在過去的十年裡，電腦視覺已經發展成為許多應用的關鍵技術，取代了人類的監督和監測。本報導提供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概述。
我們將討論以下主題：
- 人工智慧影像安全技術的最新技術
- 電腦視覺異常檢測
- 人工智慧視覺在監控和安全中的應用
- 入門 – 軟體解決方案
關於我們：Viso Suite 是世界上唯一的端到端電腦視覺平台。該解決方案可幫助全球組織在一個地方開發、佈署和擴充所有電腦視覺應用。為你的組織獲取演示。
Viso Suite – 端到端電腦視覺和 No-Code 的電腦視覺團隊
人工智慧影像監控的現狀
電腦視覺使用多種技術，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類監督的自動化。捕捉和數位化現實場景的能力為更好、更早地檢測威脅、量化風險，並提供即時安全評估提供了新的機會。
在新的機器學習、邊緣運算、人工智慧和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。
用於監控中電腦視覺的邊緣人工智慧
透過深度學習和邊緣運算的進步，應用電腦視覺直到最近才成為可能。深度學習是機器學習的一個子領域，它使機器能夠從訓練資料中學習，並將這些演算法應用於新數據資料。
邊緣運算是在資料源（攝影機）附近將運算任務，從雲端移動到網路邊緣的概念。因此，邊緣運算消除了連線攝影機和裝置的挑戰，如網路塞車、持續連線、延遲、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。裝置上的機器學習和邊緣運算的組合，也被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，這些新興技術在實現現實生活中的人工智慧應用方面發揮著重要作用。此外，邊緣人工智慧視覺基礎設施，可以顯著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理的邊緣人工智慧架構的高階概念。智慧監控攝影機
隨著安全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的場景理解，已成為監控系統的基本特徵。與移動定位、GPS、雷達訊號等其他資訊來源相比，來自攝影機串流的視覺資料包含豐富的資訊。
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，或私人區域狀態的統計資訊。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源。根據其硬體配置，單端裝置可以處理多個攝影機的影像輸入。強大的邊緣伺服器可以分析幾十到數百支攝影機。
一些 IP 攝影機製造商或一站式點解決方案提供內建攝影機智慧，其中運算處理器整合到攝影機中。然而，由於多種原因，企業系統通常會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的獨立性，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。此外，如果公司需要擴充功能或提高人工智慧效能，具有整合人工智慧處理功能的攝影機不允許擴大硬體資源。
此外，大多數企業使用來自不同品牌、世代和類型（索尼、松下、安迅士、海康威視、大華、三星等）的大量攝影機執行影像系統。更換所有攝影機太昂貴了，標準化會導致鎖定成本。此外，大多數攝影機產品每兩年一次會定期更換新型號。
分析攝影機流的電腦視覺
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者，以及個人的判斷力和注意力。智慧人工智慧分析支援人類操作員提供非常快速、客觀和一致的資訊。根據應用案例，人工智慧視覺軟體執行檢測和預測交通堵塞、安全威脅、事故和其他異常情況的任務。
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、輸出結合、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（或流向）。
AI 模型需要上游函數來獲取和預處理圖像數據，然後再將其輸入模型。只有這樣，人工智慧模型才會執行算法任務，將影像幀轉換為特定的元數據（例如，有信心的「人」類別）。原始模型輸出需要用邏輯進行解釋和聚合，以有助於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）及其與正常行為的相互作用的異常。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。
異常檢測的應用案例
任何明顯偏離正常行為的行為都可以被視為「異常」。案例包括人行道上出現車輛、人群突然散開、步行時跌倒、亂穿馬路、交通中繞過號誌燈，或車輛在紅燈下掉頭。
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用例進行設計，針對特定的佈署環境和攝影機定位進行了最佳化。
異常事件檢測系統並非微不足道，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，來處理影像資料以進行場景分析。
異常類型
在人工智慧視覺中，有三種不同類型的異常。這三種類型包括點異常、上下關聯情境異常和集體異常。例如，點異常包括繁忙道路或隧道中，不行駛的汽車。上下關聯情境異常，在不同的關聯情境中可能是正常的。
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，正常行為會是什麼。當一組例項一起可能導致異常時，就會發生集體異常，即使它們可能是一個正常的，例如，一群人會在短短的時間內分散。
異常的範圍和類別
在視覺監視的背景下，通常可以看到被歸類為全域和區域性異常的異常。全域異常可以存在於影像的幀或片段中，而無需指定事件的確切位置（沒有本地化）。
區域性異常通常發生在場景的特定區域內，但全域異常檢測演算法可能會忽略。有些方法可以檢測全域性和區域性異常。
安全監控中的異常檢測
AI 影像分析用於交通、地鐵、校園、火車、輪船、建築、公共場所的異常檢測。用於視覺人工智慧中異常檢測的閉路電視監控，案例包括停止車輛檢測、恐慌檢測、入侵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
影像監控和安全的應用
智慧影像監控包括各種應用和案例，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。合作影像監控使大型人工智慧視覺系統能夠在遠端位置整合多個攝影機。
人員檢測
人物檢測系統使用物件檢測演算法（例如流行的 YOLOv7），在影像提要中定位人物。因此，自動單人和多人檢測，是智慧影像監控系統的關鍵特徵。
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的場景（例如，在大型事件中）中的移動物體互動。
使用保護隱私的臉部模糊來檢測人 —— 使用 Viso Suite 建構
人為運動分析 （People Movement Analysis）
路徑學習將人類檢測與路徑建模技術和聚類相結合，以進行人員運動分析。例如，在智慧城市應用程式中，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。
辨識人和生物辨識安全（Person Recognition and Biometric Security）
現代影像監控安全系統，使用臉部辨識技術進行自動人員辨識。在高層次上，這種生物辨識安全技術執行一系列任務，也稱為人工智慧視覺管道，以（1）檢測人員，（2）裁剪臉部區域，以及（3）應用影像分類將其與資料庫的影像進行比較。
為了遵守法律要求，人臉辨識演算法需要複雜的隱私和安全基礎設施。一般來說，臉部辨識技術是敏感的，因為它可以在未經影像和許可的情況下，用於辨識影像和圖片中的人。
注意：我們的技術 Viso Suite 平台，為現實世界的電腦視覺，提供了行業領先的隱私和安全功能。電腦視覺平台使世界各地的組織，能夠在最具挑戰性的環境中滿足最嚴格的隱私要求。
臉部模糊的即時人臉辨識 —— 使用 Viso Suite 建構
電腦視覺中的行為生物辨識
人類辨識的另一種替代方法，包括行為生物辨識。行為生物辨識學的電腦視覺是一個現代技術研究領域，目的在利用人們的習慣性，身體和精神特徵來辨識他們。它已經成為一種新穎的身份驗證形式，因為它可以準確區分個人和彼此，而不需要任何身體接觸。
透過分析臉部表情、手勢、身體動作和步態辨識等微妙的個體特徵 —— 也稱為步態生物辨識 —— 這項技術可以檢測和辨識個人。有廣泛的應用可用於各種目的，如安全和門禁控制、個人辨識系統、客戶服務、詐欺檢測、深度造假檢測和一般監控。
人類行為理解
在基於影像的監控應用中，人員檢測、分類和人員追蹤，用於理解人類行為。
可以透過分類模型來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、鬥毆檢測、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）進行軌跡聚集。
零售業電腦視覺軌跡分析 – Viso Suite
非法活動檢測
人類動作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 感應、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。
司機和交通安全應用
固定式或車載攝影機系統用於執行不同類型的異常檢測。應用包括車道偏離警告、行人檢測和自適應警告系統。車載安全和警報系統包括駕駛員監控，例如，安全帶檢測或凝視辨識，以分析疲勞和或生病引起的四肢無力。
使用 OpenVINO 框架進行凝視辨識
人工智慧安全系統
危險物體和武器檢測
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。安全領域常見的物體辨識應用，包括武器檢測（槍支或刀具）或防護裝置檢測。
至於許多電腦視覺應用，在現實生活中實現物件檢測非常困難；我們將在本文後面討論原因。
使用電影場景的訓練資料進行深度學習的武器檢測。
入侵檢測和虛擬圍籬敏感位置的虛擬圍欄，是人工智慧視覺監控系統的一個流行功能。特定感興趣的區域標記虛擬圍籬，以檢測入侵事件。
具有興趣區域（ROI）的虛擬圍籬
自動影像摘要
影像摘要是一個允許人們快速了解，影像內容和關鍵資訊的過程，而無需完整觀看影像。例如，在購物中心、健身中心或交通樞紐，操作員花費大量時間觀看直播和錄製的影像串流。
AI 視覺算法用於執行影像摘要、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數據輸出，可用於辨識特定事件並查找相關影像素材。
基礎設施安全
事故和交通事故檢測
在交通管理和監視中，車輛檢測和追踪算法用於辨識特定事故和事件。此類系統在智慧城市應用中很受歡迎，還用於交通參數收集、車輛計數、基於影像的收費、交通流量分析和行為理解。其他用例包括事故檢測、高速公路車輛檢測和車輛分類（分析）。
常用方法將前景分割或背景減除，與卷積神經網路 (CNN) 結合，用於深度學習任務。
深度學習的流量分析 – Viso Suite
智慧停車和車輛監控
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車型、顏色或車標辨識。基於閉路電視攝影機的車輛監控，在智慧停車場分析中很受歡迎，用電腦視覺辨識和追蹤多個停車位的佔用情況。
使用電腦視覺檢測停車場
無人看管物體檢測
安全中的廢棄物體檢測是保持位置、屬性和安全監控的關鍵方面。它涉及使用自動化系統，可以在沒有人為干預的情況下，檢測滯留在公共或私人區域的任何物品。
可以訓練深度學習模型來檢測袋子、盒子、包裹和其他可能構成潛在安全威脅的物品。當檢測到物體時，可以向監控中心或安全人員傳送警報，或其他警報，以便在它成為真正的問題之前，辨識任何潛在威脅。
用於廢棄物件檢測的安全應用 —— Viso Suite
車輛辨識和車牌辨識
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、類型）來使用攝影機辨識和計數單個車輛。ANPR 也被稱為 LPR（牌照辨識）。
車輛辨識軟體首先透過物體檢測來檢測車輛，定位車牌，最後使用光學字元辨識（OCR）讀取車牌。
基於即時影像的自動車牌辨識（ANPR）
安全評估
人工智慧攝影機系統，用於實施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，以將現實世界的情況數位化，並收集資料，以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、關鍵基礎設施，和交通基礎設施的安全監控中提供決策支援。現代人工智慧視覺系統與幾乎所有的閉路電視監控和 VMS 系統整合。例如，我們的電腦視覺平台 Viso Suite 能夠獲取和處理現有攝影機的影相串流 —— 跨越不同的攝影機型號和供應商。
使用電腦視覺在交通分析中進行即時物件檢測
使用電腦視覺進行應急管理
可以開發人工智慧視覺系統，來執行自然事件的緊急分類，包括風暴檢測、洪水檢測或煙霧和火災檢測。此外，「突然事件檢測」用於在大規模設定中，辨識不同位置和攝影機的異常。
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、武器威脅辨識、溺水者檢測，以及受傷者或墜落者檢測。
人工智慧願景的挑戰
攝影機安全系統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實際應用，非常難以實現和擴充：
- 缺乏現實生活資料：非常需要現實生活的資料收集，來訓練有效的演算法，並建構在現實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，因為訓練有素的功能，很難從影像中提取。
- 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。
- 異質物件：學習場景中異質物件和實體的運動有時很困難。外觀的可變性大大降低了應用的效能。
- 稀疏與密集：用於檢測稀疏和密集條件下異常的方法不同。有些方法適合在稀疏環境中辨識事件，但在密集的場景條件下，可以產生許多假陰性，例如，在擁擠的環境中。
- 遮擋：在部分或完全隱藏的例項（人或物體）的遮擋下，檢測和追蹤非常具有挑戰性，儘管這項任務對人類來說相當容易。
開始
電腦視覺是一種非平凡的技術，應用幾乎總是獨一無二的，需要高水準的整合和配置。最終，組織正在尋找整合其電腦視覺系統的方法，以克服孤立點解決方案、不同硬體和單個工具的蔓延。
我們的電腦視覺平台 Viso Suite 是最強大的端到端電腦視覺平台。全球領先的組織使用 Viso 技術，在一個統一的自動化基礎設施上，交付其電腦視覺應用，從演示開始。
0 comments:
張貼留言