Введение в особый раздел видеонаблюдения

Автоматическое видеонаблюдение направлено на наблюдение в реальном времени за людьми и транспортными средствами в загруженной среде для описания их действий и взаимодействий. Технические проблемы (обнаружение движущихся объектов и их отслеживание, классификацию объектов, анализ движения человека и понимание его деятельности) тесно связаны с основными моментами компьютерного зрения, анализа шаблонов и искусственного интеллекта. Видеонаблюдение породило крупные исследовательские проекты в США, Европе и Японии, и, в последние годы, стало темой международных конференций и семинаров.

Существует потребность в автоматизации систем наблюдения в коммерческих, правоохранительных и военных целях. Монтаж видеокамер достаточно дешевый, но человеческие ресурсы для наблюдения за результатами стоят дорого. Камеры наблюдения уже широко распространены в банках, магазинах и на парковках, но видеоданные в настоящее время используется только «постфактум» в качестве инструмента судебной экспертизы, теряя таким образом основное преимущество в качестве носителя в реальном времени. Необходим постоянный мониторинг видеопотока, чтобы создать возможность предупреждения сотрудников службы безопасности о происходящем ограблении или подозрительном человеке, пока еще есть время предотвратить преступление. В добавок к очевидным приприменениям, технология видеонаблюдения может быть использована для измерения транспортного потока, обнаружения аварий на автомагистралях, отслеживания пешеходных пробок в общественных местах, составления демографических данных потребителей в магазинах, торговых центрах и парках развлечений, ведения журналов обслуживания на ядерных объектах и подсчета исчезающих видов. В многочисленные военные приложения включают патрулирование государственных границ, измерение потока беженцев в проблемных районах, мониторинг мирных договоров и обеспечение безопасных периметров вокруг баз и посольств.

11 статей в этом специальном разделе иллюстрируют темы и передовые технологии в исследовании видеонаблюдения. Эти документы можно условно разделить на три категории.

Обнаружение и отслеживание включает извлечение в реальном времени движущихся объектов из видео и непрерывное отслеживание на протяжении некоторого времени для формирования устойчивых траекторий объектов. Штауфер и Гримсон ввели методы неконтролируемого статистического обучения для кластеризации траекторий объектов, созданных с помощью адаптивного вычитания фона. Описание траекторий для конкретных точек обзора с нескольких камер объеденяются в общую систему координат с использованием техники калибровки, описанной Л. Ли, Р. Романо и Г. Стейном, которая автоматически определяет относительную внешнюю ориентацию пересекающихся видов камер, наблюдая за набором движущихся объектов на ровной местности. Две работы посвящены накоплению свидетельство шумового движения с течением времени. Р. Плесс, Т. Бродский и Ю. Алоимонос обнаруживают и отслеживает мелкие объекты на видео с воздуха, сначала компенсируя движение самолета, а затем накапливая остаточный нормальный поток, чтобы обнаружить самостоятельное движения объекта. Л. Уиксон отмечает, что движение на изображении не всегда означает целенаправленное путешествиеа (примерами таких помех являются обдуваемые ветром ветки деревьев и отражающийся свет) и изобретает метод для выделения объектов, которые имеют тенденцию двигаться в определенном направление с течением времени.

Анализ движения человека связан с обнаружением периодических движений, обозначающих походку человека, и получением описаний позы человеческого тела с течением времени. Р. Катлер и Л.С. Дэвис строят подобие объекта по всем парам кадров, чтобы образовать отличительные шаблоны, которые классифицируют движение двуногих, четвероногих, и прочих объектов. Ю. Рикбур и П. Бутеми отслеживают видимые контуры в XT-срезах объема XYT-последовательности, чтобы четко очерчивать и отслеживать человеческое тело. И. Харитаоглу, Д. Харвуд, Л.С. Дэвис представляют W4, систему видеонаблюдения, предназначенная для наблюдением за людьми. Система W4 может определять местонахождение людей и сегментировать их части тела, строить простые модели внешнего вида для отслеживания, устранение неоднозначности и выделения нескольких человек в группе, а также обнаружение переносимых объектов, таких как коробки и рюкзаки.

Анализ активности занимается анализом временных последовательностей наблюдений за объектами для получения высокоуровневых описаний действий и взаимодействий объектов. По нашему мнению, это будет наиболее важной областью будущих исследований в видеонаблюдении. Н.М. Оливер, Б. Росарио и А.П. Пентланд вводят связанные скрытые марковские модели (ССММ) для обнаружения и классификации взаимодействий, состоящих из двух чередующихся потоков действий, и представляют метод обучения на основе синтетических агентов для решения проблемы оценки параметров на ограниченных реальных примерах. М. Бранд и В. Кеттнакер представляют энтропийный подход к оценке топологии HMM и значений параметров, тем самым одновременно собирая части видео в последовательность событий и создавая классификаторы для обнаружения этих событий в будущем. Ю.А. Иванов и А.Ф. Бобик различают жесты и многообъектные взаимодействия из зашумленного, низкоуровневого отслеживания данных путем анализа стохастической контекстно-свободной грамматики (SCFG), которая определяет несколько событий, которые могут произойти одновременно в сцене. Т. Вада и Т. Мацуяма представляют подход на основе гипотезы и проверки для распознавания поведения нескольких объектов непосредственно из видеопоследовательностей с помощью недетерминированного конечного автомата (NFA), который позволяет одновременно проверять все возможные состояния.

Некоторые из этих работ финансируются в рамках недавней исследовательской программы DARPA Video Surveillance and Monitoring (VSAM). Университет Карнеги-Меллона был выбран, чтобы возглавить эту работу путем разработки комплексной испытательной системы, объединяющей широкий ряд передовых методов наблюдения: детектирование движущеося объекта в реальном времени, его отслеживание со стационарных и движущихся камер, распознавание общих классов объектов (например, человек, седан, грузовик), типов объектов (например, полицейская машина, фургон FedEx), оценка положения объекта относительно геопространственного модели, активное управление камерой и совместное слежение несколькими камерами, анализ походки человека, распознавание простых действий, распространение данных в реальном времени, регистрация данных и динамическая визуализация.

Обсуждение исследований в области видеонаблюдения с людьми, не связанными с ним, неизменно приводят к комментариям о Большом брате. Хотя очевидно, что это не является целью текущих исследований в области видеонаблюдения, хотя беспокойство несколько обосновано. В 1998 г. NYC Surveillance Camera Project, реализуемый Союзом гражданских свобод Нью-Йорка задокументировал около 2500 камер наблюдения, просматривающих общественное пространство в Манхэттене. Подавляющее большинство из них являлись частными камерами, установленными вне офисов и квартир, без механизма корреляции информации между ними. Однако для достаточно хорошо финансируемого правительства было бы возможно установить сеть из тысяч камер, способных отслеживать отдельных граждан, когда они гуляют по городу. Когда два направления исследований - видеонаблюдение и биометрическая идентификация - начинают сливаться, этот сценарий становится еще более тревожным. Обещание никогда не быть ограбленным стоит потери конфиденциальности, подразумеваемой постоянным наблюдением? Эти более широкие социальные вопросы выходят за рамки этого технического журнала, но сейчас хорошее время, чтобы указать, какие данные должны собираться, как долго они должны храниться и у кого к ним есть доступ.