Forskare vid Arizona State University (ASU) har nyligen utvecklat en ny metod för att upptäcka ovanlig aktivitet i trafikövervakningsvideor, som är baserad på ett ramverk för adaptiv anomalidetektion (AAD). Deras metod, beskrivs i ett papper som för publicerats på arXiv, fått lovande resultat, presterar bättre än tekniker som presenterats i tidigare studier.

"På grund av en ökning av antalet övervakningskameror i världen, mängden data som ska behandlas växer, tillsammans med kravet på arbetskraft att tolka dessa uppgifter, " Mohammad Farhadi Bajestani, en av forskarna som genomförde studien, berättade Tech Xplore. "Detta motiverar forskare att designa system som kan upptäcka avvikelser i en video, hjälpa operatörer att analysera videor mer effektivt."

För närvarande, de flesta forskare som utvecklar övervakningssystem använder fördefinierade fakta för att upptäcka avvikelser inom videofilmer. Med andra ord, deras system är tränade på videodatauppsättningar, gradvis lära sig att upptäcka anomalier i framtida videor.

"Dock, för människor, definitionen av anomali kan förändras med tiden, " förklarade Farhadi. "Till exempel, när du kör väldigt fort, långsam trafik är en anomali och kan fånga din uppmärksamhet, men när du kör i trafiken, en bil som kör i hög hastighet kan väcka din uppmärksamhet. Detta visar att anomali är relaterad till tid och kan variera beroende på situationen. I vår forskning, Vi försökte skapa ett adaptivt avvikelsessystem som kan lära sig normala tillstånd på kort tid och upptäcka avvikelser inom olika scenarier. "

Metoden som utvecklats av Farhadi och hans kollegor är utformad för att upptäcka normala situationer i olika delar av en videoram, identifiera anomalier i närvaro av ovanliga föremål eller rörelser. Först, systemet använder objektigenkänning för att identifiera objekt och deras plats inom en videoram. När dessa objekt har identifierats, den använder optiskt flöde för att identifiera föränderliga trafikflöden i olika delar av ramen. Till sist, denna information används för att upptäcka onormala rörelser eller föremål.

"Vi uppnådde denna adaptiva anomalidetektering genom att skapa två kartor, "Farhadi förklarade." Den första kartan beskriver den genomsnittliga rörelsen i ramdelar, medan den andra registrerar sannolikheten för utseende av varje objekt i olika delar av ramen. Dessa två förändras alltid när en ny ram kommer in. Till exempel, i mitten av ramen, vi ser mest bilar med specifika rörelser, så om en cykel i låg hastighet dyker upp, systemet kommer att betrakta det som en anomali."

Systemet som forskarna utvecklat påminner lite om mänskliga uppmärksamhetsmekanismer. Precis som mänsklig uppmärksamhet hjälper människor att identifiera avvikelser utan att analysera all uppfattad data, deras metod kan upptäcka tidsmässiga anomalier och fokusera på dessa, ger djupare analyser av vad som händer just då.

"Vårt system skulle kunna användas i autonoma bilar, upptäcka avvikelser på vägen och antingen väcka operatörens uppmärksamhet eller köra mer komplexa AI-analyser på regionen där anomalien upptäcktes, "Sa Farhadi." Detta kan förhindra bilolyckor, som den som ägde rum i Arizona, där en av Ubers autonoma bilar dödade en kvinna eftersom systemet inte lyckades upptäcka henne på gatan. I ett liknande fall vårt system kan upptäcka avvikelser i inkommande ramar och väcka operatörens uppmärksamhet, kanske räddar ett liv."

Forskarna utvärderade prestandan för deras adaptiva anomalidetektionssystem (AAD) och jämförde det med andra baslinjemetoder. De fann att även om det inte uppnådde toppmoderna resultat, det presterade bättre än tidigare utvecklade tekniker, med betydligt snabbare körtider.

"Att ha ett robust och snabbt objektdetekteringssystem kan vara mycket användbart för att analysera övervakningsvideor, "Farhadi sa." På grund av svagheter i vårt systems objektdetekteringsmöjligheter, vi arbetar nu med att förbättra objektdetektering inom videoövervakning. Vi utvecklar också ett nytt ramverk för att köra neurala nätverk med FPGA, kallas CNNIOT, som kommer att göra det möjligt att köra enorma objektdetekteringssystem på små enheter som mobila enheter eller små robotar."

© 2018 Tech Xplore