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 ?