Pesquisadores da Arizona State University (ASU) desenvolveram recentemente um novo método para detectar atividades incomuns em vídeos de vigilância de tráfego, que se baseia em uma estrutura de detecção adaptativa de anomalias (AAD). Seu método, descrito em um artigo pré-publicado no arXiv, reuniu resultados promissores, desempenho melhor do que as técnicas apresentadas em estudos anteriores.

“Devido ao aumento do número de câmeras de vigilância no mundo, a quantidade de dados a serem processados ​​aumenta, junto com a demanda por mão de obra para interpretar esses dados, "Mohammad Farhadi Bajestani, um dos pesquisadores que realizou o estudo, disse Tech Xplore. "Isso motiva os pesquisadores a projetar sistemas que podem detectar anomalias dentro de um vídeo, ajudando as operadoras a analisar vídeos com mais eficiência. "

Atualmente, a maioria dos pesquisadores que desenvolve sistemas de vigilância usa fatos predefinidos para detectar anomalias nas imagens de vídeo. Em outras palavras, seus sistemas são treinados em conjuntos de dados de vídeo, aprendendo gradualmente a detectar anomalias em vídeos futuros.

"Contudo, para seres humanos, a definição de anomalia pode mudar com o tempo, "Farhadi explicou." Por exemplo, quando você está dirigindo muito rápido, tráfego lento é uma anomalia e pode chamar sua atenção, no entanto, quando você está dirigindo no trânsito, um carro rodando em alta velocidade pode chamar sua atenção. Isso mostra que a anomalia está relacionada ao tempo e pode variar de acordo com a situação. Em nossa pesquisa, tentamos criar um sistema de anomalias adaptativas que pode aprender estados normais em curtos períodos de tempo e detectar anomalias em diferentes cenários. "

O método desenvolvido por Farhadi e seus colegas é projetado para detectar situações normais em diferentes partes de um quadro de vídeo, identificar anomalias na presença de objetos ou movimentos incomuns. Primeiro, o sistema usa o reconhecimento de objeto para identificar objetos e sua localização dentro de um quadro de vídeo. Uma vez que esses objetos são identificados, ele usa o fluxo óptico para identificar fluxos variáveis ​​de tráfego em diferentes partes do quadro. Finalmente, esta informação é usada para detectar movimentos ou objetos anômalos.

"Conseguimos essa detecção de anomalia adaptativa criando dois mapas, "Farhadi explicou." O primeiro mapa descreve o movimento médio nas partes do quadro, enquanto o segundo registra a probabilidade de aparecimento de cada objeto em diferentes partes do quadro. Esses dois estão sempre mudando à medida que um novo quadro chega. Por exemplo, no centro do quadro, vemos principalmente carros com movimentos específicos, então, se uma bicicleta em baixa velocidade aparecer, o sistema vai considerar isso como uma anomalia. "

O sistema desenvolvido pelos pesquisadores lembra um pouco os mecanismos de atenção humana. Assim como a atenção humana ajuda os humanos a identificar anomalias sem analisar todos os dados percebidos, seu método pode detectar anomalias temporais e focar nelas, fornecendo análises mais profundas do que está acontecendo no momento.

“Nosso sistema pode ser usado dentro de carros autônomos, detectar anomalias na estrada e chamar a atenção do operador ou executar análises de IA mais complexas na região em que a anomalia foi detectada, "Farhadi disse." Isso pode evitar acidentes de carro, como o que aconteceu no Arizona, em que um dos carros autônomos do Uber matou uma mulher porque o sistema não conseguiu detectá-la na rua. Em uma instância semelhante, nosso sistema pode detectar anormalidades nos quadros de entrada e chamar a atenção do operador, talvez salvando uma vida. "

Os pesquisadores avaliaram o desempenho de seu sistema de detecção adaptativa de anomalias (AAD) comparando-o com outros métodos de linha de base. Eles descobriram que, embora não tenha alcançado resultados de ponta, teve um desempenho melhor do que as técnicas desenvolvidas anteriormente, com tempos de execução substancialmente mais rápidos.

"Ter um sistema de detecção de objetos robusto e rápido pode ser muito útil para analisar vídeos de vigilância, "Farhadi disse." Devido a deficiências nas capacidades de detecção de objetos do nosso sistema, agora estamos trabalhando para melhorar a detecção de objetos em vigilância por vídeo. Também estamos desenvolvendo uma nova estrutura para a execução de redes neurais usando FPGA, chamado CNNIOT, que tornará possível executar sistemas de detecção de objetos enormes em pequenos dispositivos, como dispositivos móveis ou pequenos robôs. "

© 2018 Tech Xplore