Onderzoekers van de Arizona State University (ASU) hebben onlangs een nieuwe methode ontwikkeld om ongebruikelijke activiteit in verkeersbewakingsvideo's te detecteren. die is gebaseerd op een raamwerk voor adaptieve anomaliedetectie (AAD). hun methode, geschetst in een paper dat vooraf is gepubliceerd op arXiv, veelbelovende resultaten behaald, beter presteren dan de technieken die in eerdere onderzoeken werden gepresenteerd.

"Door een toename van het aantal bewakingscamera's in de wereld, de hoeveelheid te verwerken gegevens groeit, samen met de vraag naar mankracht om deze gegevens te interpreteren, "Mohammad Farhadi Bajestani, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Dit motiveert onderzoekers om systemen te ontwerpen die afwijkingen in een video kunnen detecteren, operators helpen video's efficiënter te analyseren."

Momenteel, de meeste onderzoekers die bewakingssystemen ontwikkelen, gebruiken vooraf gedefinieerde feiten om afwijkingen in videobeelden te detecteren. Met andere woorden, hun systemen zijn getraind op videodatasets, leer geleidelijk anomalieën in toekomstige video's op te sporen.

"Echter, voor mensen, de definitie van anomalie kan in de loop van de tijd veranderen, " legde Farhadi uit. "Bijvoorbeeld, als je heel hard rijdt, langzaam verkeer is een anomalie en kan uw aandacht trekken, maar als je in het verkeer rijdt, een auto die met hoge snelheid rijdt, kan uw aandacht trekken. Dit toont aan dat anomalie gerelateerd is aan tijd en kan variëren naargelang de situatie. In ons onderzoek, we hebben geprobeerd een adaptief anomaliesysteem te creëren dat in korte tijd normale toestanden kan leren en afwijkingen in verschillende scenario's kan opsporen."

De door Farhadi en zijn collega's ontwikkelde methode is ontworpen om normale situaties in verschillende delen van een videoframe te detecteren, het identificeren van anomalieën in de aanwezigheid van ongebruikelijke objecten of bewegingen. Eerst, het systeem gebruikt objectherkenning om objecten en hun locatie binnen een videoframe te identificeren. Zodra deze objecten zijn geïdentificeerd, het gebruikt optische stroom om veranderende verkeersstromen in verschillende delen van het frame te identificeren. Eindelijk, deze informatie wordt gebruikt om afwijkende bewegingen of objecten te detecteren.

"We hebben deze adaptieve anomaliedetectie bereikt door twee kaarten te maken, " legde Farhadi uit. "De eerste kaart schetst de gemiddelde beweging in framedelen, terwijl de tweede de waarschijnlijkheid registreert dat elk object in verschillende delen van het frame verschijnt. Deze twee veranderen altijd als er een nieuw frame binnenkomt. in het midden van het frame, we zien vooral auto's met specifieke bewegingen, dus als er een fiets met lage snelheid verschijnt, het systeem zal het als een anomalie beschouwen."

Het door de onderzoekers ontwikkelde systeem lijkt enigszins op menselijke aandachtsmechanismen. Net zoals menselijke aandacht mensen helpt om anomalieën te identificeren zonder alle waargenomen gegevens te analyseren, hun methode kan tijdelijke afwijkingen opsporen en hierop focussen, diepere analyses van wat er op dat moment gebeurt.

"Ons systeem kan worden gebruikt in autonome auto's, het detecteren van anomalieën op de weg en ofwel de aandacht van de operator trekken of complexere AI-analyses uitvoeren op de regio waarin de anomalie werd gedetecteerd, " zei Farhadi. "Dit kan auto-ongelukken voorkomen, zoals die plaatsvond in Arizona, waarin een van de zelfrijdende auto's van Uber een vrouw doodde omdat het systeem haar op straat niet opmerkte. In een soortgelijk geval, ons systeem kan afwijkingen in binnenkomende frames detecteren en de aandacht van de operator trekken, misschien een leven redden."

De onderzoekers evalueerden de prestaties van hun adaptieve anomaliedetectiesysteem (AAD) en vergeleken het met die van andere basislijnmethoden. Ze ontdekten dat hoewel het geen state-of-the-art resultaten opleverde, het presteerde beter dan eerder ontwikkelde technieken, met aanzienlijk snellere looptijden.

"Het hebben van een robuust en snel objectdetectiesysteem kan erg handig zijn voor het analyseren van bewakingsvideo's, " zei Farhadi. "Vanwege zwakke punten in de objectdetectiemogelijkheden van ons systeem, we werken nu aan het verbeteren van objectdetectie in videobewaking. We ontwikkelen ook een nieuw raamwerk voor het uitvoeren van neurale netwerken met behulp van FPGA, genaamd CNNIOT, waarmee het mogelijk wordt om enorme objectdetectiesystemen op kleine apparaten zoals mobiele apparaten of kleine robots te draaien."

© 2018 Tech Xplore