Здесь наши дороги расходятся.
Дата публикации: 05.03.2013

Ставим фундамент для видеоаналитики. Часть 2.

Продолжение, начало здесь

abstract3.jpg

Прежде чем двигаться дальше, определимся с нашими взглядами. Эта статья, наверное, отсечет большую часть любителей видеоаналитики. Давайте сразу сократим круг общения, чтобы не было мучительно больно в будущем. Итак, проверим нашу ориентацию, на которой будем строить НАШ фундамент видеоаналитики.

В каждой технологии главное, что в первую очередь нужно учитывать, это то, что неизбежно в нашем мире - ошибочность. Мы не боги и не сможем построить идеальную систему, поэтому введем понятие: Ошибочное событие - предложенный аналитической системой (АСис) как аналитическое событие (АСоб) материал, не несущий полезной информации пользователю.

Но как отличить полезную информацию от бесполезной? Ведь мы определились уже (это про Спецлаб), что искусственного интеллекта нет, и никакая информация не может быть проверена компьютером на предмет полезности. В этом и ответ, мы предлагаем считать всю информацию полезной. Тогда чем она будет отличаться от обычной видеозаписи? Ради Бога, только не пугайтесь! Тем, что не будет повторяющейся. Мы предлагаем называть полезной только ту информацию, которая отличается от предыдущей. По крайней мере, этот процесс не требует внеземного разума.

Мы ставим задачу, исходя из условий развития сегодняшней техники. Она не может ничего анализировать так, как это делает человек. Поэтому наша цель сильно ограничена. Для тех, кого это не устраивает, добро пожаловать в клубы любителей фантастики, созданные на других сайтах по видеонаблюдению. А мы лишь хотим сократить поток информации, выливаемый на человека. Если проанализировать контент видеонаблюдения, более 90 - 99 % его составляет повторяющаяся информация. Вот от этой ненужной части мы и хотим избавиться.

Причем последнее предложение намеренно написано неверно. Мы не избавляемся даже от байта информации, мы пишем и показываем всё. Но при этом мы пытаемся выделить наиболее полезные, те самые 1-10% - для особого внимания оператора.  

Ну, например, начнем с простого: мы постоянно измеряем уровень СО2 в воздухе вот уже год. Вы готовы неделю исследовать кривую измерений? Наверное, проще сократить повторения с какой-то дельтой и выдать оператору только те моменты, которые сильно отличаются от общей статистики.

Также и по видеозаписи. Можно долго смотреть на людей, которые ходят по дороге в одной и той же манере, а выделять только тех, кто изменил характер предыдущих движений: или оказался больше по объему, или необычной формы, или двигался с другой скоростью, или в другом направлении, или по другой траектории, или в другой манере… Есть миллион простых физических факторов, которые мы можем замерять, не прибегая к искусственным интеллектам и зеленым человечкам. И здесь уже можно научным образом изучать, как настроены видеодетекторы АСис, насколько правильно организован ее сбор статистики.

Есть важный момент: насколько большую дельту изменений мы должны считать полезной? А вот этот вопрос мы обсудим в следующей главе. Главное, определиться, вы готовы анализировать при этих условиях или пойдете к тем, кто проповедует искусственный интеллект?

Все-таки наше направление не настолько революционное. Когда-то был придуман видеодетектор, чтобы фильтровать повторяющиеся кадры, теперь мы покусились на фильтрацию повторяющихся действий – видеосемантику. И только!

Продолжение следует…


Анализ повторения – мать учения.
Устанавливаем теоретический фундамент для видеоаналитики. Часть 3.
Как измерить интеллектуальный архив?
Устанавливаем теоретический фундамент для видеоаналитики. Часть 1.