Контакты
Подписка
МЕНЮ
Контакты
Подписка

Видеоанализ в масштабах города

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

Видеоанализ в масштабах города

Сотни городов России, тысячи городов мира уже оснащены системами видеонаблюдения для контроля правопорядка и обеспечения безопасности жителей в рамках проекта "Безопасный город" ("БГ"). Технологии и постоянные разработки производителей компонентов IP-систем направлены на то, чтобы видеосистемы смогли перерасти функцию наблюдения и стали мощным интеллектуальным инструментом, способным не только обеспечить безопасность, но и предоставить точную и только необходимую оператору информацию
Александр Коробков
Директор по разработкам компании MACROSCOP

Масштаб систем разных "БГ" различается, но обычно это видеосистемы из нескольких десятков или сотен камер, установленных на улицах, автострадах, площадях, вокзалах, дворах города. Чтобы система была установлена не формально, а позволяла реально предотвратить или расследовать то или иное событие, требуется высокое качество картинки, а значит – мегапиксельные камеры. По самым скромным оценкам, ежедневно в архив поступают тысячи часов "тяжелого" мегапиксельного видео, для обработки которого нужны мощные программные и аппаратные инструменты, а для поиска и, главное, нахождения нужной информации – точный и быстрый видеоанализ.

Наша компания является разработчиком программного обеспечения, поэтому и на вопрос решения проблем "БГ" я буду смотреть со стороны программной основы системы.

Итак, масштабные видеосистемы "БГ" сталкиваются со следующими проблемами:

  • необходимость использования мощных дорогих процессоров;
  • потеря времени на просмотр многочасовых видеоархивов;
  • низкая скорость или отсутствие реакции оператора на непредвиденное событие.

Внимание на серверы

Сервер – сердце видеосистемы, важнейшая ее часть. Программная и аппаратная составляющие системы работают неразрывно, поэтому оптимизировать работу вычислительного оборудования можно за счет программного обеспечения. Не все ПО умеет рационально использовать ресурсы серверов, поэтому первое, на что стоит обращать внимание при проектировании любой масштабной системы, а в особенности системы видеонаблюдения целого города, – как программа работает с вычислительными ресурсами, и выбрать ту, которая снижает их потребление.

На сегодня максимально эффективно с этой задачей справляется ПО с технологией анализа сжатых видеопотоков без их полной распаковки. Технология позволяет оптимизировать работу сервера с поступающим видео и в результате снижает его загрузку до 4 раз. Как следствие, один сервер может обрабатывать в 4 раза больше IP-камер без ущерба для качества и надежности работы.

Декомпрессия видеопотоков проходит в несколько этапов, последние из которых требуют значительных вычислительных ресурсов. Именно эти последние этапы для озвученной технологии не выполняются. Алгоритмы обработки видеопотоков позволяют анализировать данные – производить детектирование или поиск по характеристикам без полной декомпрессии. Применение технологии анализа сжатых видеопотоков без их полной распаковки приводит к увеличению скорости обработки данных, за счет чего загрузка на центральный процессор снижается в среднем в 4 раза, что приводит к снижению общей стоимости системы.

Найти нужное в тысячах часов видео

Говоря о видеосистеме как об интеллектуальном механизме, способном предоставить необходимую и точную информацию, нельзя обойти стороной возможности видеоанализа. Сотни видеокамер каждого безопасного города ежедневно фиксируют тысячи событий, следят за миллионами людей, так что найти нужного человека или происшествие на видеозаписях вручную без специальных инструментов – тяжелая и утомительная задача.

Детектирование в меняющихся условиях

Для городских систем видеоанализа и распознавания в видеопотоках, работающих чаще всего в условиях улицы, крайне важно правильное выделение движущихся объектов. В реальных условиях на качество работы детектора движения влияют тени, шумы, изменение освещенности и заднего плана, интенсивное движение и т.п.

Большинство существующих методов выделения движения учитывают наличие шума, но для одних детекторов этот уровень нужно задавать вручную для всего кадра целиком, другие позволяют задавать разные уровни шума для разных частей одного кадра. В первом случае точность срабатывания детектора ниже, так, для разных областей кадра порог шума имеет разное значение, и если приводить его к единому значению, то в случае, когда для какой-то части изображения заданный порог будет ниже, возникнут ложные срабатывания, завышение же порога для отдельных областей кадра приведет к пропуску информации.

Для максимально корректной работы детектора движения необходимо выполнение следующих требований:

  1. Устойчивая работа при наличии шума, автоматическое вычисление или задание разных уровней шума для разных частей изображения.
  2. Автоматическая адаптация к медленно и быстро меняющимся условиям освещенности.
  3. Устойчивость при изменении заднего плана.
  4. Автоматическое определение тени движущегося объекта и ее удаление.
  5. Высокая скорость обработки данных (для параллельной обработки множества видеопотоков реального времени).

Поиск объектов и событий

По дате и времени
Данный вид поиска не является интеллектуальным и предоставляется всеми производителями ПО. Он самый простой, но требует точных входных данных. Если оператору видеосистемы известно, в какое время совершилось то или иное событие, какая камера засняла его, то и прибегать к каким-то дополнительным инструментам видеоанализа не надо – поиска по времени будет достаточно. Другое дело, что в большинстве случаев время совершения того или иного действия тем или иным объектом неизвестно.

По приметам
Поиск по приметам позволяет находить объект по заданным визуальным признакам: типу, форме, цветовым характеристикам, положению в кадре, образцу. Применяя различные фильтры поиска по приметам, оператор может найти любой объект на видеозаписи, обладая минимальными входными данными.

Рассмотрим происшествие на улице города, например кражу сумки, которое надо расследовать постфактум. Применим инструменты видеоанализа. С высокой вероятностью нам известно место совершения преступления, соответственно мы можем точно указать камеру, которая засняла его, а также выбрать область кадра, в которой происходило событие. Мы также знаем, что действие совершал человек, поэтому в настройках поиска выбираем соответствующий тип объекта и задаем пропорции человека по отношению к кадру. Ну и, наконец, известно, в какой одежде был этот человек (цвет), например человек в синей кофте и черных штанах, поэтому создаем образец, раскрашивая шаблон в соответствующие одежде цвета. Знаем примерный интервал времени, в который произошла кража, задаем его. Запускаем поиск. В результате система выводит набор поисковых результатов, соответствующих заданным параметрам. Несмотря на то что найденные результаты будут похожи на образец, окончательную идентификацию должен производить сам человек. Поисковые результаты выдаются в виде набора изображений, оператору необходимо выбрать нужный вариант, после чего он сможет просмотреть отрезок видео из архива. То есть система найдет всех людей, появляющихся в заданный отрезок времени в заданной области кадра, одетых в одежду "синий верх, черный низ", но выбирать преступника и осуществлять окончательную идентификацию оператор будет сам. Если у оператора системы имеются не все указанные выше данные, он просто пропускает соответствующие фильтры. Вместо раскрашенного шаблона человека оператор может загрузить или выбрать образец: фотографию со своего компьютера или кадр с изображением объекта из архива.


Поиск по приметам универсален: искать можно не только людей, но и, скажем, автомобили или еще какие-либо объекты города. Вероятность пропуска нужной информации мала, так как анализ направлен не столько на поиск абсолютно похожих объектов, сколько на отбрасывание несоответствующих. Чем точнее оператор задаст характеристики объекта, чем больше будет входных данных, тем меньше "лишних" результатов выдаст программа и тем точнее они будут. Часть производителей ПО также предоставляет поиск по росту, он позволяет задать в численной форме рост человека, но для корректной работы требует очень точной калибровки видеокамеры. Поиск по росту может быть полезен в качестве дополнения к другим инструментам видеоанализа, однако надо понимать, что калибровка уличных камер города – это огромный объем работы. Поиск по пропорциям, не требующий никаких дополнительных настроек оборудования, может выступить отличной альтернативой поиска по росту. К тому же, если вернемся к ситуации кражи на улице, отметить примерный размер человека в кадре удобнее, чем задавать неизвестный заранее рост.

IP-камеры любого "БГ" по большей части контролируют уличное пространство, а значит, съемка происходит в постоянно меняющихся внешних условиях. Свои искажения на восприятие цветовых оттенков накладывают степень освещенности, качество съемки самой IP-камеры. На сегодня задача обучения компьютера распознавать цвета инвариантно не решена, именно поэтому поиск по приметам – это не поиск по цвету, а поиск по цветовым характеристикам, сочетаниям цветов (синяя куртка + черные джинсы). Соотношения цветов являются более инвариантными, чем сам цвет, поэтому поиск по ним является более точным и устойчивым к неидеальным условиям съемки.

Ситуационный контроль

Для предотвращения происшествий и расследования преступлений на улицах безопасного города разработчики ПО реализовали ряд решений и модулей, позволяющих искать в архиве не только объекты, но и события.

Трекинг
Модуль трекинга позволяет задать область в кадре или линию контроля, при пересечении которой на экран оператора видеосистемы выдается предупреждение или тревожное сообщение. Модуль удобен для контроля территорий повышенного внимания с ограниченным или запрещенным для посторонних входом. Это могут быть, например, промышленные зоны или особо охраняемые объекты, а также зоны, попадание в которые опасно для жизни человека. Так, падение человека на рельсы в метро можно детектировать трекингом: обозначить границу перрона, при пересечении которой (а значит падении на рельсы) будет выведена тревога.

Модуль также может быть настроен на выдачу сообщения при длительном пребывании объекта в заданной зоне. Во многих городах России введены парковки с ограниченным временем бесплатной стоянки автомобиля. Установив камеру, разделив кадр на зоны парковочных мест и задав временные ограничения, оператор сможет получить информацию о всех превышениях лимита времени.

Межкамерный трекинг
Интеллектуальная функция, позволяющая строить траекторию передвижения объекта по нескольким видеокамерам системы. Межкамерный трекинг может использоваться для отслеживания людей на улицах "БГ": поиска пропавших, расследования преступлений и т.п. Для использования межкамерного трекинга необходимо наличие функции интерактивного поиска по приметам. Необходимо загрузить или создать в редакторе программы план территории и указать на нем камеры, которые будут подключены к модулю. Далее работает поиск по приметам: поиск начинается с первой для построения траектории камеры. Указав параметры и характеристики интересующего человека или загрузив его фотографию, оператор получает поисковые результаты, соответствующие запросу. Выбрав интересующий объект, оператор запускает дальнейший поиск, он уже ведется по соседним камерам системы. Затем оператор снова отсматривает результаты, выбирает искомый и продолжает искать. Таким образом, межкамерный трекинг работает пошагово: поиск по первой камере – выбор образца – поиск по соседним камерам – выбор образца и т.д. Модуль анализирует план территории, определяет, когда выбранный объект мог достичь той или иной камеры, и выдает соответствующие результаты в виде набора треков – сгруппированных кадров объекта с одного IP-канала. Группировка изображений происходит на основании неразрывного движения объекта в поле зрения камеры. Построение траектории происходит пошагово, и его можно продолжать до тех пор, пока объект не исчезнет из поля зрения всех камер системы или пока оператор не получит достаточные для него данные.

Кропотливость при выборе каждого нового результата с камер обеспечивает высокую точность результатов межкамерного трекинга. Однако в связи с тем что система высчитывает примерное время перехода объекта между соседними камерами, следует точно указывать расположение камер на плане территории.

Детектор падения
Используется для автоматического определения опасных для людей ситуаций, а также предотвращения несчастных случаев. Детектор ведет отслеживание двух видов падений – сверху вниз и на ровном месте. Первый случай – это, например, падение человека на рельсы в метро, падение с набережной в воду и т.п., второй – падение на улице из-за плохого самочувствия или преступления. Технологически детектор падения реагирует либо на пересечение виртуальной линии (по аналогии с модулем трекинга), либо на резкое изменение габаритов движущегося объекта, а также на отсутствие его движения или ограниченное движение.

Детектор оставленных предметов
Модуль является отличным помощником прежде всего для предотвращения террористических актов в людных местах "БГ", а также актов вандализма. Подразумевает регистрацию момента изменения фона кадра, когда возникают новые или исчезают ранее наблюдавшиеся объекты. Система позволяет настроить размеры объектов, место в кадре, в котором будет вестись детекция, а также указать время покоя, через которое предмет будет считаться оставленным.

Детектор толпы
Позволяет реагировать на скопление людей и предупреждать массовые беспорядки на улицах города, площадях, вокзалах. Оператор задает пороговое значение, при превышении которого данное количество людей будет считаться толпой. Действие детектора толпы основано на трех методах.

1. Первый анализирует площадь движущихся людей – определяет, какое количество пикселей приходится на одного движущегося человека (учитывая перспективу), а затем делит общую площадь толпы на площадь одного человека и получает количество людей, собравшихся вместе (опять же учитывается положение толпы в кадре, а также перекрытие людьми друг друга).

2. Второй метод считает головы людей – программа классифицирует части тела человека и отделяет головы от тела, по ним и производится подсчет. Данный метод требует хорошего качества картинки – он не работает в случае, если толпа находится далеко от камеры и на одного человека приходится небольшое количество пикселей, а также если камера обладает низким разрешением.

3. Третий метод работает с особыми точками человека – это, например, характерные углы тела, окончания контуров и т.п. Данный метод оценивает количество таких углов в толпе, их количество на одного человека, а также берет статистику из предыдущих двух методов.

В результате детектор толпы объединяет три разных метода: берет их значение, вычисляет среднее и получает искомое количество людей в толпе, а далее реагирует при превышение порога.

Идентификация лиц и распознавание автомобильных номеров

Данные функции нашли широкое применение в системых видеонаблюдения безопасных городов. О распознавании уже не раз говорилось на страницах журнала, поэтому подробно останавливаться на нем сейчас не буду. Отмечу лишь, что распознавание автономеров может эффективно применяться для контроля скоростных режимов автодорог, организации автоматического допуска транспорта на территории предприятий, фиксации и расследования происшествий и аварий с автотранспортом и т.п. Распознавание лиц же в большинстве случаев требует особых условий съемки и предъявляет высокие требования к образцам для сравнения. В то же время существуют технологии, позволяющие вполне успешно применять распознавание в масштабах города.

Мгновенная реакция на события Важнее предотвращать события или оперативно разрешать их, чем расследовать по прошествии времени. Особенно когда речь идет о людях и событиях масштаба города. Поэтому ключевой составляющей интеллектуальных возможностей видеосистемы являются функции мгновенного оповещения о событиях.

1. Функция "перехвата" – позволяет задать интересующего человека заранее, еще до его появления в кадре. Задание может быть как точным (фотография или образец из видеоархива), так и общим (приметы одежды). По сути, перехват использует логику работы поиска по приметам, но в режиме реального времени. При появлении в поле зрения камеры объекта, схожего с заданным человеком, система выдает тревожный сигнал оператору, отправляет SMS или уведомление по e-mail, позволяя мгновенно принять меры. Например, задержать преступника или среагировать на появление пропавшего человека.

2. Всевозможные тревожные сообщения – мгновенные оповещения при появлении того или иного объекта, возникновении того или иного события. Тревогу можно настроить на срабатывание любой описанной функции видеоанализа, а также на выход из строя составляющих системы: отключение камеры, зависание сервера и т.п. Тревога может выдаваться просто сообщением на экран оператора, привлекая внимание к конкретной камере, или направляться в виде сообщения по e-mail. Зачастую мгновенная реакция на событие может оградить от его нежелательных последствий, поэтому "тревога" в видеосистеме – не просто приятный бонус, а важнейший инструмент предотвращения негативных ситуаций.

Три правила безопасного города

Город – постоянно меняющийся, движущийся живой организм с множеством событий, происходящих ежеминутно, поэтому для обеспечения безопасности его жителей, правопорядка на улицах необходимо ответственно подходить к построению системы охраны и мониторинга.

Можно выделить три главных правила, которые должны выполняться в системе видеонаблюдения "Безопасного города":

  1. Следует надежно и с высокой скоростью производить обработку и анализ видеоархивов.
  2. Видеосистема должна обладать богатой аналитикой для расследования происшествий и поиска людей.
  3. Для предотвращения нежелательных событий и их оперативной ликвидации необходимы функции мгновенного оповещения.

Опубликовано: Журнал "Системы безопасности" #6, 2013
Посещений: 8603

  Автор

Александр Коробков

Александр Коробков

Директор по разработкам компании MACROSCOP

Всего статей:  47

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