Ny forskning från Binghamton University, State University of New York, kan göra det lättare att spåra och bearbeta misstänkt aktivitet i övervakningsfilmer.

Traditionella övervakningskameror upptäcker inte alltid misstänkta aktiviteter eller föremål i tid. För att bekämpa detta problem, Binghamton University Docent i el- och datorteknik Yu Chen och hans team utvecklade en hybrid lättviktsspårningsalgoritm känd som Kerman (Kerneliserat Kalman-filter). Forskningen använder enkortsdatorer (SBC) monterade på övervakningskameror för att bearbeta videor och extrahera funktioner som fokuserar på förbättrad upptäckt av människor, spåra deras rörelser och känna igen beteenden för ökad övervakningstäckning.

"Kerman-algoritmen gör det möjligt för de smarta kamerorna vid kanten (källan för datagenerering) att larma så snart något misstänkt upptäcks i de inkommande videoströmmarna, " sa Chen.

Forskargruppen introducerade SBC:er som ska implementeras i decentraliserade datorplattformar, som fördelar arbetsbelastningen mellan flera Fog computing noder, istället för till en centraliserad server. På grund av decentraliserad databehandling, videon behöver inte överföras till en fjärrserver, göra övervakningssystemet mer smidigt och robust. Databehandling kan sedan bearbetas och analyseras på ett mer effektivt och lägligt sätt.

Algoritmen identifierar inte, spåra eller registrera någons aktiviteter, och därigenom upprätthålla en hög integritetsnivå inom ett säkert system. Framtida modeller av denna algoritm kommer att dra fördel av mer avancerad hårdvara och säkerhetsmekanismer för att säkerställa att detta övervakningssystem är evolutionärt och bibehåller hög prestanda under hela livslängden.

Pappret, "Kerman:A Hybrid Lightweight Tracking Algorithm to Enable Smart Surveillance as an Edge Service, " vann priset för bästa papper vid 2019 IEEE CCNC-konferens.