АВТОМАТИЧЕСКОЕ РАЗМЕЩЕНИЕ КАМЕР ДЛЯ СЕТЕЙ МАССОВОГО НАБЛЮДЕНИЯ

1 Введение

Автоматическое размещение камер видеонаблюдения в произвольных зданиях является сложной задачей, а также необходимой для эффективного развертывания крупномасштабных сетей наблюдения. Существующие подходы к автоматическому размещению камер ограничены небольшим числом камер или ограничены с точки зрения макетов зданий, к которым они могут применяться. В этом документе описывается новый метод определения наилучшего размещения большого количества камер в произвольных макетах здания. Метод вводит трехмерную модель здания и использует генетический алгоритм для поиска места, которое оптимизирует охват и (при желании) перекрывается между камерами. Сообщается о результатах реализации метода, включая его применение в самых разнообразных сложных зданиях.

2 Автоматическое размещение камеры

2.1 Модели сцен

Извлечение важной информации, такие как расположение на полу и на потолке, из трехмерной модели затруднено, если к модели не применяется большое количество ограничений. Эта система позволяет пользователю предоставлять метаданные для облегчения интерпретации модели. В реальных зданиях может быть ряд архитектурных особенностей, которые усложняют приобретение метаданных модели. Лестницы и пандусы могут вызвать трудности. Лестницу нужно просто обрабатывать, выбирая каждый элемент как часть пола. Пандусы автоматически обнаруживаются как часть пола, если их наклон находится в пределах допустимого предела. Кроме того, модель должна быть всеобъемлющей и достаточно информативной для системы.

2.2 Параметризация

Самой прямой параметризацией для положения камеры является три вектора с координатами x, y и z. На рисунке 1 показан 2D-пример этой параметризации. Простым решением этой проблемы является использование трехвекторного подхода, но исправлять местоположение каждый раз, когда оно изменяется, очень неудобно, поэтому оно лежит на допустимой поверхности.

Рисунок 1. Пример привязанной трехмерной точечной параметризации

Каждая точка представлена полным трехвектором, но когда она сгенерирована, она «привязывается» к ближайшей части крыши. Этот подход прост и очень гибкий, однако он имеет два недостатка. Он снова разрешает большое количество недопустимых местоположений, но они удаляются с помощью коррекции. Второй недостаток заключается в том, что сама поправка может быть дорогостоящей с точки зрения вычислений, если ее выполнять тщательно. Коррекция выполняется путем проецирования точки на плоскость треугольника, которая содержит исходную точку, и затем проверяется, находится ли она в границах треугольника. Если это так, то точка считаться на поверхности, и делать ничего не нужно делать. Если нет, то проверяются соседние треугольники, выполняется аналогичный процесс и берется ближайшая точка к исходной нескорректированной точке. Пример этого показан на рисунке 2.

Рисунок 2. Пример алгоритма коррекции, применяемый к точке, которая перемещалась за пределы поверхности

2.3 Функция стоимости

Для размещения камеры требуется функция оценки стоимости. Как только такая функция доступна, начинается оптимизация настроек параметров таким образом, чтобы качество решения возрастало.

Чтобы создать спецификацию для этой функции, должны быть выполнены условия, которые должны иметь идеальное решение:

1. Высокая степень охвата наблюдаемого района

2. Минимальное перекрытие камер

3. Размеры изображений целевых объектов относятся к указанному диапазону

Эти различные свойства могут быть измерены очень естественным образом, что хорошо вписывается в проблемное пространство. Если будут идентифицированы все области здания, где люди могут стоять, может быть создан набор маркеров, которые покрывают это пространство.

Для каждого человека хранится счетчик, который записывается для конкретной конфигурации камеры. Показатель охвата можно просто получить, подсчитав, сколько маркеров видно по крайней мере одной камерой. Показатель перекрытия можно рассматривать как число, видимое двумя или более камерами. Количество пикселей можно получить путем простого отображения маркера в каждую камеру-кандидата и увеличением счетчика, если количество пикселей, которое он покрывает, является достаточно высоким. Счет можно легко вычислить с помощью окклюзионных запросов.

Запрос окклюзии выполняется, сначала создавая карту глубины сцены, показанную на рисунке 3, как показано камерой-кандидатом. Эта карта представляет собой глубину сцены для каждого пикселя в режиме просмотра камер. Как только эта карта будет установлена, запрос окклюзии будет выполняться путем сравнения глубины каждого отображаемого пикселя в маркере с глубиной карты. Каждый пиксель изображения будет ближе, чем соответствующий подсчитываемый пиксель карты. Если этот счет больше нуля, маркер будет виден. Тест на видимость просто модифицируется для сравнения с нижней границей, p_min. Если число видимых пикселей p, превышает эту границу, то маркер будет виден. Эта идея может быть расширена до верхней границы, p_max, и если определенное количество пикселей будет видимым, то больше получать уже не имеет смысла.

Рисунок 3. Изображение изнутри здания слева и его соответствующей карты глубины справа. Глубина карты обеспечивает измерение расстояния от камеры до каждой точки сцены

                                                                                                        (1)

                                                                    (2)

Аналогичным образом обрабатывается метрика перекрытия. Количество камер, которые могут видеть каждый маркер, подсчитывается, а затем назначается соответствующая стоимость. В большинстве случаев единственными значениями, представляющими интерес, являются два, три, четыре или более. Если один возвращается, то перекрытия не существует, поэтому значение метрики равно нулю:

                                                                            (3)

где v - количество камер, просматривающих данный маркер.

Эти две метрики должны быть объединены в одно значение, чтобы обеспечить конечную стоимость конкретной конфигурации камеры. Для разных сценариев потребуются конфигурации камер с более или менее перекрытием, поэтому пользователь может выбрать степень, в которой перекрытие предпочтительнее покрытия, с помощью простого слайдера. Ползунок производит значение α, между нулем и единицей, что дает окончательную стоимость:

                                                                    (4)

2.4 Оптимизатор

В настоящее время доступно множество различных типов оптимизаторов, и структура проблемы является основным руководством относительно того, какой из них наиболее уместен. Наиболее подходящим классом оптимизатора является алгоритм, основанный на поиске. Общим выбором в этой области является генетический алгоритм (ГА). ГА могут исследовать очень сложные пространства без предварительной информации, кроме целевой функции. Они также удобны для настройки, что делает их более тесно связанными с рассматриваемой проблемой и позволяет быстрее исследовать пространство и находить оптимальные решения.

Для этого проекта, настройка мутаций и перекрестных операторов имеет решающее значение для обеспечения хорошей производительности. Каждая особь популяции представляет собой набор камер, поэтому перекрестный оператор просто берет две особи и меняет подмножество камер от каждого. Оператор мутации использует гауссовский метод, чтобы нарушить некоторые параметры камеры для любой особи, выбранного для мутации. Величина гауссовского шума обеспечивается пользователем и основана на диапазоне каждого параметра.

3. Определение качества

Инструмент размещения камеры был оценен с использованием различных реальных и искусственных 3D-моделей. Основное внимание было уделено проверке возможности инструмента автоматического размещения для достижения оптимальных решений, а также проверки того, что созданные места размещения соответствующим образом реагируют на изменения параметров, связанных с целью сети наблюдения. Обратите внимание, что определение истинного оптимального размещения камеры очень сложно и, вероятно, потребует много времени.

На рисунке 4 показан пример приложения на небольшом офисе. Показанные результаты взяты из размещения восьми камер. Система разместила камеру в каждом офисе, а затем пошатнула оставшиеся камеры по всему пространству, что привело к отличному перекрытию и охвату. Интересно размещение двух синих камер, поскольку оно максимизирует перекрытие в очень маленьком регионе. Также следует отметить размещение фиолетовой камеры, так как инженер-проектировщик вряд ли будет выбирать это место, которое оптимизирует перекрытие в коридоре.

Рисунок 4. Результат выполнения работы на искусственном здании

На этом рисунке показано искусственное здание, которое было похоже на типичный небольшой офис. На первом изображении показан результат, с наложением цвета, показывающим, какая камера может просматривать каждый маркер. Красный цвет указывает на перекрытие. На втором рисунке показаны области, которые не видны, а на последней фигуре показаны степени перекрытия.

Второй пример - трехмерная модель типичного офисного здания с внутренней структурой. На рисунке 5 показан общий обзор результатов с каждого уровня. Преимущество использования 3D-модели очевидно в этом примере, так как система способна обойти и внутреннюю структуру здания. В результате размещение очень эффективно, состоящее всего из 32 камер. Черные области модели не видны, так как они лежат за стенами. Эффективное размещение, скорее всего, будет сгенерировано с меньшим количеством камер за счет сокращения перекрытия.

Рисунок 5. Результат выполнения работы на реальном здании

4. Вывод

Достижение оптимального размещения камер в сети наблюдения является сложной задачей, особенно для крупномасштабных сетей. Подход, описанный в этой статье, значительно улучшает современное состояние и предоставляет ценный инструмент, который был продемонстрирован для расчета автоматических мест размещения камер для различных ситуаций. Основной вклад подхода заключается в том, что он позволяет оператору быстро создавать камеру для новой установки сети наблюдения. Результаты, представленные для этого нового гибридного подхода, демонстрируют повышенную эффективность по сравнению с существующим методами.

Список литературы:

1. У. Эрдем, С. Скарлоф. Оптимальное размещение камер в планах этажей для удовлетворения требований задач и ограничений затрат, 2004. Семинар OMNIVIS
2. Р. Хилл, А. Ван ден Хенгел, А. Дик, А. Кичовский, Г. Детмольд. Эмпирическая оценка подхода исключения к оценке перекрытия камеры, 2008. Труды Международной конференции по распределенным интеллектуальным камерам.
3. А. Мюррей, К. Ким, Дж. Дэвис, Р. Мачиражу, Р. Парент. Оптимизация покрытия для поддержки мониторинга безопасности. Компьютеры, окружающая среда и городские системы, 31 (2): 133-147, 2007.
4. Opengl, Д. Шрейнер, M. Воо, Дж. Нейдер и T. Давис. Руководство по программированию OpenGL (R): официальное руководство по изучению OpenGL (R), версия 2 (5-е издание). Addison-Wesley Professional, август 2005 г.
5. М. Валера Эспина и С. А. Веластин. Интеллектуальные распределенные системы наблюдения: обзор. Труды IEE - Зрение, обработка изображений и сигналов, 152 (2): 192-204, апрель 2005 г.
6. А. Ван ден Хенгелl, Р. А. Дик, Н. Детмольде, А. Кичовский, и Р. Хилл. Нахождение перекрытия камеры в крупных сетях наблюдения, 2007. Материалы 8-й азиатской конференции по компьютерному зрению.