

Самые читаемые новости
- Теперь мы можем наводиться на ракеты
- Бесперебойный видеоблейзер
- Вы просто поворачиваете руку и видите, что произошло на объекте
- А ведь звук распространяется не только в помещении
- Еще один физический источник полезной информации
- CCTV-камеры еще не раз запотеют на похоронах IP-телевидения
- Говорим все вместе!
- Видеоплан
- Человеческий фактор больше не зависит от одного человека
- Общение без перемещения
Наступила эра распознавания и идентификации
Дата публикации: 19.03.2018
Нейросети. Принимаем заказы на обучение компьютерных питомцев.
К сожалению, это список стал значительно больше, но мы выделим главное, а самое главное – скрытое, ну, или незамеченное. Среди известных проблем, которые широко описываются в Интернете, мы не находим основную для нас – для аналитических систем видеонаблюдения. Мир опять ушел в шоу-бизнес, как и раньше, о видеонаблюдении многие продолжают думать, что это по-голливудски поставленное кино с отличным освещением, шикарными контрастными планами, выбранными из сотен лучших дублями. Предполагается, что есть отлично заснятая картинка, хоть и из десятков менее удачных, и она сравнивается с, пусть даже, миллионом других четких картинок.
Всё здорово в таком подходе, вопросов нет, хотя иногда к выдаче на Бен Ладена и появляется фотка Барака Обамы, но просто хороших снимков Бена, видимо, нет. Только в видеонаблюдении, особенно в охранном, в ответственный момент у вас не будет ни освещения, ни хорошей безпомеховой погоды, ни возможности выбрать несмазанный кадр. Даже нет смысла тратить ресурсы компьютера на 25 кадров высокого разрешения с каждой камеры.
Стоп, это мы погорячились на счет высокого разрешения. В какой системе видеонаблюдения оно вообще есть? Давайте уже откроем маленькую тайну большого бизнеса! Да, в кодеке H.264 все пишут на диск многомегапиксельные кадры. Такое возможно лишь из-за того, что сами камеры дают уже готовое сжатие. Но для анализа нейросетями нужен расжатый кадр. И тут любой персональный комп умрет уже на нескольких камерах только при расжатии, до нейросетей мы еще не дошли.
А как же обрабатывается видеодетекция? Очень просто – все гонят с тех же камер поток поменьше. Причем поменьше даже уровня камер первого поколения. Ну, и какие нейросети вы на этом хотите запустить? Какой значок автомобиля вы хотите хотя бы даже найти в кадре, чтобы распознать его марку? Мы пришли к Минску 90-х, даже тогда уже было такое же разрешение камер. И это засада!
А вы думали, мы будем давать рекламу своих нейросетей? Ну, вы не ошиблись, только это будет какая-то блеклая реклама, или лучше сказать честная. Т.е. все должны понимать, что большое число видеоканалов нейросетями в режиме реального времени не обработаешь. Ну, более менее, на ПК с I7 и встроенной «видюшкой» идет два, если расжимать H.264, и 4, если брать MJPEG. Опять же всё зависит от задач, что мы распознаем. Но, как вы поняли, массовой такая технология еще не стала, та же проблема Минска 90-х – нехватка ресурсов. Ну, не такая, чтобы не смочь работать с одной камерой, но всё же. По сути надо использовать мощные видеокарты, сравнимые по цене с компьютером. Т.е. тут засада в стоимости, это не 5 копеек.
Следующая коллективная невменяемость в получаемом с камер материале. Нас просто удивляет тот факт, что все насели на картинку, а не на видео. Да и как насели? Распознавание идет именно по одной картинке. Не по двум, не по ряду уточненных кадров, а по каждому кадру отдельно. Зачитываясь научными статьями и чьими-то рекламами в области нейросетей, мы – практики – не понимаем, как вообще можно довольствоваться тем кадром, который прислала камера? С нашей точки зрения, на 90% качество распознавания зависит от того, как получен это снимок: какие естественные помехи были на него наложены природой, в какой контрастности по отношению к фону находился распознаваемый объект (давайте не забывать, что белые полосы на белом фоне не найдет ни один компьютер, как и любой другой сливающийся цвет), какие физические процессы объективов и оцифровщика повлияли на кадр, с каким мусором и искажением пропорций камера выдала этот кадр в своем протоколе и много-много что еще.
Даже если одним и тем же фотоаппаратом сделать два снимка одной и той же белой стены, у вас в компьютере получатся две совершенно разных, например, с точки зрения набора пикселов и их оттенков, картинки. Более того, другой цифро-аналоговый прибор, например принтер, может напечатать одну из них в чуть желтом, а другую, чуть в розовом цвете. А ведь мы фоткали белую стену, т.е. задали самую элементарную задачу.
Соответственно, Спецлабу пришлось опять поработать самостоятельно – разработать собственные алгоритмы нейросетей, направленные в сферу видеонаблюдения. И, конечно, первое, с чего пришлось начать - это с обработки помех. Сие ничуть не проще, чем сами нейросети. Т.к. для многих эта область новая, и здесь много пустой рекламы, мы расскажем все популярно: пусть долго, но зато честно и понятно. В ближайшее время мы выпустим цикл статей на данную тему.
И это не отменяет главную новость, в GOALcity Vanga теперь есть модуль собственной нейросети Спецлаб, который на сегодняшний день по умолчанию отличает людей и автомобили от всего остального и от друг друга. А по расширению, постоянно обучается на новые задачи, которые теперь можете поставить и вы. В прайсе появилась строка заказов на обучение ПО.
Естественно, нужно трезво оценивать тот факт, что пока лишь несколько каналов тянет один стандартный ПК, для онлайн работы нужны видеокарты, и желательно с CUDA. А вопросы качества материала мы будем брать на себя, совершенствуя алгоритмы предподготовки видеоконтента для нейросетей. О них поговорим подробнее, вернее, это одно из последних достижений Спецлаб за последние годы, доведенное до практического применения. Как нам кажется, мы сделали нейросеть непосредственно для боевого видеонаблюдения, а не для гламура. Предлагаем всем попробовать!
Тем не менее, почти любая уже предобученная нейросеть предполагает фронтальное видение интересуемого объекта. А большинство охранных камер установлено выше человеческого роста и смотрят сверху. Причем, на разных уровнях, под разными углами с разной степенью различимости относительно фона.
Здесь мы пока видим лишь один путь – доучивать нейросеть непосредственно на объекте заказчика.
Если брать эконом диапазон применения, то нейросети сегодня хорошо отрабатывают нестандартные ситуации на проходных, например: проход нескольких людей по одному пропуску, проход человека в зоне пропуска автомобилей, проезд автомобиля чужой марки… А также в качестве управления автодорожным движением: появление человека на проезжей части или в зоне железнодорожных путей, выезд автомобиля на пешеходную полосу, непропуск пешеходов на пешеходном переходе и т.д. Везде, где нужно четко отделить виды объектов друг от друга.
Еще одно направление – это распознавание определенного символа, например, на куртке работника, или шильдика на корпусе автомобиля. Естественно, можно с определенной точностью говорить о наличии у человека защитных средств, типа каски, но определять это в каждой точке большого предприятия – уже накладно. То же самое с проверкой работы коммунальных служб, на сколько эффективно они почистили ту или иную улицу. Остальные перспективные вопросы мы не будем выдавать сразу…
Но, как и обещали, сначала честно поговорим и покажем проблемы, с которыми нам приходится бороться, и, может быть, вы поймете, почему наша нейросеть немножечко лучше множества других.

Этот алгоритм борется с устойчивыми помехами
Помехи/Растения. По-другому можно назвать – «динамическая автомаска»

Бесплатно!
Идентификация лиц. На всех каналах GOALcity Vanga.
Cпециализированные GOAL-центры:
Астана
Москва
Санкт-Петербург
Белгород
Екатеринбург
Иваново
Минск
Брест
Киев
Донецк
Одесса
Клайпеда
пос. Кибрай
Казань
Калининград
Кемерово
Киров
Кострома
Краснодар
Красноярск
Курск
Нижний Новгород
Новосибирск
Пенза
Петропавловск-Камчатский
Ростов-на-Дону
Тольятти
Ногинск
Уфа
Южно-Сахалинск
Челябинск
Ярославль
Мадрид
Владивосток
Владимир
Калуга
Набережные Челны
Брянск
Раменское
San Mateo
Баку
Ульяновск
Иркутск
Orry la Ville
Актобе
Дмитров
Новгород Великий
Днепропетровск
Кишинев
Самара
Смоленск
Новокузнецк
Оренбург
Омск
Коломна
Светлоград
Алматы
Темиртау
Липецк
Ижевск