Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Helmuth Knopp Geändert vor über 9 Jahren
1
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
2
Wenn die Polizei die Uni anruft: ein Fall fuer Zwei(fel)
3
IP Video surveillance systems Video management software Video analytics software
4
IP Video surveillance systems Video management software Video analytics software
5
Surveillance videos often have quality issues
6
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
7
INTERLACING Ein frame Zwei Felder
8
Jedes Video-Frame koennte also aus einem geraden und einem ungeraden Feld bestehen Frame Gerades Feld Ungerades Feld
9
Kamera 1 Kamera 2 Ein frame kann so Informationen von 2 Kameras enthalten INTERLACING
10
10203020231... 1 0 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
11
multiplexed input video
12
Basierend auf Kamera Kode identification tags der Kameras fuer spaetere Auswahl Bilder der Kameras werden automatisch aussortiert
13
Jetzige Inhalte dieser Region werden als normal betrachtet abnormale Szenen werden automatisch detektiert Waehle eine Bildregion aus
14
HintergrundVorfall Beispiel der Hintergrund substrahierung Vordergrund
15
Vorfaelle im Ueberblick Vorfaelle im Ueberblick Benuetzer koennen Kommentare hinzufuegen
16
Bilder mal schnell aufbessern: der alte... Traum
17
IP-video surveillance systems IP Video surveillance systems Video management software Video analytics software
18
Video Aufbesserung luminance gamma correction greyscale conversion threshold frame 2 field conversion similar / deviant frames median filter ... Eine Filtersequenz kann schematisch Aufgebaut werden
19
Mittelwerte ueber die Zeit hinweg
22
eine Anzahl Bilder mit niedriger Aufloesung werden kombiniert zu einem Bild mit hoehere Aufloesung Super - Aufloesung
24
Originales Detail super – aufgeloestes Detail 40 Bilder wurden kombiniert die Aufloesung wurde ueber einem Faktor 4 verbessert
25
super – aufgeloestes Detail Originales Detail 30 Bilder wurden kombiniert die Aufloesung wurde ueber einem Faktor 4 verbessert
27
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
28
Tatort Vermessung
29
IP-video surveillance systems IP Video surveillance systems Video management software Video analytics software
30
Schaetzung der Laenge Aus einem Bild
31
? 148.0 cm 87.3 cm Schaetzung der Laenge
32
Schaetzung der Laenge
33
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
34
Messung wird von einigen Faktoren beeinflusst
35
3D Rekonstruktion aus mehreren Bildern (zB mit Handkamera aufgezeichnet)
36
usw SICHERHEITSKAMSICHERHEITSKAM HANDKAMHANDKAM
38
Objekterkennung: mission impossible? Die Katze im Garten in der Nacht sollte kein Alarm ausloesen
39
IP Video surveillance systems Video management software Video analytics software
40
Verbessert sich ueber die Zeit Unabhaengig vom Inhalt Effizientes processing Patent application filed Zusammen- fassung Vorfaelle
41
Konzept der Aktivitaetsmodellierung Model Activity specific broadgeneral precise Aktivitaeten unterscheiden neue Daten interpretieren
42
➔ 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
43
Beispiel 1: abnormales in time-lapsed Video von Times Square
44
Beispiel 2: nur relevante Vorfaelle innerhalb Region vom Interesse
46
1.Motion detection
47
relevant irrelevant relevant irrelevant 1.Motion detection 2.Motion learning
48
relevant abnormal normal irrelevant 1.Motion detection 2.Motion learning 3.Event detection
49
relevant abnormal normal truck 2 persons car stopping irrelevant 1.Motion detection 2.Motion learning 3.Event detection 4.Event labelling
50
Unsere Soft wird schon von ETH spin-off upicto angewand (zB fuer die Kantonalpolizei Zuerich) Dr. Fabian Nater upicto GmbHnater@upicto.comnater@upicto.com Technoparkstrasse 1+41 78 843 7311 CH-8005 Zürichwww.upicto.comwww.upicto.com
51
QUESTIONS ?
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.