Pokročilé systémy v oblasti video technologií pro města a obce
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.