ترجمه فارسی عنوان مقاله

سیستم های نظارت تصویری خبره برای تشخیص زمان واقعی رفتارهای مشکوک در مراکز خرید

عنوان انگلیسی

Expert video-surveillance system for real-time detection of suspicious behaviors in shopping malls

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
42602	2015	15 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 42, Issue 21, 30 November 2015, Pages 7991–8005

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

شکل 1. آلارم های ردیابی شده توسط سیستم نظارت تصویری خبرۀ ما در مراکز خرید.

شکل 2. پیش پردازش تصویری و ردیابی انسانی

2.کارهای مرتبط

جدول 1. مطالعۀ تطبیقی آماره های تفریق پس زمینه برای هر روش جهت کاربرد در نظارت تصویری

3.پیش پردازش تصویر و ردیابی انسانی

3.1مروری بر تفریق پس زمینه

جدول 2. نتیجه گیری و مقایسۀ بصری میان روش های تفریق پس زمینه که برای کاربرد نظارت تصویری در کانتکست مراکز خرید استفاده می شود

3.2تلفیق بلاب ها

3.3ترکیب LSAP از اشیاء ردیابی‌شده

شکل 3. کاربرد تلفیق بلاب در فریمی که داده های تصویری ناقص دارد و در نتیجه بعد از تفکیک‌شدن بدن انسان را کامل نشان نمی دهد.

الگوریتم 1. ترکیب LSAP از اشیاء ردیابی‌شده

3.4مدیریت اكلوزيون بر اساس ویژگی های ظاهر بصری

شکل 4. توصیف گرافیکی روش پیشنهادی مدیریت اکلوزیون بر اساس ظاهر بصری. مثال یک اکلوزیون با پیچیدگی پایین را برای درک آسان الگوریتم نشان می دهد.

شکل 5. نمودار ساز و کار مدیریتی شرایط اکلوزیون چندگانه

4.تشخیص آلارم در مراکز خرید

4.1کنترل ورود به فروشگاه و خروج از آن

شکل. 6. رویکرد چند دوربین طراحی شده برای تشخیص زنگ تعریف شده در سیستم ویدئو، دوربین متخصص ما برای مراکز خرید.

4.2تشخیص رفتارهای مشکوک مانند پرسه‌زنی

4.3موقعیت های صندوق های بدون مراقب

5.آزمایش ها

شکل 7. مثال مدل زاویه دار که در مسیرهای حرکتی ورود و خروج، با فرض اینکه خط ورود 60 درجه است، پیشنهاد شده است.

5.1آزمون های ردیابی انسانی

شکل 8. مثال واقعی از زمانی که آلارم هنگام وقوع رویدادهای ورود و خروج فعال می‌شود

شکل 9. یک مثال واقعی از زمانی که آلارم پس از تشخیص رویداد پرسه‌زنی فعال می‌شود

شکل 10. مثال واقعی از معمول ترین موقعیت های صندوق فروشگاه

5.2آزمون های تشخیص آلارم در مراکز خرید

شکل 11. مثال های ارزیابی ردیابی که برای ویدئوی Shopassistant1cor.mpg انجام شده است. این ویدئو از مجموعه‌دادۀ CAVIAR استخراج شده است

جدول3. مقایسۀ عملکرد میان رویکردهای ردیابی انسانی در مجموعه‌دادۀ CAVIAR و رویکردهای پیشنهادشده توسط ژائو و ناواتیا (2004)، وو و ناواتیا (2006)، لی و همکاران(2008).

جدول 4. مقایسۀ عملکرد میان رویکردهای ردیابی انسانی در مجموعه‌دادۀ CAVIAR و رویکردهای پیشنهادشده توسط ژینگ و همکاران (2009) لی و همکاران (2009) کو و همکاران (2010) کو و نواتیا (2011)، علی و دایلی (2012)، چایو و همکاران (2014) چایو و تونات و همکاران (2014)، بادیه و برمونت (2014)، گوان و هیوآنگ (2015) و ژانگ و همکاران (2015)

جدول 5. نتایج به دست آمده برای تشخیص آلارم در مراکز خرید با کمک یک مجموعه‌دادۀ واقع‌گرای خصوصی

6.نتیجه‌گیری

ترجمه کلمات کلیدی

نظارت ویدئویی در مراکز خرید - تفریق پس زمینه - ردیابی انسان - مدیریت انسداد - ویژگی های ظاهری - تجزیه و تحلیل رفتاری

کلمات کلیدی انگلیسی

Video-surveillance in shopping malls; Background subtraction; Human tracking; Occlusion management; Appearance features; Behavioral analysis

ترجمه چکیده

سیستم های نظارت تصویری خبره ابزارهایی قدرتمندند که در سناریوهای مختلف با هدف خودکارسازی تشخیص موقعیت های پرخطر استفاده می‌شوند و به مسئولین حراست کمک می کنند تا برای ارتقای امنیت دارایی ها تصمیمات مقتضی را اتخاذ کنند. در این مقاله، یک سیستم کاملاً خبره را معرفی می کنیم که تمرکز آن تشخیص زمان واقعی رفتارهای مشکوک در مراکز خرید است. روش شناسی نظارت تصویری ما چندین پیشنهاد خلاقانه را ارائه می کند که تشکیل یک برنامه کاربردی قدرتمند را می دهند. این برنامه مسیر حرکت اشخاص را دنبال می کند و قادر است فعالیت های مشکوک را در مراکز خرید تشخیص دهد. در اولین گام، سیستم ما یک تفکیک کنندۀ تصویر را به کار می گیرد تا اشیاء پیش‌زمینه را در یک صحنه مکان یابی کند. در این مورد، کارامدترین الگوریتم های تفریق پس زمینه با یکدیگر مقایسه می‌شوند تا بهترین شان برای برنامه کاربردی نظارت تصویری خبره ما انتخاب شود. پس از مرحله تفکیک سازی، بلاب های تشخیص داده شده نشان دهنده بدن های کامل یا جزئی انسانی اند، بنابراین، یک روش نوین تلفیق بلاب را اجرا کرده ایم تا بلاب های جزئی را به اهداف انسانی نهایی گروه بندی کند. سپس، یک الگوریتم ردیابی خلاقانه را ارائه کرده ایم که نه تنها مبتنی بر مسیریابی انسانی است (به عنوان جدیدترین روش) بلکه مبتنی بر رویت افراد در موقعیت های موسوم به اكلوزيون نیز هست. این نوع ردیابی از یک روش دومرحله ای استفاده می کند: (1) فیلتر کالمان را با بهینه سازی هزینه برای مسئله خطی سازی اختصاص مجموع (LASP) ترکیب کردیم تا مسئله ترکیب تشخیص-تا-ردیابی را حل کنیم؛ و (2) برای محاسبۀ فاصلۀ میان ویژگی های ظاهری مانند GCH، LBP و HOG از مدیریت اكلوزيون مبتنی بر هسته های SVM استفاده کردیم. در مقایسه با تکنیک های توصیفی دیگر، کاربرد این ویژگی ها برای تشخیص ظاهر انسانی ارائه دهنده عملکردی عالی است، زیرا اطلاعات رنگ، بافت و گرادیان به خوبی ترکیب می‌شوند تا توصیف بصری دقیقی را از افراد ارائه دهند. در نهایت، سیستم نظارت تصویری خبره ما مسیرهای حرکت افراد را پردازش کرد تا رفتارهای انسانی را برای تشخیص موقعیت های مشکوک و خطرآفرین در مراکز خرید آنالیز کند – برای مثال، ورود اشخاص، خروج اشخاص، رفتارهای مشکوک مانند پرسه زنی، و صندوق های بدون مراقب. با هدف ارزیابی عملکرد سیستم پیشنهادی، از مجموعه‌داده کاویار (که در دسترس عموم است) استفاده کردیم تا روش ردیابی پیشنهادی را، با نرخ موفقیت 85 درصد در موقعیت های اكلوزيون، بیازماییم. عملکرد سیستم نشان داد که دقت و کارامدی روش ردیابی پیشنهادی ما با روش های پیشرفته روز دنیا قابل مقایسه است و حتی بر آن ها برتری دارد. به علاوه، آلارم های ساطع شده از برنامه کاربردی ما در یک مجموعه‌داده خصوصی موقعیت‌واقعی ارزیابی شد، که شاهدی بود مبنی بر اینکه سیستم نظارت تصویری خبره ما به شکل موثر رفتارهای مشکوک را با هزینه محاسباتی کم در مراکز خرید تشخیص می دهد.

ترجمه مقدمه

در دنیای امروز، برای تضمین امنیت انسان ها و اماکن و محافظت از دارایی ها، نظارت تبدیل به عنصر اساسی بسیاری از فعالیت های روزمره شده است. نظارت را می توان در مکان های مختلف اجرا کرد: بانک ها، زندان ها، فرودگاه ها، پارکینگ ها، پمپ بنزین ها، فروشگاه ها و هر کسب و کار و سازمان قابل تصور دیگر. به همین دلیل، خودکارسازی نظارت یکی از نیازهای روزافزون است. خودکارسازی نظارت وظایف افسران حراست را تسهیل می کند و به آن ها اجازه می دهد کار خود را به بهترین شکل ارتقا دهند. امروزه، تصاویرویدئویی که دوربین های نصب شده در موقعیت های استراتژیک ثبت می کنند مهم ترین عناصر در سیستم های نظارتی به حساب می آیند. به همین منظور، پردازش کامپیوتری تصویر را می توان به منظور استخراج داده های مفید از این تصاویر به کار گرفت. از اطلاعات استخراج شده می توان به منظور خودکارسازی نظارت استفاده کرد تا هرگاه موقعیت مشکوکی تشخیص داده شد آلارم ها به صدا درآیند. این مقاله بر روی یک نظارت تصویری خاص تمرکز می کند: تشخیص رفتارهای انسانی مشکوک در مراکز خرید. در این سناریو، برخی موقعیت های خاص باید تحلیل شوند، مانند ورود به فروشگاه یا خروج از آن، رویدادهای پرسه زنی که ممکن است به دزدی منجر شوند، و رها کردن صندوق بدون نظارت. این موارد در شکل 1 نشان داده شده اند. پیش از به صدا درآمدن آلارم های توصیف شده، برخی از مراحل برای مکان یابی یا دنبال کردن افراد مشکوک باید اجرا شوند. این مراحل در شکل 2 نشان داده شده اند. فرایند پیشین با اجرای تفکیک سازی تصاویر آغاز می شود؛ برای این منظور، از روش های تفریق پس زمینه استفاده می شود. در این مقاله، پیشرفته ترین روش های اصلی تفریق پس زمینه با هم مقایسه می‌شوند تا بهترین آن ها انتخاب شود. در مرحله بعدی، اشیاء پیش زمینه، که به آن ها بلاب گفته می شود، بر اساس اندازه و فاکتورهای موقعیتی فیلتر می‌شوند و با الگوریتم تلفیق بلاب گروه بندی می‌شوند. پس از آن، مرحله ردیابی برای انجام فازهای مهم مانند تحلیل مسیر ضروری است. با توجه به این موضوع، یک روش ردیابی خلاقانه پیشنهاد می شود، که از یک الگوریتم دو مرحله ای تشکیل شده است: 1. اشیائی که باید ردیابی شوند (معمولا انسان ها) در یک توالی ویدئویی ترکیب می‌شوند. برای این منظور، از یک رویکرد بهینه سازی استفاده می شود. این رویکرد مبتنی بر مسائل ترکیبی مانند LSAP (مسئله خطی سازی اختصاص مجموع) است (ایسترفیلد، 1946) و تخمین‌های فیلتر کالمان را مد نظر قرار می دهد (کالمان، 1960). 2. اكلوزيون های اشیاء با روش مبتنی بر ظاهر بصری مدیریت می‌شوند، که در آن چندین توصیف از تصاویر آزمون می‌شوند:GCH (هیتوگرام رنگی جهانی)(نواک و شافر، 1992)، LBP (الگوی دودویی موضعی) (اوجالا، پیتیکاینن، و هارود، 1994) و HOG (هیستوگرام گرادیان های شیبگرا) (دالال و تریگس، 2005). ویژگی های استخراج شده با سنجه ای که مبتنی بر هسته های SVM است مقایسه می‌شوند، مشابه با طرح پیشنهادی واپنیک و کورتس (1995) و مقدم و یانگ (2000). استفاده از سیستم خبره معرفی شده، در مقایسه با روش های سنتی، کارایی نظارت تصویری مراکز کنترلفروشگاه ها را افزایش می دهد و به اپراتورهای انسانی فرصت می دهد تا تعداد دوربین بیشتر و موقعیت های خطرآفرین بیشتری را مدیریت کنند. آزمون هایی که در شرایط طبیعی انجام شد نشان می دهند که برنامه کاربردی نظارت تصویری خبره ما کارایی خوبی دارد. همچنین، آزمون های مذکور عملکرد کارامد زمان واقعی سیستم را نمایش دادند. مهم ترین بخش این مقاله بر الگوریتم های خلاقانه مختلفی تمرکز دارد که در سیستم خبره نظارت تصویری ما اجرا شدند. اول از همه، اگرچه مرحله تفکیک سازی ما مبتنی بر تکنیک های تفریق پس زمینه پیشین است، یک مطالعه کامل انجام دادیم تا بهترین گزینه را برای سیستم خود انتخاب کنیم و در کنار آن یک تکنیک ترکیب بلاب را طراحی کردیم تا خطاهای معمول تفکیک سازی را کاهش دهیم. به علاوه، الگوریتم جدید ردیابی ما، با توجه به روش های کلاسیک پیشرفتۀ مبتنی بر مسیرها، نشان دهندۀ یک رویکرد جالب توجه جدید است، زیرا از اطلاعات ظاهر بصری در موقعیت های اكلوزيون استفاده کردیم تا عملکرد طرح پیشنهادی را، در مقایسه با کارهای مشابه، افزایش دهیم. در نهایت، آلارم هایی که توسط سیستم ما در مراکز خرید آنالیز شد یکی از دستاوردهای کلیدی این مقاله بودند. تا جایی که می دانیم، این اولین کاری بود که رفتارهای مشکوک خاص را در فروشگاه ها با یک سیستم خبره پردازش کرد. همچنین، نتایج و مقایسه هایی را که عملکرد چشمگیر طرح پیشنهادی مان را نشان می دادند در این مقاله لحاظ کردیم. مابقی مقاله به این شکل سازماندهی شده است: کارهای مرتبط در بخش 2 بررسی می‌شوند. بخش 3 روش های پیشنهادی را توصیف می کند که برای پیش پردازش ردیابی انسانی استفاده می‌شوند. روش شناسی اجراشده در سیستم نظارت تصویری خبره برای ردیابی رفتارهای مشکوک در فروشگاه های بزرگ و به صدا درآوردن آلارم در بخش 4 توضیح داده می شود. آزمایش ها و بحث ها در بخش 5 ارائه می شود. بخش 6 به نتیجه گیری اختصاص دارد.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Expert video-surveillance systems are a powerful tool applied in varied scenarios with the aim of automatizing the detection of different risk situations and helping human security officers to take appropriate decisions in order to enhance the protection of assets. In this paper, we propose a complete expert system focused on the real-time detection of potentially suspicious behaviors in shopping malls. Our video-surveillance methodology contributes several innovative proposals that compose a robust application which is able to efficiently track the trajectories of people and to discover questionable actions in a shop context. As a first step, our system applies an image segmentation to locate the foreground objects in scene. In this case, the most effective background subtraction algorithms of the state of the art are compared to find the most suitable for our expert video-surveillance application. After the segmentation stage, the detected blobs may represent full or partial people bodies, thus, we have implemented a novel blob fusion technique to group the partial blobs into the final human targets. Then, we contribute an innovative tracking algorithm which is not only based on people trajectories as the most part of state-of-the-art methods, but also on people appearance in occlusion situations. This tracking is carried out employing a new two-step method: (1) the detections-to-tracks association is solved by using Kalman filtering combined with an own-designed cost optimization for the Linear Sum Assignment Problem (LSAP); and (2) the occlusion management is based on SVM kernels to compute distances between appearance features such as GCH, LBP and HOG. The application of these three features for recognizing human appearance provides a great performance compared to other description techniques, because color, texture and gradient information are effectively combined to obtain a robust visual description of people. Finally, the resultant trajectories of people obtained in the tracking stage are processed by our expert video-surveillance system for analyzing human behaviors and identifying potential shopping mall alarm situations, as are shop entry or exit of people, suspicious behaviors such as loitering and unattended cash desk situations. With the aim of evaluating the performance of some of the main contributions of our proposal, we use the publicly available CAVIAR dataset for testing the proposed tracking method with a success near to 85% in occlusion situations. According to this performance, we corroborate in the presented results that the precision and efficiency of our tracking method is comparable and slightly superior to the most recent state-of-the-art works. Furthermore, the alarms given off by our application are evaluated on a naturalistic private dataset, where it is evidenced that our expert video-surveillance system can effectively detect suspicious behaviors with a low computational cost in a shopping mall context.