Ny algoritme hjælper med at opdage og analysere mistænkelig aktivitet i overvågningsbilleder

Ny forskning fra Binghamton University, State University of New York, kunne gøre det lettere at spore og behandle mistænkelig aktivitet i overvågningsbilleder.

Traditionelle overvågningskameraer registrerer ikke altid mistænkelige aktiviteter eller genstande rettidigt. For at bekæmpe dette problem, Binghamton University Associate Professor of Electrical and Computer Engineering Yu Chen og hans team udviklede en hybrid letvægtssporingsalgoritme kendt som Kerman (Kernelized Kalman-filter). Forskningen bruger single board computere (SBC'er) monteret på overvågningskameraer til at behandle videoer og udtrække funktioner, der fokuserer på forbedret detektion af mennesker, spore deres bevægelser og genkende adfærd for øget overvågningsdækning.

"Kerman-algoritmen gør det muligt for de smarte kameraer ved kanten (kilden til datagenerering) at alarmere, så snart der opdages noget mistænkeligt i de indkommende videostreams, " sagde Chen.

Forskerholdet introducerede SBC'er, der skal implementeres i decentraliserede computerplatforme, som fordeler arbejdsbyrden mellem flere tågecomputernoder, i stedet for til én centraliseret server. På grund af decentraliseret databehandling, videoen behøver ikke at blive overført til én ekstern server, gør overvågningssystemet mere agilt og robust. Databehandling kan derefter behandles og analyseres på en mere effektiv og rettidig måde.

Algoritmen identificerer ikke, spore eller registrere nogens aktiviteter, derved opretholdes et højt niveau af privatliv i et sikkert system. Fremtidige modeller af denne algoritme vil drage fordel af mere avanceret hardware og sikkerhedsmekanismer for at sikre, at dette overvågningssystem er evolutionært og bevarer høj ydeevne i hele levetiden.

Papiret, "Kerman:A Hybrid Lightweight Tracking Algorithm to Enable Smart Surveillance as an Edge Service, " vandt prisen for bedste papir ved 2019 IEEE CCNC-konferencen.