Adaptiv anomalidetektion i trafikovervågningsvideoer

Forskere ved Arizona State University (ASU) har for nylig udviklet en ny metode til at opdage usædvanlig aktivitet i trafikovervågningsvideoer, som er baseret på en adaptiv anomalidetektionsramme (AAD). Deres metode, skitseret i et papir, der er forududgivet på arXiv, opnået lovende resultater, yder bedre end teknikker præsenteret i tidligere undersøgelser.

"På grund af en stigning i antallet af overvågningskameraer i verden, mængden af ​​data, der skal behandles, vokser, sammen med efterspørgslen efter arbejdskraft til at fortolke disse data, " Mohammad Farhadi Bajestani, en af ​​de forskere, der har udført undersøgelsen, fortalte Tech Xplore. "Dette motiverer forskere til at designe systemer, der kan opdage uregelmæssigheder inde i en video, hjælper operatører med at analysere videoer mere effektivt."

I øjeblikket, de fleste forskere, der udvikler overvågningssystemer, bruger foruddefinerede fakta til at opdage uregelmæssigheder i videooptagelser. Med andre ord, deres systemer trænes i videodatasæt, gradvist at lære at opdage uregelmæssigheder i fremtidige videoer.

"Imidlertid, for mennesker, definitionen af ​​anomali kan ændre sig over tid, Farhadi forklarede. "For eksempel, når du kører meget stærkt, langsom trafik er en anomali og kan fange din opmærksomhed, men når du kører i trafikken, en bil, der kører med høj hastighed, kan vække din opmærksomhed. Dette viser, at anomali er relateret til tid og kan variere alt efter situationen. I vores forskning, vi forsøgte at skabe et adaptivt anomalisystem, som kan lære normale tilstande i korte perioder og spotte anomalier inden for forskellige scenarier."

Metoden udviklet af Farhadi og hans kolleger er designet til at opdage normale situationer i forskellige dele af en videoramme, identificere anomalier i nærværelse af usædvanlige genstande eller bevægelser. Først, systemet bruger objektgenkendelse til at identificere objekter og deres placering inden for en videoramme. Når disse objekter er identificeret, den bruger optisk flow til at identificere skiftende trafikstrømme i forskellige dele af rammen. Endelig, denne information bruges til at detektere unormale bevægelser eller genstande.

"Vi opnåede denne adaptive anomalidetektion ved at oprette to kort, " Farhadi forklarede. "Det første kort skitserer den gennemsnitlige bevægelse i rammedele, mens den anden registrerer sandsynligheden for udseende af hvert objekt i forskellige dele af rammen. Disse to ændrer sig altid, efterhånden som en ny ramme kommer ind. F.eks. i midten af ​​rammen, vi ser for det meste biler med specifikke bevægelser, så hvis en cykel med lav hastighed dukker op, systemet vil betragte det som en anomali."

Systemet udviklet af forskerne minder lidt om menneskelige opmærksomhedsmekanismer. Ligesom menneskelig opmærksomhed hjælper mennesker med at identificere anomalier uden at analysere alle opfattede data, deres metode kan spotte tidsmæssige anomalier og fokusere på disse, give dybere analyser af, hvad der sker på det tidspunkt.

"Vores system kunne bruges i selvkørende biler, opdage uregelmæssigheder på vejen og enten vække operatørens opmærksomhed eller køre mere komplekse AI-analyser på det område, hvor uregelmæssigheden blev opdaget, " sagde Farhadi. "Dette kunne forhindre bilulykker, som den, der fandt sted i Arizona, hvor en af ​​Ubers autonome biler dræbte en kvinde, fordi systemet ikke kunne opdage hende på gaden. I et lignende tilfælde, vores system kan opdage abnormiteter i indkommende rammer og vække operatørens opmærksomhed, måske redder et liv."

Forskerne evaluerede ydeevnen af ​​deres adaptive anomali detektion (AAD) system ved at sammenligne det med andre baseline-metoder. De fandt ud af, at selvom det ikke opnåede avancerede resultater, det fungerede bedre end tidligere udviklede teknikker, med væsentligt hurtigere køretider.

"At have et robust og hurtigt objektdetektionssystem kan være meget nyttigt til at analysere overvågningsvideoer, " sagde Farhadi. "På grund af svagheder i vores systems objektdetektionsfunktioner, vi arbejder nu på at forbedre genstandsdetektion i videoovervågning. Vi udvikler også en ny ramme til drift af neurale netværk ved hjælp af FPGA, kaldet CNNIOT, som vil gøre det muligt at køre enorme objektdetekteringssystemer på små enheder såsom mobile enheder eller små robotter."

© 2018 Tech Xplore