Surveillance and Automated Anomaly Detection
Fujitsu Research and Development Center
背景
交通狀況為正常或異常。異常狀態會嚴重降低流量效率，應進行監控。隨著車輛數量的迅速增加，某些異常狀態（交通事故、交通堵塞和交通違規等，稱為異常）會更加交通事件的頻繁地發生。傳統的運輸設備（例如環路檢測器）很難檢測到某些類型的異常。
在運輸應用中，越來越多的監視攝影機用於監視目的。如果這些攝影機可用於異常檢測，將是高效且低成本的。傳統的影像的異常檢測方法，僅設計用於有限的場景，單一事件類型且檢測精度較低。借助由道路區域定義、交通規則定義、車輛和非車輛對象的檢測和追蹤，對象屬性派生以及規則比較等組成的有效框架，我們的技術可以用於所有類型的所有交通場景。異常，並且精度很高。
主題
傳統算法或現有產品中存在以下問題：
1）大多數方法僅用於解決單一類型的異常，例如，僅檢測交通事故，檢測交通擁堵或僅檢測交通違規。 對於每種類型的異常，該方法僅具有有限的應用案例。 例如，事故情況僅限於變道，停車，慢速車輛和墜落物體等。
2）它們中的大多數經過測試並應用於簡單的場景中，幾乎沒有車輛或事故。 因此，對於常見的交通場景，檢測精度低，誤檢率高。
這些方法不適用於交通狀況復雜的十字路口。 因此，我們開發了一種有效的交通異常檢測技術，該技術在簡單和復雜的交通狀況下均能穩定運行，具有較高的檢測精度，並且可以透過軟體，實現即時運行。
技術
基於監視影像的異常檢測系統，由道路區域定義，交通規則定義，車輛和非車輛對象的檢測和跟蹤，對象屬性派生，以及規則比較組成，如圖1所示。
影像是從監視攝影機輸入的，監視攝影機應該安裝在較高的位置，以便觀看十字路口的多個部分，如圖2所示。這樣，一台攝影機可以監視十字路口的所有方向。 它是高效且低成本的。
利用輸入的影像，定義了每個車道的道路區域、斑馬線、交叉中心區域和禁止區域。道路區域的屬性用 16 位整數表示，其值從 0x0 到 0xFFFF。
對於每個區域，根據交通標誌和交通規則定義特定的規則。例如，在向左轉的車道上，規則設置為僅向左轉，禁止直行。
對於異常檢測，有兩種要檢測的對象，即車輛和非車輛。車輛包括大尺寸（卡車、公共汽車、廂式貨車等）和小尺寸（汽車、馬達等）。非車輛包括行人，帶有運輸工具（自行車、踏板車等）的人和動物。對於每種對象，它們處於兩種狀態：靜止或運動。
對於許多方法來說，使用運動資訊檢測運動對像很容易，但是僅使用運動資訊檢測靜止對象並不容易。某些方法（例如，透過機器學習訓練和辨識汽車）可以用於具有顏色、紋理或邊緣資訊的固定汽車檢測。但是它們受訓練場景的限制，具有固定的攝影機參數（安裝位置、角度、焦距等），且照明和天氣條件有限。
我們使用一種新穎的前景物體檢測方法，不僅可以檢測正在行駛的汽車和人，還可以檢測隊列中的靜止汽車。此外，該方法可以檢測大尺寸和小尺寸的物體。檢測示例如圖 3 所示。
系統從任何影像幀開始，方法是從背景圖像中減去當前幀。提取背景圖像時，有兩種情況出現幻影對象。在第一種情況下，當移動物體變得靜止時，它將適應背景。然後，當它在以後的某個時間再次開始移動時，將留下一個鬼影。在第二種情況下，屬於背景的現有物體開始移動（例如，停下的車輛），並且還會引起重影問題。在我們的算法中，當移動的對像變得靜止時，它將不會自適應地合併到背景中。與其他方法相比，我們的算法中不會發生第一個幻影現象。我們的算法包括一個工作模型和幾個輕量級監控模型。當背景物體開始移動時，將透過監視模型檢測到背景污染，並將重新初始化相關的背景區域。因此，第二個鬼現像也可以解決。
為了從檢測到的對像中獲取某些屬性，需要跟蹤這些對象。我們將物體通過的區域作為軌跡資訊。
通過跟蹤結果，我們可以將軌跡資訊與交通號誌燈資訊進行比較。例如，如果交通號誌燈是紅色的，則不允許從直線區域到中心區域的任何物體，也不允許左轉。如果攝影機可以清晰地看到交通號誌燈，則可以從外部控制設備輸入交通號誌燈資訊，也可以透過從攝影機辨識，來獲得交通號誌燈資訊。
結果
（1）異常檢測精度：> 95％
（2）使用 SW 的即時處理，30fps @ 1920x1080（Intel Xeon 3.2GHz，4GB內建記憶體）。
（3）車輛和非車輛物體的檢測結果如圖4所示，異常檢測示例如圖5所示。
未來的計劃
2015年，我們將在高空安裝監控攝影機，對這項技術進行現場測試，並嘗試覆蓋更多具有較高檢測率的場景。 同時，這項技術將在世界各地推廣。對於實施，該技術可以是在監視系統中的伺服器上運行的軟體，以處理單個或多種影像方式。 我們還可以將其嵌入監視攝影機一側的圖像處理器中。
 |
沒有留言:
張貼留言