I ricercatori dell'Arizona State University (ASU) hanno recentemente sviluppato un nuovo metodo per rilevare attività insolite nei video di sorveglianza del traffico, che si basa su un framework di rilevamento adattivo delle anomalie (AAD). Il loro metodo, delineato in un documento pre-pubblicato su arXiv, raccolto risultati promettenti, prestazioni migliori rispetto alle tecniche presentate in studi precedenti.

"A causa dell'aumento del numero di telecamere di sorveglianza nel mondo, la quantità di dati da trattare cresce, insieme alla richiesta di manodopera per interpretare questi dati, "Mohammad Farhadi Bajestani, uno dei ricercatori che ha condotto lo studio, ha detto a Tech Xplore. "Questo motiva i ricercatori a progettare sistemi in grado di rilevare anomalie all'interno di un video, aiutando gli operatori ad analizzare i video in modo più efficiente."

Attualmente, la maggior parte dei ricercatori che sviluppano sistemi di sorveglianza utilizza fatti predefiniti per rilevare anomalie all'interno delle riprese video. In altre parole, i loro sistemi sono addestrati su set di dati video, imparando gradualmente a rilevare anomalie nei video futuri.

"Però, per gli esseri umani, la definizione di anomalia può cambiare nel tempo, "Spiegò Farhadi. "Per esempio, quando guidi molto veloce, il traffico lento è un'anomalia e potrebbe attirare la tua attenzione, eppure quando guidi nel traffico, un'auto che corre ad alta velocità può attirare la tua attenzione. Ciò dimostra che l'anomalia è legata al tempo e può variare a seconda della situazione. Nella nostra ricerca, abbiamo cercato di creare un sistema di anomalia adattivo in grado di apprendere gli stati normali in brevi periodi di tempo e individuare le anomalie all'interno di diversi scenari".

Il metodo sviluppato da Farhadi e dai suoi colleghi è progettato per rilevare situazioni normali in diverse parti di un fotogramma video, identificare anomalie in presenza di oggetti o movimenti insoliti. Primo, il sistema utilizza il riconoscimento degli oggetti per identificare gli oggetti e la loro posizione all'interno di un fotogramma video. Una volta individuati questi oggetti, utilizza il flusso ottico per identificare i flussi di traffico mutevoli in diverse parti del telaio. Finalmente, queste informazioni vengono utilizzate per rilevare movimenti o oggetti anomali.

"Abbiamo ottenuto questo rilevamento adattivo delle anomalie creando due mappe, " ha spiegato Farhadi. "La prima mappa delinea il movimento medio nelle parti del telaio, mentre il secondo registra la probabilità di comparsa di ciascun oggetto in diverse parti del fotogramma. Questi due cambiano sempre quando arriva un nuovo frame. Ad esempio, al centro della cornice, vediamo per lo più auto con movimenti specifici, quindi se appare una bici a bassa velocità, il sistema la considererà un'anomalia."

Il sistema sviluppato dai ricercatori assomiglia in qualche modo ai meccanismi di attenzione umana. Proprio come l'attenzione umana aiuta gli umani a identificare le anomalie senza analizzare tutti i dati percepiti, il loro metodo può individuare anomalie temporali e concentrarsi su queste, fornendo analisi più approfondite di ciò che sta accadendo in quel momento.

"Il nostro sistema potrebbe essere utilizzato all'interno di auto autonome, rilevare anomalie sulla strada e aumentare l'attenzione dell'operatore o eseguire analisi AI più complesse sulla regione in cui è stata rilevata l'anomalia, " Farhadi ha detto. "Questo potrebbe prevenire incidenti stradali, come quella avvenuta in Arizona, in cui una delle auto a guida autonoma di Uber ha ucciso una donna perché il sistema non l'ha rilevata per strada. In un caso simile, il nostro sistema potrebbe rilevare anomalie nei frame in entrata e attirare l'attenzione dell'operatore, forse salvare una vita."

I ricercatori hanno valutato le prestazioni del loro sistema di rilevamento adattivo delle anomalie (AAD) confrontandolo con quello di altri metodi di riferimento. Hanno scoperto che, sebbene non abbia ottenuto risultati allo stato dell'arte, ha funzionato meglio delle tecniche sviluppate in precedenza, con tempi di esecuzione sostanzialmente più rapidi.

"Avere un sistema di rilevamento degli oggetti robusto e veloce può essere molto utile per analizzare i video di sorveglianza, " ha detto Farhadi. "A causa dei punti deboli nelle capacità di rilevamento degli oggetti del nostro sistema, ora stiamo lavorando per migliorare il rilevamento degli oggetti nella videosorveglianza. Stiamo anche sviluppando un nuovo framework per l'esecuzione di reti neurali utilizzando FPGA, chiamato CNNIOT, che consentirà di eseguire enormi sistemi di rilevamento di oggetti su piccoli dispositivi come dispositivi mobili o piccoli robot".

© 2018 Tech Xplore