Flux de détection d'anomalies adaptatif complet. Crédit :Farhadi et al.
Des chercheurs de l'Arizona State University (ASU) ont récemment développé une nouvelle méthode de détection d'activité inhabituelle dans les vidéos de surveillance du trafic, qui est basé sur un cadre de détection adaptative d'anomalies (AAD). Leur méthode, décrit dans un article prépublié sur arXiv, obtenu des résultats prometteurs, de meilleures performances que les techniques présentées dans les études précédentes.
« En raison de l'augmentation du nombre de caméras de surveillance dans le monde, la quantité de données à traiter augmente, avec la demande de main-d'œuvre pour interpréter ces données, "Mohammad Farhadi Bajestani, l'un des chercheurs qui a mené l'étude, a déclaré Tech Xplore. "Cela motive les chercheurs à concevoir des systèmes capables de détecter des anomalies à l'intérieur d'une vidéo, aider les opérateurs à analyser les vidéos plus efficacement."
Actuellement, la plupart des chercheurs qui développent des systèmes de surveillance utilisent des faits prédéfinis pour détecter des anomalies dans les séquences vidéo. En d'autres termes, leurs systèmes sont entraînés sur des jeux de données vidéo, apprendre progressivement à détecter les anomalies dans les futures vidéos.
"Toutefois, pour les êtres humains, la définition de l'anomalie peut évoluer dans le temps, " expliqua Farhadi. " Par exemple, quand tu roules très vite, le trafic lent est une anomalie et pourrait attirer votre attention, pourtant, lorsque vous conduisez dans la circulation, une voiture roulant à grande vitesse peut attirer votre attention. Cela montre que l'anomalie est liée au temps et peut varier selon la situation. Dans notre recherche, nous avons essayé de créer un système d'anomalies adaptatif capable d'apprendre des états normaux sur de courtes périodes de temps et de repérer des anomalies dans différents scénarios."
Mouvement des pixels à travers l'image après ∆t. Crédit :Farhadi et al.
La méthode développée par Farhadi et ses collègues est conçue pour détecter des situations normales dans différentes parties d'une image vidéo, identifier des anomalies en présence d'objets ou de mouvements inhabituels. D'abord, le système utilise la reconnaissance d'objets pour identifier des objets et leur emplacement dans une image vidéo. Une fois ces objets identifiés, il utilise le flux optique pour identifier les flux de trafic changeants dans différentes parties de la trame. Finalement, ces informations sont utilisées pour détecter des mouvements ou des objets anormaux.
"Nous avons réalisé cette détection adaptative d'anomalie en créant deux cartes, " expliqua Farhadi. " La première carte décrit le mouvement moyen dans les parties du cadre, tandis que le second enregistre la probabilité d'apparition de chaque objet dans différentes parties du cadre. Ces deux-là changent toujours à mesure qu'un nouveau cadre arrive. Par exemple, au centre du cadre, on voit surtout des voitures avec des mouvements spécifiques, donc si un vélo à basse vitesse apparaît, le système le considérera comme une anomalie."
Le système développé par les chercheurs ressemble quelque peu aux mécanismes de l'attention humaine. Tout comme l'attention humaine aide les humains à identifier les anomalies sans analyser toutes les données perçues, leur méthode permet de repérer les anomalies temporelles et de se concentrer sur celles-ci, fournissant des analyses plus approfondies de ce qui se passe à l'époque.
Sorties de flux optique. Crédit :Farhadi et al.
"Notre système pourrait être utilisé à l'intérieur des voitures autonomes, détecter des anomalies sur la route et soit éveiller l'attention de l'opérateur, soit effectuer des analyses d'IA plus complexes sur la région dans laquelle l'anomalie a été détectée, " Farhadi a déclaré. "Cela pourrait empêcher les accidents de voiture, comme celui qui a eu lieu en Arizona, dans lequel l'une des voitures autonomes d'Uber a tué une femme parce que le système n'a pas réussi à la détecter dans la rue. Dans un cas similaire, notre système peut détecter une anomalie dans les trames entrantes et attirer l'attention de l'opérateur, peut-être sauver une vie."
Les chercheurs ont évalué les performances de leur système de détection adaptative des anomalies (AAD) en le comparant à celui d'autres méthodes de base. Ils ont constaté que, bien qu'il n'ait pas obtenu de résultats de pointe, elle est plus performante que les techniques précédemment développées, avec des temps d'exécution nettement plus rapides.
" Disposer d'un système de détection d'objets robuste et rapide peut être très utile pour analyser les vidéos de surveillance, " a déclaré Farhadi. " En raison des faiblesses des capacités de détection d'objets de notre système, nous travaillons actuellement à l'amélioration de la détection d'objets en vidéosurveillance. Nous développons également un nouveau framework pour l'exécution de réseaux de neurones utilisant FPGA, appelé CNNIOT, qui permettra d'exécuter d'énormes systèmes de détection d'objets sur de petits appareils tels que des appareils mobiles ou de petits robots."
© 2018 Tech Xplore
