Если говорить о видеонаблюдении в рамках проекта «Безопасный город», то очевидно, что одна из основных его задач – «выявить и пресечь противоправные действия». Драки и хулиганство в нашей стране, к сожалению, дело нередкое. Вот потому мы и решили разработать модуль автоматического распознавания хулиганства, драк и потасовок. Поскольку детекторов драки в чистом виде на рынке видеоаналитики, кроме того, что разработали мы, нет, у людей заинтересованных возникает много вопросов о принципах его работы и эффективности. Сегодня мы хотели бы ответить на эти вопросы в статье и, в последствии, в ваших комментариях к ней.
Вызов принят!
Сегодня на рынке практически отсутствуют готовые коммерческие решения по обнаружению опасного поведения. Все, что нам удалось найти, изучая аналоги – несколько научных статей и один прототип решения:
http://web.eee.sztaki.hu/home4/node/21
http://www.nlpr.ia.ac.cn/2012papers/gnhy/nh15.pdf
http://www.openu.ac.il/home/hassner/data/violentflows/violent_flows.pdf
За разработку подобного модуля никто не берется, поскольку драка, особенно в наклонных камерах – это очень нечеткий паттерн поведения, который легко может быть спутан с бегом, массовым движением, и т. п. Кроме того, очень сложно выделить универсальные закономерности на разном удалении детектируемых объектов от камеры. Мы тоже в начале не решались. Но потом увидели, что есть прототип, который вроде что-то детектирует, и подумали: а почему бы и нам не попробовать? И, как ни странно, у нас получилось, и сегодня мы предлагаем нашим клиентам рабочий детектор.
По данным различных исследований, уже через 20 минут наблюдений оператор системы видеонаблюдения может проконтролировать лишь 20-30% внештатных ситуаций, поскольку внимание его рассеивается, а количество просматриваемых камер не превышает 16-ти. Но и 16 – очень много: человеческий фактор подводит при детектировании драк вручную. При алгоритмическом видеонаблюдении первичное обнаружение осуществляется программно-аппаратным комплексом, окончательное же решение принимает оператор. При такой оптимизации охранной системы оператор может контролировать до сотни видеопотоков.
Принцип работы детектора
В трех пунктах, детектирование драки происходит таким образом:
1. анализируется история движения объектов (людей) и определяется общий уровень движения;
2. выявляются всплески и неравномерности в движении, определяется быстрое движения (бег);
3. на основе собранной статистики выносится решение о наличии нестандартного поведения.
Если видеоаналитика установлена в вертикальной камере, калибруется сцена, детектятся все объекты, собирается статистика о «шлейфах» объектов (зеленые рамочки на видео). Видеоаналитика хорошо собирает быстрое, концентрированное движение, а при превышении заданного порога (время, количество движения, и т. д.) срабатывает детектор потасовки. Порог этот адаптивный, он приспосабливается к количеству движения на сцене во избежание ложных срабатываний.
Наклонная камера подразумевает дополнительную калибровку: при расчете статистики принимается во внимание удаленность объекта от камеры, поскольку близкие объекты дают меньший вес, чем дальние. Остальные моменты аналогичны специфике работы с вертикальным ракурсом камеры.
Проблемы и решения
Самый популярный вопрос, который нам задают о детекторе антисоциального поведения, звучит приблизительно так: «Как ваш модуль отличит целующуюся пару от двух людей, перегрызающих друг другу горло?» Действительно, есть определенная сложность выявления тревожной ситуации при отсутствии резких движений объектов. Наш детектор реагирует именно на резкое движение, поэтому, если к вам подкрался ассасин и аккуратно нанес колотую рану, детектор не отреагирует. Зато если у вас перед лицом будет махать руками не самый мирный житель неблагополучного района, событие сформируется оперативно. Но, учитывая превалирование бойких молодых людей над бесшумными наемными убийцами, детектирование на основе резкого движения себя оправдывает полностью.
Для калибровки мы добавили настройку чувствительности, что позволяет отсечь огромное количество ложных срабатываний. Настройка регулирует, насколько интенсивное движение в кадре будет воспринято как драка. При высокой чувствительности достаточно даже минимального хаотичного жеста в адрес другого человека. При низкой же чувствительности система будет реагировать на очень энергичные движения. Интенсивность движения определяется удельной «массой» шлейфов движения на объект, которые остаются только после концентрированных в окрестности множественных движений.
Показатели точности
При грамотной калибровке соотношение точности и ложных срабатываний для потолочных камер составит 90 на 10 процентов, при уличной видеоаналитике – 80 на 20 процентов.
Еще одна сложность, с которой нам пришлось столкнуться при запуске модуля обнаружения драки – трудность определения кратковременных тревожных ситуаций. Для того чтобы накопить достаточную статистику и понять, что это явно тревожная ситуация, необходимо не менее 10 секунд, меньшее время будет порождать ложные срабатывания. Пока готового решения этой проблемы у нас нет, но мы активно прорабатываем варианты.
При настройке работы модуля оператор может задать временной порог, при достижении которого драка будет зарегистрирована как тревожное событие. Время это варьируется и зависит от потребностей заказчика, но мы не рекомендуем его ставить более 15 секунд.
И последняя сложность, с которой мы столкнулись в процессе работы над нашим модулем – необходимость равномерного общего уровня движения в кадре (отсутствие автомобилей, крупных движущихся объектов). Дело в том, что машины генерируют хорошие шлейфы, особенно при ускорении и торможении. По этой причине сегодня наш модуль детектирования драки подходит для общественного транспорта, торговых центров и прочих мест массового скопления людей, но не годится для видеонаблюдения на оживленной улице. Ситуацию можно исправить более точным выделением объектов и их классификацией, над чем мы, помимо прочего, работаем в настоящий момент.
Приоритет
Очевидно, что установка видеоаналитического комплекса никогда не ограничивается сугубо детектором драки – в зависимости от отрасли добавляются детектор обнаружения оставленного предмета или распознавания лиц и другие. В случае, когда видеоаналитика формирует множество разных типов событий (нахождение в закрытой зоне или падение человека на рельсы), необходимо прописывать приоритет того или иного типа события. Эту проблему мы успешно решили системой ранжирования данных. Если при настройке системы охранник установит высокий приоритет для такого события как «драка», то при возникновении в списке событий оно будет на первом месте.
Перспективы
Сегодня на мировом рынке систем безопасности развивается весьма перспективное направление – аудиоаналитика. Лучше всего она детектирует человеческие крики, звуки выстрелов и звон разбитого стекла, выделяя их из смешанного городского шума. А это, как мы понимаем, и есть наиболее красноречивые сигналы антисоциального поведения. Таким образом, аудиоаналитика может детектировать нештатные ситуации, происходящие за пределами поля зрения камеры. Совместно же с видеоаналитикой, аудиоаналитика в разы повышает уровень безопасности на улицах города и в местах массового скопления людей.
Автор: blackcat87
