 |
| 不只是縮時，還有粉塵、噪音、位移偵測 |
在過去的十年裡，電腦視覺已發展成為眾多應用的關鍵技術，取代了人類的監督和監控。本報導概述了影像監控和人工智慧安全監控中，最先進的電腦視覺的研究。
我們將討論以下主題：
· 2022 年人工智慧影像安全技術的最新技術
· 電腦視覺異常檢測
· 監控和安全中的人工智慧視覺應用
· 應用電腦視覺在安全方面的挑戰
· 入門 - 軟體解決方案
在 viso.ai，我們提供企業無程式電腦視覺平台 Viso 套件。該解決方案被領先組織用於建構和擴充套件，其電腦視覺應用 —— 包括許多應用案例和案例研究。這就是為什麼我們對最受歡迎的應用、尖端技術和實施人工智慧願景的挑戰有第一手知識。
監控和安全領域的人工智慧視覺應用列表
· 應用#1：人類檢測
· 應用#2：人員運動分析
· 應用#3：人格辨識
· 應用#4：武器檢測
· 應用#5：人類行為理解
· 應用#6：虛擬圍籬
· 應用#7：交通事故檢測
· 應用#8：車輛監控
· 應用#9：車輛辨識
· 應用#10：交通安全應用
· 應用#11：非法活動檢測
· 應用#12：異常檢測
· 應用#13：安全評估
· 應用程式#14：基礎設施安全
· 應用#15：應急管理
· 應用#16：影像總結（Video Summarization）
在本報導稍後，我們將提供更多關於這些和更多應用的資訊。讓我們直接進入這個話題！
最先進的人工智慧影像監控
電腦視覺使用多種技術組合，來分析和理解電腦的影像資料。在監控和安全行業應用中，電腦視覺的主要目標，是實現人工監督的自動化。捕捉現實場景和數位化的能力為更好、更早地檢測威脅、量化風險和提供即時安全評估提供了新的機會。
在新的機器學習、高階運算、人工智慧和連線的物聯網技術的推動下，電腦視覺應用的列表不斷快速增加，這些技術使人工智慧視覺更加強大、靈活和可擴充套件。
用於監控中電腦視覺的邊緣人工智慧
直到最近，透過深度學習和邊緣運算的進步，應用電腦視覺才成為可能。深度學習是機器學習的一個子領域，使機器能夠從訓練資料中學習，並將這些演算法應用於新資料。
邊緣運算是將運算任務，從雲端移動到靠近資料源（攝影機）的網路邊緣的概念。因此，邊緣運算消除了連線的攝影機和裝置的挑戰，如網路塞車、恆定連線、延遲、使增強性、隱私和資料管理。
現代電腦視覺系統使用邊緣運算來處理影像，而無需將影像資料傳送到雲或其他儲存單元。裝置上機器學習和邊緣運算的組合，也稱為邊緣人工智慧或邊緣智慧。在電腦視覺的監控和安全應用中，這些新興技術在啟用現實生活中的人工智慧應用方面，發揮著重要作用。此外，Edge AI 視覺基礎設施允許大幅降低大規模，和即時電腦視覺系統的成本。
 |
| 具有本地人工智慧推斷的邊緣人工智慧架構的高階概念。 |
智慧監控攝影機
隨著安控攝影機在公共場所的廣泛使用，人工智慧影像分析和電腦視覺場景理解，已成為監控系統的基本特徵。與其他資訊來源（如移動位置、GPS、雷達訊號等）相比，攝影機影相串流的視覺資料，包含了豐富的資訊。
大規模影像分析系統，能夠收集有關道路交通、公共場所、建築物或私人區域狀況的統計資訊。現代人工智慧視覺軟體，允許使用幾乎任何網路攝影機的影像提要。根據其硬體配置，單邊緣裝置可以處理多個攝影機的影像源。 強大的邊緣伺服器，可以分析幾十到數百隻攝影機。
一些 IP 攝影機製造商，或 Turnkey 解決方案商，提供智慧攝影機，計算處理器整合到攝影機中。然而，出於多種原因，企業系統通常將人工智慧運算與攝影機本身分開。
首先，企業需要保持供應商獨立，並保持談判能力。然後，公司需要避免技術鎖定，並確保可擴充套件性和與系統的整合性。此外，如果公司需要擴充套件功能，或提高人工智慧效能，具有整合人工智慧處理的攝影機，不允許擴大硬體資源。
此外，大多數企業營運影像系統，擁有來自不同品牌、世代和型別的大量攝影機（索尼、松下、安迅士、三星等）。 更換所有攝影機太昂貴了，標準化將導致鎖定成本。此外，大多數攝影機產品每兩年定期更換一次新型號。
電腦視覺分析攝影機串流
人工智慧影像監控系統
在傳統的影像監控中，系統完全依賴於人類操作員，以及個人的判斷和意圖。智慧人工智慧分析，為人類操作員提供非常快速、客觀和一致的資訊。 根據使用案例，人工智慧視覺軟體執行任務，以檢測和預測交通堵塞、安全威脅、事故和其他異常情況。
典型的電腦視覺系統，整合了多種軟體功能，從資料輸入採集，到影像預處理、深度學習推理、輸出聚合、通訊和視覺化。這樣的電腦視覺系統能夠執行一個或多個應用，每個應用都能解決特定問題（異常檢測、姿勢檢測、物件檢測等）。
電腦視覺應用與人工智慧模型
人工智慧模型不是電腦視覺應用；這兩個術語經常被錯誤地互換使用。電腦視覺應用，包含包含一個或多個人工智慧模型的電腦視覺管道（或影像串流）。
AI 模型需要上遊功能，來獲取和預處理影像資料，然後再將其輸入模型。 只有這樣，人工智慧模型才會執行演算法任務，將影像幀轉換為特定的元數據（例如，自信的「人」類）。原始模型輸出需要解釋和邏輯聚合，以幫助解決業務或安全問題。
人工智慧視覺中的異常檢測
什麼是異常檢測？
在電腦視覺中，異常檢測是從監控場景中，理解行為的一個子領域。異常通常是場景實體（人、車輛、環境）及其與正常行為的互動的畸變。通常，異常檢測方法透過訓練學習正常行為。異常檢測通常使用無監督或無監督學習，或組合的半監督學習。
異常檢測應用案例
任何明顯偏離正常行為的東西，都可以被認為是「異常」。例子包括人行道上的車輛存在，聚集物中的人突然分散，行走時的人摔倒，馬車行走，交通訊號繞過，或紅色號誌燈的車輛掉頭。
異常檢測解決方案
異常檢測系統利用資料採集、特徵提取、場景學習和/或活動學習，以及行為理解。異常檢測系統針對特定的案例進行設計，針對特定的佈署環境，和攝影機定位進行了最佳化。
異常事件檢測系統是非微小的，需要一套跨越多個研究領域的技術。一般來說，此類系統使用影像處理技術、車輛和/或人員檢測和追蹤、基於多攝影機的技術、智慧事件檢測等組合，處理影像資料以進行場景分析。
異常型別
在人工智慧視覺中，有不同型別的異常。 這三種類型包括點異常、上下文異常和集體異常。例如，點異常包括繁忙道路上或隧道中的非移動汽車。上下文異常在不同的上下文中可能是正常的。
例如，在緩慢行駛的交通中，如果車輛比其他車輛移動得更快，那麼在密度較低的情況下，什麼是正常行為。當一群例項一起可能導致異常時，就會發生集體異常，即使它們可能是正常的，例如，一群人在短時間內分散。
異常的範圍和類別
在視覺監控的背景下，通常會看到被歸類為全球和區域性異常的異常。全域性異常，可能出現在影像的幀或片段中，而無需準確指定事件發生的位置（無本地化）。
區域性異常通常發生在場景的特定區域內，但全域性異常檢測演算法可能會忽略。一些方法可以檢測全域性和區域性異常。
監控和安全中的人工智慧視覺應用
智慧影像監控包括用於異常檢測、物體檢測和追蹤、運動分析技術、監控系統、預防、辨識和警告系統的廣泛應用和用例。合作影像監控使大規模的人工智慧視覺系統，能夠整合遠端位置的眾多攝影機。
人類探測
人檢測使用物件檢測演算法（如 YOLOv7）在影像提要中定位人。自動單人和多人檢測是智慧影片監控系統的重要功能。 人類檢測還包括人群分析，以估計場景密度，並評估擁擠和不擁擠場景中的移動物體相互作用。
具有保護隱私的臉部模糊的人檢測 —— 使用 Viso 套件建構
人員運動分析
路徑學習將人類檢測與路徑建模技術和聚類相結合，以執行人體運動分析。 例如，在一些智慧城市應用中，運動分析用於執行運動預測和分析車輛行為、行人行為、加速度、移動速度和軌跡。
人格識辨識
某些安全監控系統應用人臉辨識軟體，來執行人員確認/辨識。在高層次上，基於人工智慧的人辨識軟體，結合了多個步驟來檢測人臉，裁剪人臉區域，並應用影像分類，將其與資料庫比對。人類辨識的另一種替代方法，包括行為生物辨識。在大多數應用案例中，此類影像辨識服務，需要保護隱私的電腦視覺技術。
武器或危險物體檢測
即時物件檢測，使用深度學習來檢測和定位影像場景中的特定物件。安全中的常見物體辨識應用包括武器檢測（槍支或刀具）或保護裝置檢測。 至於許多電腦視覺應用，現實生活中的物件檢測實現起來非常具有挑戰性；我們將在本報導稍後面討論原因。
使用電影場景的訓練資料，進行深度學習的武器檢測。
人類行為理解
人檢察、分類和人際追蹤，用於基於影像的監控應用中的人類行為理解。可以透過分類模型學習特定的行為模式，以辨識特定的人類行為。這可用於攻擊性檢測、爭吵檢測、搶劫或盜竊檢測等。分析人類行為的應用，還包括使用不同的機器學習和成像技術（如多攝影機檢測），進行軌跡聚類。
虛擬圍籬
敏感位置的虛擬圍籬，是人工智慧視覺監控系統的一個熱門功能。 特定興趣區域標記虛擬柵欄，以檢測入侵事件。
具有興趣區域（ROI）的虛擬柵欄
交通事故檢測 在交通管理和監控中，車輛檢測和追蹤演算法，用於辨識特定事件和事件。這種系統在一些智慧城市應用中很受歡迎，也用於交通引數收集、車輛計數、基於影像的收費、交通流量分析和行為理解。其他應用案例包括事故檢測、公路車輛檢測和車輛分類（剖析）。常見的方法將前景分割，或背景減法與卷積神經網路（CNN）結合起來，用於深度學習任務。
深度學習的流量分析 – Viso Suite
車輛監控
車輛或移動物體的檢測和追蹤與車牌辨識相結合。影像分類演算法，用於確定車輛型號和型別、顏色或徽標辨識。基於攝影機的車輛監控，在停車場分析中很受歡迎，用於檢測和追蹤具有電腦視覺的多個停車位的佔用情況。
帶有電腦視覺的停車場檢測
車輛辨識
基於視覺的車輛辨識使用自動車牌辨識（ANPR）和車輛特徵檢測（顏色、型別）來使用攝影機辨識和計數單個車輛。ANPR 也被稱為 LPR（許可證板辨識）。車輛辨識軟體首先透過物體檢測檢測車輛，定位車牌，最後使用光學字元辨識（OCR）讀取車牌。
基於影片的實時自動車牌辨識（ANPR）
交通安全應用
固定或車載攝影機系統，用於執行不同型別的異常檢測。應用包括車道偏離警告、行人檢測和自適應警告系統。車載安全系統包括駕駛員監控，例如安全帶檢測或凝視辨識（gaze recognition 用於分析疲勞和疲勞）。
使用 OpenVINO 框架進行凝視辨識
非法活動檢測
人類行為辨識和運動模式檢測，用於檢測可疑事件或行為。流行的技術包括姿勢估計、3D 感測、學習和分類，以檢測違反準則或法律的行為。非法活動可能包括亂扔垃圾、遊蕩、乞討等。
安全監控中的異常檢測
人工智慧影像分析用於交通、捷運、校園、火車、船隻、建築物和公共場所的異常檢測。視覺人工智慧中異常檢測的例子，包括停車車輛檢測、恐慌檢測或異常行人活動辨識。
用於停止車輛檢測的深度學習異常檢測 – Viso Suite
安全評估
人工智慧攝影機系統，用於實現基於視覺的差距分析、威脅評估、風險、衝突和事故檢測。深度學習模型執行辨識，以數位化現實世界的情況，並收集資料來建模和預測威脅情況。將視覺世界數位化，並將其轉換為元資料的能力用於提供高階安全評估，這對保險應用也很重要。 例如，可以建立動態報告，提供有關車輛或人員移動、互動或地形資訊的資訊。
基礎設施安全
視覺監控使用電腦視覺進行路邊警報系統，並在公共場所的安全監控中提供決策支援。安全應用程式包括被遺棄的物體檢測，以儘早找到可能危險的物品。
帶有電腦視覺的應急管理
人工智慧視覺系統對風暴、洪水檢測、煙霧和火災探測等自然事件，進行緊急分類。突發事件檢測用於辨識不同位置，和攝影機的異常情況。監控和安全系統還用於檢測人為緊急情況，如道路事故、危險烏鴉、武器威脅檢測、溺水人員檢測、傷員或人員跌倒檢測。
影像總結
AI 視覺演算法用於執行影像總結、概要生成和基於內容的影像檢索。在影像監控中，深度學習模型的歷史資料輸出，可用於辨識特定事件，並查詢相關影像材料。
人工智慧願景的挑戰
影像監控中，基於影像的異常檢測非常具有挑戰性。有許多因素使電腦視覺的現實應用，非常難以實現和擴充套件：
· 缺乏現實生活中的資料：非常需要現實生活中的資料收集，以訓練有效的演算法，並建構在現實世界環境中，表現良好的電腦視覺應用。
· 照明：管理照明的變化很困難，因為很難從影像中提取訓練有素的功能。
· 姿勢和視角：決定監視區域的攝影機角度，對深度學習演算法的效能有重大影響。這是因為物體或人的外觀，可能會根據他們與攝影機的距離而變化。
· 異質物體：學習場景中異構物體和實體的運動有時可能很困難。外觀的變異性，大大降低了應用程式效能。
· 稀疏與密集：在稀疏和密集的條件下，檢測異常的方法不同。一些方法適合在稀疏環境中進行事件辨識，但在密集的場景條件下，可以產生許多假陰性，例如，人群眾多。
· 遮擋：在阻塞下檢測和追蹤部分或完全隱藏的例項（人或物體），是非常具有挑戰性的，儘管這項任務對人類來說相當容易。
開始
電腦視覺是一種非微小的技術，應用幾乎總是獨一無二的，需要高水準的整合和配置。有許多平台用於電腦視覺、影像辨識、影像分析、機器學習、資料收集、模型培訓、影像註釋、邊緣裝置管理等。 許多組織最終出現了無序的點解決方案、昂貴的鎖定，以及不足的靈活性和標準化。
這就是為什麼我們建造了 Viso 套件。 這是一個整合的端到端電腦視覺應用平台，在一個套件中涵蓋整個生命週期。Viso Suite 提供強大的業務和企業功能以及保護隱私的邊緣人工智慧，並幫助管理安全和治理。
Viso Suite 允許你將團隊聚集在一起，使用無程式和低程式功能，以及專業的電腦視覺工具，以加快應用程式生命週期的每一步。
沒有留言:
張貼留言