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

Модули видеоаналитики для ритейла и транспорта

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: 19636

Автор Ермолаев И. Е. Начальник отдела машинного зрения ООО "Синезис" Всего статей:  2

Автор Иван Алексеев Инженер-программист Группы компаний "Синезис" Всего статей:  1

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