S využíváním video technologií se setkáváme v mnoha oblastech a stále častěji. Progresivní rozvoj hardwaru využitelného pro zpracování obrazu nám přináší i zvyšující se počet možností využití snímaného obrazu.
Neuronové sítě běžící na GPU jsou schopné rozpoznávat a monitorovat objekty v reálném čase i z více kamer najednou. Množina rozpoznávaných objektů se stále rozšiřuje. Co bylo před rokem nemyslitelné je dnes překonané. Pro řešitele technologií a SW jsou dostupné stále se zlepšující konvoluční neuronové. Oblast je perspektivní a existuje řada řešení a firem, které se v této oblasti pohybují. Přes relativně snadnou přístupnost různých vyspělých nástrojů na rozpoznávání obrazu zde zůstává poměrně dost prostoru pro vývoj řešení s odlišnými vlastnostmi a doménovým zaměřením.
Asseco Central Europe, a. s. vidí v této oblasti příležitost. Jednak buduje efektivní architekturu pro získávání a zpracování obrazových dat a metadat z kamerových systémů a jednak hledá a přichází s novými, inovativními způsoby využívání videa technologií ve městech a obcích.
Asseco Central Europe, a. s vede výzkumný projekt Smart Life, jehož hlavním cílem je vedle řešení datové bezpečnosti výzkum a vývoj v oblasti využívání video technologie. Znalosti a zkušenosti z výzkumu jsou zúročovány v řešeních pro Smart City. Výzkumný projekt využívá obrazových dat získávaných z několika kamerových stanovišť rozmístěných po městě Svätý Jur nedaleko Bratislavy. Data jsou zpracovávána s pomocí nejnovějších dostupných konvolučních neuronových sítí běžících nad GPU - grafickými výpočetními jednotkami speciálně používanými pro tento účel. Jednak je vyvíjený nový typ architektury video management systému a jednak jsou zkoumány nové způsoby využití video technologie.
Stručný popis přístupu ke zpracování obrazových dat
Architektura video management systému umožňuje paralelně pracovat s obrazovými daty i z nich odvozenými metadaty a to na více úrovních (přímo v místě instalace, na oblastní úrovni, na centrální úrovni). Obrazová data je možné automatizovaně vícekrát analyzovat a to pokaždé jinými na sebe navazujícími nebo i nezávislými analytickými nástroji. Takovéto nastavení architektury a chování systému umožňuje:
- předzpracovat - vybrat pouze relevantní informace pro náročnější zpracování
- pracovat s mobilními kamerami - předzpracování – cílený postprocessing
- pracovat s mobilními kamerami - výběr vhodné analytiky na místě podle metadat
- předzpracovat pro účel operativního řízení - využít dále pro účel video pasportizace
Současně probíhá automatická synchronizace dat mezi jednotlivými úrovněmi systému. I v případě výpadků je zabezpečené efektivní dokončení přenosů obrazových dat i vytvářených metainformací. Tento koncept tak umožňuje šetřit úložný prostor a využít co nejlépe dostupný výpočetní výkon.
Příklad využití kombinace mobilního kamerového systému pro objektivní zodpovědnost a pro monitorování stavu dopravní infrastruktury
Vozidlo má kamery pro okamžité rozpoznávání evidenčních čísel vozidel ve stanovených zónách. Přímo ve vozidle dochází ke generování metainformací: evidenční číslo vozidla, datum, čas a zóna zachycení. Vozidlo je používáno pro účely kontroly parkování nebo se jedná o policejní vozidlo.
Systém však umí na základě polohy vozidla (zóny) spouštět i další analytické nástroje, například na rozpoznání obsazenosti veřejného prostranství nebo rozpoznání viditelnosti a stavu dopravního značení.
Pokud to není možné přímo ve vozidle, lze systém nastavit tak, aby se data uchovávala a periodicky se vyčítala pouze konkrétní obrazová data do vyšší vrstvy architektury a tam se podrobila další analýze.
Dalším příkladem je komplexní řešení bezpečnosti dopravy v okolí škol
Na níže uvedeném snímku je viditelné nastavení zón pro konkrétní lokalitu. S pomocí video technologie vyvíjíme a jsme schopni rozpoznávat stále více objektů a situací. Zejména se jedná o zvýšený pohyb osob, dětí před objektem školy, v blízkosti a na přechodu pro chodce. Dále měření rychlosti vozidel, počítání vozidel a délky obsazenosti jednotlivých zón. V jednotlivých zónách se řeší odlišné úlohy, které jsou v dané zóně spolehlivě rozpoznatelné a pro účel řešení vhodné. Instalaci je možné kombinovat s pohybovými čidly a detektory (PIR) pro rozpoznání osob a radarové detektory pro vyhodnocení rychlosti vozidel. Tímto způsobem se zvyšuje robustnost a přesnost systému.
Závěrem lze konstatovat, že zkušenosti z vývoje smart video řešení pro oblast měst a dopravy získané za posledních několik let ukazují obrovský potenciál v této oblasti. Pokud si město obstará progresivní video management systém se schopností efektivní práce s obrazovými daty, metadaty a schopností implementovat a trénovat neuronové sítě, je schopné řešit množství jinak nesouvisejících domén. Města a obce, které své území pokryjí optickou sítí a kamerami primárně z důvodu bezpečnosti, získávají nástroj pro sekundární využití takto vzniklé infrastruktury.
Poděkování
Tento článek byl vytvořen díky podpoře v rámci Operačního programu Integrovaná infrastruktura na projekt: "Výzkumné centrum pro analýzu a ochranu dat - II. etapa", Projekt č. 313021W479, spolufinancovaný Evropským fondem regionálního rozvoje.
Ing. Patrik Břečka, Ph.D.
Business consultant and traffic engineer
Head of Smart Life Section
Asseco Central Europe, a. s.
Galvaniho 19, 821 04 Bratislava
Slovak Republic
Mobile: +421 911 104 019
Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript.
