Приступим к практическим занятиям

Итак, теперь все поняли, что аналитика работает на основе изменений (а не на жестких алгоритмах). Так называемая, мягкая логика SLA запоминает все параметры ДО и сравнивает их с ПОСЛЕ. Таким образом, выявляются необычности, о которых машина докладывает человеку. Уровень реакции на изменения может меняться. Уже сама детекция никогда не повторяет сама себя от кадра к кадру, к тому же сам объект по ходу движения подвержен перспективе (ближе – дальше), изменению размеров по отношению к точке нахождения камеры, формы и цветовой гаммы по уровню сливания с пролегающим по ходу движения фону... Алгоритм фильтрации так называемой «относительности» довольно сложен и не предмет обсуждения данной статьи, скажем лишь, что он надежно отфильтровывает естественные изменения зон детекции движущихся объектов. В это придется поверить, т.к. принцип объяснения лежит за рамками понимания математики средней школы. А лучше проверить. Лучше вообще все проверять на практике. Просто включите GOALcity и посмотрите, будет ли реагировать панель «Внимание!» на обычно идущего человека по улице, не совершающего никаких необычных телодвижений. В идеале за все время она должна выдать только один ролик – сам факт появления этого человека в кадре. Если окажется, что нет, то нужно лезть в настройки.

В каждом аналитическом алгоритме есть установки, определяющие степень изменения, на которую нужно срабатывать. Уровень опасности напрямую зависит от них. Не забывайте только, что названия алгоритмов – не буквальные, а, скажем так, просто удобные для настроек. Как это делается в жизни? Если вы видите, что после нескольких дней работы панель «Внимание!» реагирует не совсем адекватно в вашем представлении, то - вперед в настройки! Собственно говоря, ничего сложного тут нет, несмотря на «высокопарные» технологии. Сначала определитесь, какой момент вас больше не устраивает: слишком много малозначительных кадров или наоборот, мало сработок – недостаточно подмечаются мелкие, но важные моменты.

Начнем с первого, само собой разумеется: второе надо настраивать противоположно первому. Итак, вы устали от ненужных кадров и желаете их уменьшить. Сначала надо определиться, какие алгоритмы больше всего влияют на них. Для этого ставим галочку «Отображать название алгоритма» в Общих настройках аналитики камеры.

После этого в выведенных на просмотр сюжетах читаем заголовок, какой именно алгоритм приводит к ненужным, с вашей точки зрения, сработкам. Соответственно, лезем в настройки этого алгоритма и начинаем их изменять. Там не так много, так что не бойтесь. Возьмем, к примеру «Опасную площадь»:

На Уровень опасности влияют всего два параметра: «Соотношение» и «Время усреднения». Чтобы уменьшить чувствительность анализа, их надо увеличить, а чтобы увеличить чувствительность анализа – оба параметра нужно уменьшать. Лучше всего, время усреднения совсем не трогать, а всего добиться соотношением. В 90 % случаев изменение этого значения приведет к нужным результатам.

В некоторых случаях опасным можно считать не только нагнетание двигательной обстановки, но ее отсутствие. Например, иногда необычным может быть тот факт, что людей стало ходить меньше. В этом случае стоит активизировать уменьшительные параметры, как то «реагировать на уменьшение».

В последний раз предупреждаем, что буквальность алгоритма по жестким критериям будет работать только в том случае, если вы находитесь в идеальных (без помех) условиях, и все остальные алгоритмы отключены. Таким образом, можно получить четкую сработку на увеличение площади детекции на заданную величину. Но, ни один видеодетектор не покажет вам верную картину мира. Даже у большого автомобиля, сливающеюся по цвету с фоном местности, может оказаться зона детекции меньше, чем у мальчугана, одетого в яркую одежду. Все, теории больше не будет.

Продолжаем практические занятия. Если беспокоит «Опасное количество», то регулируем «Минимальное расстояние между объектами»:

Если беспокоит «Опасное время», то изменяем «Период превышения»:

Если беспокоит «Опасный поворот», то изменяем углы на разрешенных левом и правом повороте:

И так далее… То есть, почти в каждом алгоритме можно найти настройку, отвечающую за степень реакции на изменение. Но есть и ряд алгоритмов, у которых таких настроек нет, не надо этого пугаться, они полностью работают на самообучении.

Кроме того, есть и алгоритмы с жесткой логикой. Как, например, этот:

Здесь можно задать четкие направления движения и границы пересечения, которые можно считать опасными. Целесообразность жестких алгоритмов под большим вопросом, но они тоже есть как дань моде. Почему-то в управлении ГИБДД считают, что таким образом можно определять автомобиль-нарушитель на трассе. Как ни странно, но в лабораторных условиях это действительно работает, и при желании можете похвалиться, что у вас есть такая умная система. Мы обещали говорить откровенно, поэтому излагаем все как есть, без прикрас.

Хотя для охраны периметра такие вещи могут и сгодиться, но тоже лишь как предупреждение более умного творения природы – человека.

Итак, мы уже переходим на более специфические задачи: автодорожное движение, многолюдные улицы, «безопасные города»… Следующая статья будет посвящена видеонаблюдению в толпе.

Как ни странно, толпа далеко не однолика, как принято считать. Даже машинная аналитика SLA может различать различные ее уровни и подуровни. Кроме того, четко прослеживается градация однородной и неоднородной толпы. Так, например, одинаковые одетые болельщики на стадионе или военные подразделения на поле боя имеют четко выраженные характеристики отдельных объектов, по которым можно производить машинный видеоанализ.