تحلیل رفتار در سامانه های نظارت تصویری

آنالیز رفتار انسان در دوربین مداربسته

سیستم های امنیتی و نظارت تصویری هر روز در حال پیشرفت هستند و امکانات جدیدی به این سیستم ها اضافه می شود. یکی از امکانات مهمی که به سیستم های نظارت تصویری اضافه شده آنالیز تصاویر در دوربین های مداربسته است.

در این مقاله چگونگی تحلیل حرکات بدن اشخاص در تصاویر دوربین های مداربسته با استفاده از هوش مصنوعی مورد بحث قرار خواهد گرفت.

از زمانی که دوربین های مداربسته دیجیتال یا تحت شبکه وارد بازار شد علاوه بر کیفیت تصویر بالاتر نسبت به دوربین های نسل قبلی یا آنالوگ، با قابلیتی به نام تجزیه و تحلیل تصاویر نیز روبرو شدیم.

دستگاه های نظارت تصویری مدت هاست که برای جمع آوری اطلاعات استفاده می شوند. نظارت بر افراد، رویدادها و فعالیت ها از مهمترین کاربردهای سیستم های نظارت تصویری به شمار می رود. در حال حاضر یکی از مهمترین موضوعات تحقیقاتی در سامانه های نظارت تصویری، هوش مصنوعی است که شامل طیف گسترده ای از کاربردهای امنیتی از جمله کنترل دسترسی ها، آمار و شمارش جمعیت، تجزیه و تحلیل تراکم، تشخیص رفتار انسان و غیره می باشد.

هدف از نظارت تصویری به کمک هوش مصنوعی تنها قرار دادن دوربین به جای چشم انسان نیست بلکه تا حد امکان برای انجام تمام وظایف نظارتی و بالا بردن توانایی تجزیه و تحلیل حرکات انسان و فعالیت های آن ها به کار گرفته می شود. زمانی که تعداد دوربین ها افزایش می یابد، نظارت بر تمامی تصاویر و کنترل بر آن ها از عهده اپراتورها خارج می شود و اینجاست که تحلیل رفتار و شناسایی اشیاء توسط هوش مصنوعی به انسان کمک می کند.

آنالیز تصاویر در دوربین های مداربسته، قابلیت تجزیه و تحلیل را توسط نرم افزارهای واسط فراهم می کند. اگر تصاویر در دوربین های مداربسته دارای قابلیت تحلیل باشند می توان از آن ها برای کنترل وقایعی که رخ می دهد و همچنین گزارش گیری جامع محیط اطراف استفاده کرد.

شرکت های مختلفی در رابطه با ارائه نرم افزارهای واسط تجزیه و تحلیل تصاویر فعالیت دارند که یکی از پرچمداران در این زمینه شرکت اکسون سافت (AXXON Soft) می باشد و نرم افزار ارائه شده توسط این شرکت AXXON Next نام دارد. مدتی است که شرکت AXXON قابلیت تحلیل رفتار انسان (Human Behavior Analysis) را به نرم افزار خود اضافه نموده است.

این سیستم موقعیت های اعضای بدن مانند ستون اصلی، دست ها و پاها را با استفاده از هوش مصنوعی قدرتمندی که دارد برای هر شخص به صورت جداگانه تشخیص می دهد و از آن ها گزارش تهیه می کند. این گزارش ها با موارد خطرناک تطبیق داده می شود و در صورت تشخیص موارد خطرناک می تواند هشدار دهد و یا سناریویی که از قبل برای دستگاه تعریف شده است را اجرا کند.

بهترین دوربین مداربسته – خرید دوربین مداربسته

به طور کلی چارچوب پردازش یک سیستم نظارت تصویری خودکار شامل مراحل: تشخیص حرکات یا اشیاء، طبقه بندی آن ها، ردیابی انسان یا شئ، تجزیه و تحلیل و درک فعالیت ها، شناسایی افراد و ادغام داده ها می باشد.

تشخیص حرکات یا اشیاء:

به طور کلی روند کاری هر سیستم نظارت تصویری خودکار با تشخیص حرکت و اشیاء شروع می شود. هدف از تشخیص حرکات، شناسایی نقاط مربوط به اجسام متحرک از بقیه تصویر است. فرآیندهای بعدی مانند ردیابی، تجزیه و تحلیل رفتار و شناسایی بسیار به بخش اول یعنی تشخیص حرکت وابسته است.

فرآیند تشخیص حرکت و اشیاء معمولا شامل مدل سازی پس زمینه یا محیط و بخش بندی حرکات است. هدف از بخش بندی حرکات در فریم های تصویر، شناسایی نقاط مربوط به اجسام متحرک مانند انسان یا وسایل نقلیه است. تشخیص نقاط متحرک باعث سهولت در فرآیندهای بعدی مانند ردیابی و تجزیه و تحلیل رفتار می شود زیرا فقط این نقاط باید مورد توجه و بررسی قرار گیرند.

طبقه بندی اشیاء:

نقاط متحرک مختلف ممکن است با اجسام متحرک در صحنه های طبیعی مطابقت داشته باشند. برای ردیابی بیشتر اجسام و تجزیه و تحلیل رفتار آن ها، طبقه بندی صحیح اجسام متحرک ضروری است. طبقه بندی اشیاء را می توان تشخیص الگوی استاندارد در نظر گرفت. برای طبقه بندی اجسام متحرک دو رویکرد اصلی وجود دارد: طبقه بندی مبتنی بر شکل و طبقه بندی مبتنی بر حرکت. به طور کلی حرکت انسان دارای خاصیت تناوبی است، بنابراین از آن به عنوان یک نشانه قوی برای طبقه بندی اجسام متحرک نیز استفاده استفاده شده است.

ردیابی انسان یا شئ:

اگر عناصر موجود در پس زمینه شبیه به بخش هایی از سوژه ها باشند باعث ایجاد چالش می شود. در بدترین حالت، ممکن است پس زمینه شامل اشیائی شبیه به سوژه های متحرک باشد. به عنوان مثال زمانی که شخصی از کنار یک فرد یا گروهی از مردم عبور می کند. ماژول ردیابی اشیاء مسئول تشخیص و ردیابی اجسام متحرک از دوربین های جداگانه است.

تجزیه و تحلیل و درک فعالیت ها:

عموما سیستم های نظارتی اجسام متحرک را از یک فریم به فریم دیگر در یک توالی تصویر مورد ردیابی قرار می دهند. در طول پردازش، الگوریتم های ردیابی معمولا تلاقی قابل توجهی با تشخیص حرکات دارند. ردیابی شامل تطبیق اجسام در فریم های متوالی با استفاده از ویژگی هایی مانند نقاط، خطوط یا حباب ها در طول زمان است.

درک رفتار شامل تجزیه و تحلیل و شناخت الگوهای حرکتی و تولید توضیحات تکمیلی از اعمال و تعاملات بینابین اجسام است. در برخی شرایط لازم است تا رفتارهای افراد مورد تجزیه و تحلیل قرار گیرد و مشخص شود که آیا رفتار آن ها عادی است یا غیرعادی.

در نظارت تصویری اینکه چه کسی وارد یک منطقه می شود و یا درگیر یک عمل غیرعادی یا مشکوک است از اهمیت بالایی برخوردار است. در حال حاضر چهره و راه رفتن یک شخص به عنوان ویژگی های بیومتریک اصلی در نظر گرفته می شود که می تواند برای شناسایی یک شخص در سیستم های نظارت تصویری استفاده شود. اکثر رویکردها در زمینه درک ویدیویی روش هایی را برای تشخیص رویدادها پیشنهاد داده اند. بنابراین برخی از محققین یک رویکرد دو مرحله ای را برای رفع مشکل درک ویدیویی پیشنهاد و اتخاذ کرده اند:

الف) یک ماژول پردازش تصویر سطح پایین برای استخراج نشانه ها و رویدادهای ابتدایی استفاده می شود.

ب) این اطلاعات جمع آوری شده در یک ماژول هوش مصنوعی سطح بالاتر برای تشخیص الگوهای  رفتاری پیچیده تر استفاده می شود.

با تقسیم کردن مسئله به دو بخش، در هر مرحله می توان از تکنیک های ساده تر استفاده کرد. مرحله اول معمولا شامل پردازش تصاویر و تکنیک هایی برای تجزیه و تحلیل داده ها بوده و در مرحله دوم تجزیه و تحلیل ساختاری داده های جمع آوری شده انجام می شود.

شناسایی افراد:

اینکه چه کسانی اکنون در منطقه هستند یا اینکه آیا درگیر یک عمل غیرعادی یا مشکوک می باشند برای نظارت تصویری از اهمیت فزاینده ای برخوردار است. شناسایی افراد در سیستم های نظارت تصویری با تجزیه و تحلیل حرکت و تطبیق، مانند راه رفتن، نوع ژست، تجزیه و تحلیل وضعیت و مقایسه به دست می آید. در روش های مبتنی بر مدل، پارامترهای راه رفتن، ژست یا وضعیت بدن مانند طول استخوان های اسکلت بدن، زاویه های بدن و…. اندازه گیری می شوند. روش های مبتنی بر پارامترهای فیزیکی از ویژگی های ساختاری هندسی بدن انسان برای توصیف الگوی راه رفتن فرد استفاده می کنند. پارامترهای مورد استفاده شامل قد، وزن، مدل گام برداشتن، طول قدم ها و غیره است. در حال حاضر راه رفتن و چهره انسان به عنوان ویژگی های بیومتریک اصلی در نظر گرفته می شود که می تواند برای شناسایی شخصی در سیستم های نظارت تصویری استفاده شود. در سیستم های نظارتی جدید برای افزایش اطمینان در صحت تشخیص افراد از ادغام اطلاعات راه رفتن و چهره با سایر ویژگی های بیومتریک استفاده می شود.

ادغام داده ها:

برای گسترش منطقه نظارت و اداره اطلاعات صحیح، اکثر سیستم های نظارت تصویری نیاز به دوربین های متعدد دارند. در یک سیستم نظارت تصویری چند دوربینی با میدان های دید همپوشانی شده برای ردیابی اشیاء و شناسایی فعالیت های آن ها که توسط مجموعه ای از فعالیت ها و سناریوهای از پیش تعریف شده استفاده می شود یا حتی الگوهای رفتاری جدید یا دانش جدیدی را یاد می گیرند، هر دوربین در هر فریم تشخیص و ردیابی اشیاء صحنه را انجام می دهد و داده های خروجی به یک سرور متمرکز منتقل می شوند. نتایج ردیابی به یک ماژول تشخیص رویداد ویدیویی داده می شود که در آن رویدادهای مکانی و زمانی مربوط به اشیاء، شناسایی و تجزیه و تحلیل می شوند. اکثر سیستم های نظارتی از دوربین ها به عنوان حسگر استفاده می کنند زیرا دوربین می تواند وضوح مورد نیاز برای طبقه بندی دقیق و اندازه گیری موقعیت را ارئه دهد. نقطه ضعف سیستم های تشخیص مبتنی بر تصویر، هزینه محاسباتی بالا برای طبقه بندی تعداد زیادی از نقاط در تصاویر است. بر این اساس چندین سال است استفاده از ساختار تشخیص سلسله مراتبی که حسگرهای مختلف را ترکیب می کند مرسوم می باشد. در مرحله اول سنسورهای کم هزینه محاسباتی تعداد کمی از مناطق مورد نظر را شناسایی می کنند. LIDAR یک فناوری سنجش از دور با استفاده از نور است که ویژگی های نور پراکنده را برای یافتن فاصله و یا سایر اطلاعات یک هدف در دوردست اندازه گیری می کند. روش رایج برای تعیین فاصله از یک جسم یا سطح، استفاده از پالس های لیزر است. مانند فناوری RADAR که از امواج رادیویی به جای نور استفاده می کند. برد یک جسم با اندازه گیری تاخیز زمانی بین ارسال یک پالس و تشخیص سیگنال بازتاب شده تعیین می شود. آشکارساز منطقه مورد نظر (ROI) در سیستم های پیشنهادی آن ها سیگنال را از حسگر LIDAR دریافت می کند و لیستی از اجسام را به صورت سه بعدی خروجی می دهد. مختصات اشیاء سه بعدی شناسایی شده با ROI از خوشه بندی اندازه گیری های LIDAR به دست می آید. هر شئ سه بعدی با استفاده از پارامترهای درونی و بیرونی دوربین به تصویر کشیده می شود.

چگونه حرکات افراد در دوربین های مداربسته آنالیز می شود؟

برای آشنایی بهتر با نحوه عملکرد تحلیل رفتاری در سامانه های نظارتی به مثال زیر توجه کنید:

تجزیه و تحلیل رفتار در مکانی که یک فرد مهاجم قصد حمله به یک با چند شخص دیگر را دارد به این صورت انجام می شود که فردی مهاجم وارد یک محیط می شود و یک اسلحه در دست دارد، ابتدا سیستم با هوش مصنوعی که دارد اسکلت و اندام شخص مهاجم را در نظر می گیرد، آرنج و دستان فرد مهاجم را به حالت بسته شده تشخیص می دهد که نشان از داشتن اسلحه در دست را دارد، افرادی دیگر در آن محیط نیز مورد آنالیز سیستم قرار می گیرند که دستان آن ها به سمت بالا و به حالت تسلیم شدن قرار گرفته است، این موارد تشخیص داده شده در کنارهم توسط هوش مصنوعی آنالیز می شوند و هشدار حمله فرد مهاجم به پرسنل امنیتی ارسال می شود که می تواند موجب پیشگیری از یک حادثه جدی باشد. (به تصویر زیر دقت کنید)

افرادی که روی زمین افتاده اند:

این قابلیت در شناسایی افرادی که برای مدت طولانی روی زمین دراز کشده اند نیز مورد استفاده قرار می گیرد. به طور مثال فردی که بیمار بوده و از حال رفته را تشخیص داده و برای خانواده آن فرد و یا کادر درمان هشدار می فرستد که می تواند موجب جلوگیری از مرگ افراد شود. این توانایی را می توان برای بیمارستان ها، اماکن زندگی سالمندان و مراقبت در منزل استفاده کرد.

تشخیص جرم و احتمال انفجار:

همچنین این قابلیت می تواند در تشخیص جرم نیز استفاده شود. برای مثال شخصی که برای مدت طولانی در یک مکان در حال پرسه زدن بوده را تشخیص می دهد و برای پرسنل امنیتی هشدار میفرستد. یا می تواند فردی که به حالت تدافعی نشسته و دستانش را به روی سرش قرار داده را شناسایی کرده و تشخیص یک انفجار را بدهد که برای سرقت از دستگاه خودپرداز در حال شکل گرفتن است و به پرسنل امنیتی هشدار وقوع سرقت و انفجار را برساند که این توانایی می تواند در هر سایتی که دارای دستگاه خودپرداز است مانند: بانک ها، پمپ بنزین ها، فروشگاه ها و یا هر مکان دیگری استفاده شود.

در آخر باید به این نکته اشاره کرد که هوش مصنوعی در حال پیشرفت روز افزون بوده و این مقاله بخشی از قابلیت های جذاب و قطعا مورد نیاز انسان در باب تحلیل رفتار توسط هوش مصنوعی می باشد.

لطفا نظرات و سوالات خود را در پایین همین صفحه برای ما بنویسید.