Flujo completo de detección de anomalías adaptable. Crédito:Farhadi et al.
Investigadores de la Universidad Estatal de Arizona (ASU) han desarrollado recientemente un nuevo método para detectar actividad inusual en videos de vigilancia del tráfico. que se basa en un marco de detección adaptativa de anomalías (AAD). Su método, descrito en un artículo publicado previamente en arXiv, reunió resultados prometedores, desempeñándose mejor que las técnicas presentadas en estudios anteriores.
"Debido al aumento del número de cámaras de vigilancia en el mundo, crece la cantidad de datos a procesar, junto con la demanda de mano de obra para interpretar estos datos, "Mohammad Farhadi Bajestani, uno de los investigadores que realizó el estudio, le dijo a Tech Xplore. "Esto motiva a los investigadores a diseñar sistemas que puedan detectar anomalías dentro de un video, ayudando a los operadores a analizar videos de manera más eficiente ".
En la actualidad, la mayoría de los investigadores que desarrollan sistemas de vigilancia utilizan hechos predefinidos para detectar anomalías en las imágenes de video. En otras palabras, sus sistemas están capacitados en conjuntos de datos de video, aprendiendo gradualmente a detectar anomalías en futuros videos.
"Sin embargo, para los seres humanos, la definición de anomalía puede cambiar con el tiempo, "Farhadi explicó." Por ejemplo, cuando conduces muy rápido, el tráfico lento es una anomalía y puede llamar su atención, sin embargo, cuando conduces en medio del tráfico, un automóvil que corre a alta velocidad puede llamar su atención. Esto muestra que la anomalía está relacionada con el tiempo y puede variar según la situación. En nuestra investigación, intentamos crear un sistema adaptativo de anomalías que pueda aprender estados normales en cortos períodos de tiempo y detectar anomalías en diferentes escenarios ".
Movimiento de píxeles en el fotograma después de ∆t. Crédito:Farhadi et al.
El método desarrollado por Farhadi y sus colegas está diseñado para detectar situaciones normales en diferentes partes de un cuadro de video, identificar anomalías en presencia de objetos o movimientos inusuales. Primero, el sistema utiliza el reconocimiento de objetos para identificar los objetos y su ubicación dentro de un cuadro de video. Una vez que se identifican estos objetos, utiliza flujo óptico para identificar flujos de tráfico cambiantes en diferentes partes de la trama. Finalmente, esta información se utiliza para detectar movimientos u objetos anómalos.
"Logramos esta detección de anomalías adaptativas mediante la creación de dos mapas, "Explicó Farhadi." El primer mapa describe el movimiento promedio en las partes del marco, mientras que el segundo registra la probabilidad de aparición de cada objeto en diferentes partes del marco. Estos dos siempre cambian a medida que aparece un nuevo marco. Por ejemplo, en el centro del encuadre, sobre todo vemos coches con movimientos específicos, así que si aparece una bici a baja velocidad, el sistema lo considerará como una anomalía ".
El sistema desarrollado por los investigadores se parece un poco a los mecanismos de atención humana. Así como la atención humana ayuda a los humanos a identificar anomalías sin analizar todos los datos percibidos, su método puede detectar anomalías temporales y centrarse en ellas, proporcionando análisis más profundos de lo que está sucediendo en ese momento.
Salidas de flujo óptico. Crédito:Farhadi et al.
"Nuestro sistema podría usarse dentro de automóviles autónomos, detectar anomalías en la carretera y llamar la atención del operador o realizar análisis de IA más complejos en la región en la que se detectó la anomalía, ", Dijo Farhadi." Esto podría evitar accidentes automovilísticos, como la que tuvo lugar en Arizona, en el que uno de los autos autónomos de Uber mató a una mujer porque el sistema no la detectó en la calle. En un caso similar, nuestro sistema puede detectar anomalías en las tramas entrantes y llamar la atención del operador, tal vez salvar una vida ".
Los investigadores evaluaron el rendimiento de su sistema de detección de anomalías adaptativas (AAD) comparándolo con el de otros métodos de referencia. Descubrieron que, aunque no logró resultados de vanguardia, Funcionó mejor que las técnicas desarrolladas anteriormente, con tiempos de ejecución sustancialmente más rápidos.
"Tener un sistema de detección de objetos robusto y rápido puede ser muy útil para analizar videos de vigilancia, ", Dijo Farhadi." Debido a las debilidades en las capacidades de detección de objetos de nuestro sistema, ahora estamos trabajando para mejorar la detección de objetos en la videovigilancia. También estamos desarrollando un nuevo marco para ejecutar redes neuronales utilizando FPGA, llamado CNNIOT, lo que permitirá ejecutar grandes sistemas de detección de objetos en dispositivos pequeños, como dispositivos móviles o pequeños robots ".
© 2018 Tech Xplore
