Video-Security – News, Trends und Einsatz im Alltag SES-Fachtagung vom 04. November 2014, Zürich Sicherheitstechnologie: fuer den Kunden oder fuer die Katz? Luc Van Gool Prof. ETH, Computer Vision Lab
Wenn die Polizei die Uni anruft: ein Fall fuer Zwei(fel)
IP Video surveillance systems Video management software Video analytics software
IP Video surveillance systems Video management software Video analytics software
Surveillance videos often have quality issues
Video besteht aus einer Reihe von frames PAL laeuft ab an 25 fps ( frames pro Sekunde ) In einem traditionellen Video, wie zB PAL, enthaelt jedes frame 2 Felder, interlaced INTERLACING ungerades Feld gerades Feld Ein Frame
INTERLACING Ein frame Zwei Felder
Jedes Video-Frame koennte also aus einem geraden und einem ungeraden Feld bestehen Frame Gerades Feld Ungerades Feld
Kamera 1 Kamera 2 Ein frame kann so Informationen von 2 Kameras enthalten INTERLACING
KAMERA 0KAMERA 1KAMERA 2KAMERA 3 Tape (VHS) frame 0frame 2 field 0field 1field 4field 5 Auf einander folgende Bilder vielleicht von anderen Kameras TIME LAPSED
multiplexed input video
Basierend auf Kamera Kode identification tags der Kameras fuer spaetere Auswahl Bilder der Kameras werden automatisch aussortiert
Jetzige Inhalte dieser Region werden als normal betrachtet abnormale Szenen werden automatisch detektiert Waehle eine Bildregion aus
HintergrundVorfall Beispiel der Hintergrund substrahierung Vordergrund
Vorfaelle im Ueberblick Vorfaelle im Ueberblick Benuetzer koennen Kommentare hinzufuegen
Bilder mal schnell aufbessern: der alte... Traum
IP-video surveillance systems IP Video surveillance systems Video management software Video analytics software
Video Aufbesserung luminance gamma correction greyscale conversion threshold frame 2 field conversion similar / deviant frames median filter ... Eine Filtersequenz kann schematisch Aufgebaut werden
Mittelwerte ueber die Zeit hinweg
eine Anzahl Bilder mit niedriger Aufloesung werden kombiniert zu einem Bild mit hoehere Aufloesung Super - Aufloesung
Originales Detail super – aufgeloestes Detail 40 Bilder wurden kombiniert die Aufloesung wurde ueber einem Faktor 4 verbessert
super – aufgeloestes Detail Originales Detail 30 Bilder wurden kombiniert die Aufloesung wurde ueber einem Faktor 4 verbessert
Bild mit geringem Kontrast histogram equalisation Erhoehung der Kontraste wobei man die Verteilung moeglichst flach macht unsharp masking Zusaetliche Erhoehung der Kontraste, in der Naehe von Kanten
Tatort Vermessung
IP-video surveillance systems IP Video surveillance systems Video management software Video analytics software
Schaetzung der Laenge Aus einem Bild
? cm 87.3 cm Schaetzung der Laenge
Schaetzung der Laenge
Messung wird von einigen Faktoren beeinflusst Schuhe Kopfhaltung Einfluss der Szene : Genauigkeit der Referenz Laengen Objektpositions gegenueber Kam. Kamera hat sich nicht bewegt ??!! Geraden f. Horizontbestimmung Fuesse sichtbar oder nicht... Bildqualitaet Standpunkt des Kameras Koerperhaltung
Messung wird von einigen Faktoren beeinflusst
3D Rekonstruktion aus mehreren Bildern (zB mit Handkamera aufgezeichnet)
usw SICHERHEITSKAMSICHERHEITSKAM HANDKAMHANDKAM
Objekterkennung: mission impossible? Die Katze im Garten in der Nacht sollte kein Alarm ausloesen
IP Video surveillance systems Video management software Video analytics software
Verbessert sich ueber die Zeit Unabhaengig vom Inhalt Effizientes processing Patent application filed Zusammen- fassung Vorfaelle
Konzept der Aktivitaetsmodellierung Model Activity specific broadgeneral precise Aktivitaeten unterscheiden neue Daten interpretieren
➔ Finde die abnormale Vorfaelle, inkl. die Moeglichkeit fuer den Gebraucher um die Regel zu bestimmen, wie Vorfaelle die dauerhaft zum Alarm fuehren sollten / timestamps / uzw Zeit Abnormalitaet
Beispiel 1: abnormales in time-lapsed Video von Times Square
Beispiel 2: nur relevante Vorfaelle innerhalb Region vom Interesse
1.Motion detection
relevant irrelevant relevant irrelevant 1.Motion detection 2.Motion learning
relevant abnormal normal irrelevant 1.Motion detection 2.Motion learning 3.Event detection
relevant abnormal normal truck 2 persons car stopping irrelevant 1.Motion detection 2.Motion learning 3.Event detection 4.Event labelling
Unsere Soft wird schon von ETH spin-off upicto angewand (zB fuer die Kantonalpolizei Zuerich) Dr. Fabian Nater upicto Technoparkstrasse CH-8005 Zürichwww.upicto.comwww.upicto.com
QUESTIONS ?