

Причем решение, основанное на применении систем трекирования объектов, может быть существенно дешевле решения, основанного на применении специализированного оборудования Некоторыми возможностями систем трекирования специализированное оборудование не обладает. Кроме того, снизятся средние затраты предприятия, связанные с последствиями правонарушений, - большее количество правонарушений будет пресекаться до их совершения.              

Опубликовано: Журнал "Системы безопасности" #2, 2009
Посещений: 9187


  Автор
Фаломкин И. И.

Фаломкин И. И.

Руководитель департамента решений компании "Интеллектуальные Системы Безопасности"

Всего статей:  3

В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик  |  К списку авторов  |  К списку публикаций