2022年11月14日 星期一

· AI 電腦視覺在影像監控和安全中的 16 大應用

DeepX:電腦視覺在安全領域的應用 


不只是縮時,還有粉塵、噪音、位移偵測

viso.ai



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


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。


人臉檢測人臉辨識相結合,以進行人臉辨識。 


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。


零售業電腦視覺的軌跡分析Viso Suite 


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。


被遺棄物體檢測的安全應用程式Viso Suite 


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。


獲取 2022 Viso Suite白皮書


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。



按此回今日3S Market新聞首頁 

沒有留言:

張貼留言