О журнале | Читать онлайн | Публикации | Электронная газета | Подписка | Мероприятия

Журналы в формате iMag

Форум

Публикации

Архив


Новости проекта

Системная интеграция

Отраслевые

Новости CCTV

Новости СКУД

Новости ОПС

Новости ПБ

Электронная газета "Системы безопасности"


Журнал "Системы безопасности"

Каталог "Системы безопасности"

Каталог "Пожарная безопасность"

Рекламодателям


Video & Vision

СКУД. Антитерроризм


Подписка

Платная подписка

Исторический календарь

Контакты

Ссылки

Мероприятия

English

Модули видеоаналитики для ритейла и транспорта

Реклама на сайте

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

Модули видеоаналитики для ритейла и транспорта

На объектах розничной торговли видеоаналитика позволяет решать задачи безопасности, а также анализа и управления. Каждая из этих задач обладает своими особенностями. Современные технические решения позволяют добиваться довольно высоких показателей точности обнаружения и обработки данных. Примеры, приведенные в статье, относятся к розничной торговле, однако те же самые методы могут быть применимы и к задачам мониторинга на транспортных объектах (сбор данных о перемещениях пассажиров)
Игорь
Ермолаев
Начальник отдела машинного зрения Группы компаний "Синезис"
Иван
Алексеев
Инженер-программист Группы компаний "Синезис"

Можно условно обозначить две области применения видеоаналитики на сегодня:

  1. системы безопасности (охрана и безопасность) – видеоаналитика используется для формирования оперативных тревог и проведения расследований;
  2. анализ и управление – видеоаналитика позволяет собирать статистические данные и вырабатывать управленческие решения.

Бизнес и технические требования

В каждой из областей применения видеоаналитики, обозначенных выше, существенно различаются бизнес и технические требования.

Как видно из таблицы, в случае торговых сетей и транспортных узлов видеоаналитика в основном используется для сбора статистических данных и выработки управленческих решений. Как правило, это насыщенные зоны для анализа с большой концентрацией людей. В таких местах часто устанавливаются купольные камеры, размещаемые сверху, – они обеспечивают непрерывный поток событий. Полученные данные необходимо непрерывно фиксировать и передавать инструментам для анализа и обобщения.


Современный рынок предлагает несколько модулей видеоаналитики, востребованных в сетях розничной торговли или на транспортных объектах:

  1. подсчет посетителей (мониторинг входа/ выхода покупателей);
  2. определение количества людей и времени их пребывания в очереди;
  3. классификация людей (взрослый или ребенок, покупатель или персонал);
  4. мониторинг наличия активности кассиров и менеджеров.

Подсчет посетителей

Подсчет посетителей актуален для статистического анализа посещаемости объекта в различное время, а также может использоваться для оперативного определения текущего количества посетителей.

При подсчете числа посетителей применение обычного детектора движений, как правило, малоэффективно из-за плотного потока посетителей (близко расположенные объекты будут слипаться друг с другом). Кроме того, у обычного детектора проблемы возникают из-за наличия посетителей с очень разной контрастностью (как высокой, так и очень низкой), что затрудняет их устойчивое одновременное детектирование. Поэтому наряду с традиционными этапами (выделение областей движения, сопровождение объектов, их классификация, адаптивное обновление фона) в аналитических алгоритмах важно применение дополнительного этапа – выделение кластеров – объектов характерного размера, соответствующих типичному размеру посетителей. Выделение таких кластеров позволяет эффективно разделять рядом идущих посетителей. Кластеры к тому же малочувствительны к контрасту объекта, что позволяет использовать их для регистрации и высоко-, и низкоконтрастных посетителей (рис. 1).


Рекомендуется тестировать точность алгоритмов подсчета посетителей с помощью большого набора видеороликов, содержащих наиболее типичные ситуации, которые встречаются на торговых объектах.

  1. Ролики в условиях зимнего (посетители в темной одежде, неконтрастной на фоне темного коврика при входе) и летнего времени (солнечные зайчики и тени на полу возле окон и дверей).
  2. Ролики в условия низкой и высокой интенсивности посетителей (посетители часто идут группами, могут создавать заторы возле дверей).
  3. Ролики с хорошим и плохим качеством изображения (заляпанный объектив камеры, расфокусированное изображение).
  4. Ролики на торговых объектах с обычным или блестящим напольным покрытием (возле человека на полу видно его отражение, часты блики от ламп освещения).

Подсчет людей в очереди

Подсчет людей в очереди актуален для статистического анализа загруженности кассиров, а также управления количеством кассиров. При подсчете числа людей, находящихся в очереди, основную трудность составляет целый ряд фактов.

  1. Стоя в очереди, люди, как правило, малоподвижны и находятся очень близко друг к другу.
  2. Объекты в очереди двигаются хаотично, что полностью исключает возможность предсказания направления их движения и осложняет их сопровождение.
  3. Наличие на кассе товаров различной формы, перемещаемых покупателем или кассиром, затрудняет детектирование и классификацию покупателей.

Учитывая приведенные выше сложности, наиболее эффективно вести подсчет людей в очереди позволяет метод на основе нахождения на изображении округлых объектов (вид сверху головы человека по форме близка к окружности). Сопровождение обнаруженных окружностей (голов) осуществляется корреляционным методом, учитывающим схожесть объектов на разных кадрах (рис. 2).


Такой подход может позволить:

  1. стабильно разделять близко стоящих людей;
  2. учитывать присутствие детей;
  3. игнорировать нецелевые объекты (товары и т.д.);
  4. игнорировать тени объектов;
  5. получать устойчивое усредненное значение количества людей в очереди;
  6. получать статистику среднего времени нахождения человека в очереди.

Хорошо бы протестировать выбираемые алгоритмы на нескольких сценах:

  • летняя – хорошая контрастность и отчетливое изображение голов;
  • зимняя – низкая контрастность и высоко установленная камера.

Классификация "посетитель/персонал"

Видеоаналитика для ритейла часто должна "уметь" разделять посетителей и персонал, так как поведение этих объектов различается.

Классификация объектов по данному типу строится на том факте, что персонал обычно одет в униформу какого-то специфического цвета. Соответственно персоналом будет классифицироваться тот объект, у которого преобладает цвет, характерный для униформы. В аналитических алгоритмах может использоваться такая цветовая характеристика, как тон, – она наиболее устойчива к изменениям освещенности объекта, в отличие от компонентов цветового пространства RGB, которые очень сильно изменяются при изменении освещенности объекта.

Классификация "взрослый/ребенок"

Классификация по данному типу особо актуальна для магазинов, торгующих детскими товарами. Например, дети часто активно и хаотически двигаются, что может исказить общую статистику посещаемости торгового объекта.

Наиболее значительным отличием взрослого и ребенка является их физический размер. Поэтому, сравнивая габариты детектируемых объектов, а также характерные размеры окружностей (голов), зафиксированных у объекта, можно проводить надежную классификацию по типу "взрослый/ребенок". Подобная классификация позволяет игнорировать детей при подсчете посетителей или очереди.

Определение активности кассиров и менеджеров

Для целей менеджмента часто бывает необходимо слежение за активностью персонала торговых объектов. Для определения активности кассира производится анализ наличия движения в области кассы, а также наличия срабатываний детектора окружностей (голов) в этой зоне. Сочетание этих двух подходов позволяет надежно выявлять факты отсутствия кассира на месте.

На сегодня на международном рынке в сегменте подсчета людей представлены алгоритмы компаний Cognimatics (Швеция), Flonomics (США), Aimetis (Канада). На российском рынке в этом сегменте – алгоритмы компаний "Ватком" и "Синезис". Заявленная точность алгоритмов изменяется в диапазоне от 95 до 98%. При этом, правда, не все производители раскрывают условия тестирования, от которых итоговая точность может очень сильно меняться.

Опубликовано: Журнал "Системы безопасности" #2, 2012
Посещений: 8510


  Автор
Ермолаев И. Е.

Ермолаев И. Е.

Начальник отдела машинного зрения ООО "Синезис"

Всего статей:  2


  Автор
Иван Алексеев

Иван Алексеев

Инженер-программист Группы компаний "Синезис"

Всего статей:  1

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



Реклама на сайте

Добавить комментарий

Автор:
Компания:
E-mail:
Уведомлять о новых сообщениях в этой теме да
нет
Текст сообщения:
Введите код:









Реклама на сайте

ПОИСК

РАССЫЛКА

Подписка на новости сайта
Введите ваш e-mail


Реклама на сайте

ЧИТАТЬ ОНЛАЙН



Свежий номер журнала "Системы безопасности"

Вызов консультанта

ПУБЛИКАЦИИ
Видеонаблюдение
Охранно-пожарная сигнализация
Security and IT Management
Системы контроля и управления доступом
Комплексная безопасность, периметровые системы
В центре внимания. Тесты
ОПС, пожарная безопасность





Рейтинг@Mail.ru

Яндекс цитирования


Реклама на сайте | Правила перепечатки материалов | Медиакиты проектов | Авторский договор

Copyright © 2007-2018, ООО "Гротек" | Связаться с нами