ビデオ分析2.0またはオブジェクトが残したもの。 パート1

Video Analytics 2.0のコンセプトを聞いたとき、あなたはどう思いますか？
仮想の次世代ビデオ分析技術にどのような緊急課題を割り当てることができますか？

人気のある回答の中には、おそらく「100％に近い確率で歩く群衆の中の人の人格の非協力的認識」、「訪問者間の侵入者の識別」、「追跡を中断することなく複数のオブジェクトを同時に追跡する」、「目に見えるすべてのエラーのない認識と分類」がありますフレームに。」

セキュリティシステムのインストールに関連するエンジニアは、高度な自己学習アルゴリズムを使用して検出器設定の自動化を最大化し、試運転および保証サービスのコストを大幅に削減したいと考えています。

そして最も賢いのは、現在の技術開発レベルでは不可能な人工知能がある場合にのみ、ビデオ分析2.0が可能になるということです。 したがって、利用可能なコンピューティングリソースを最大限に絞り込み、量子コンピューターの大量導入を待つアナリストのマーケットリーダーを見る以外に方法はありません。 それが起こることを願っています。




この質問に対する答えは異なりますが、1つの共通の概念（多くの場合、それは表明されず、単に暗示される）がそれらのそれぞれにあります-次世代ビデオ分析は、現実世界のアプリケーション-路上、駅、地下鉄、日常生活で効果的に機能する必要があります。

検出器が何であっても：放棄されたオブジェクト、戦い、破壊行為、人格認識-それは、実験室の条件ではなく、実際に動作し、同時に消費者の期待を完全に満たす（または上回る）必要があります。

これは、ビデオ監視市場が状況ビデオ分析の分野での定性的なブレークスルーを約5〜6年にわたって待っているという事実にも起因しています。 （状況ビデオ分析は、特定の確定的な状況を検出するためのビデオ分析です。）

「 ビデオ分析の市場の悪者 」という記事で言及されている2009-2010年のビデオ分析のブームの後、状況ビデオ分析は深刻な信用を失いました。消費者は、広告の約束と「現場」の使用条件での実際の結果の不一致によりその機能に失望しました。
どんなに驚くかもしれませんが、2016年の今日、シチュエーションビデオ分析の状況は2010年よりわずかに優れています。


また、動きのない「静かな」シーン用に設計された検出器が多かれ少なかれ通常である場合、激しい交通量やフレーム内の高いアクティビティの条件で動作する必要がある検出器では、状況は望まれていません。

インテリジェントビデオ監視の業界のリーダーでさえ、状況検出器の質的に異なるレベルの効率に到達することはできず、実験室条件ではなく通常の消費者の期待に応える性能を確保できます。
ほぼすべての市場関係者が今日提供している放棄品の検出器の機能は、業界の状況を最も明確かつかなり正確に示しています。

なんで？

まず、検出器アーキテクチャでは、アプローチに応じて、ビデオ分析で使用されるほぼすべての基本技術を使用できます：バックグラウンドセグメンテーション、多次元ガウス分布およびその他の統計ツールの使用、パターン認識（HOGまたは畳み込みニューラルネットワーク）、追跡およびマルチトラッキング。

第二に、放棄されたオブジェクトを検出するタスクは十分に形式化されており、これにより、あるメーカーまたは別のメーカーの検出器の有効性を客観的に評価することができます。

独自のビデオ分析検出器を持つ実績のある企業が提供するソリューションを見てみましょう。

ロシア企業のソリューション

1. Macroscopは、ソフトウェアに1,500 r相当のモジュールを提供しています。 モジュールには、予想されるように、オブジェクトが放棄されたと見なされる時間設定、およびオブジェクトが他の前景オブジェクトによってブロックされる条件の数、およびビデオ品質（少なくとも640x480の解像度、少なくとも5フレームのフレームレート）があります/ s）。 それらの詳細は、Macroscop開発ディレクターのPyotr Kharebovが次のビデオで説明しています（検出器について-12:26から）：
   
   
   
   残念ながら、モジュールの機能はわずかです。
   
   
   
   この（公式、Habréブログに投稿された）ビデオでは、何らかの理由により、背景（赤いプラスチックカップ）とは対照的に非常に区別されるオブジェクトが、システムによって2つの独立したオブジェクトとして検出され、背景とは異なる2つのオブジェクト（チューブ固定電話から）、一度に1つだけが検出されます。 さらに、オブジェクトのサイズもその位置も検出領域と正確に一致しません。
   
   検出されたオブジェクトのサイズなどのパラメーターにも注意を払う必要があります。 Macroscopeのサウンドで宣言された3％は一見したところ悪くありませんが、実際にはフレームの3％が多くあります。
   
   
   このサイズのスーツケースを想像してください。
   
   
   非表示のテキスト

   もちろん、彼らは異なっています、
   
   しかし、まだ。
   
   
   
   実際、これは、この検出器による物体の検出がカメラレンズのすぐ近くでのみ可能であることを意味します。
   その結果、このようにしてエプロン上の物体を効果的に検出する問題を解決する場合、カメラを5〜7メートルごとに設置する必要があります。これにより、ソリューションコストが非常に高くなり、検出器の安価でさえ節約できません。
   
   しかし、ビデオ分析に関しては、ビデオ分析はまだ主な専門分野ではないため、マクロスコープに対する苦情はありません。
   
   まず第一に、彼らは優れたスケーラブルなビデオ監視ソフトウェアの作成者であり、その主な機能の1つは、ビデオストリームを表示および保存するプロセスのリソース消費に対する正確な態度です。これにより、ハードウェアリソースを過剰に支払うことなくスケーラブルなシステムを構築できます。
   
   したがって、まずビデオマイニングアルゴリズムの開発に特化した企業が提供するものを見てみましょう。
   
   
2. Sinesis、ロシア市場でこの分野で最も尊敬される会社の1つ。 HabréにはSynezisの多くの出版物があり、そこからチームは状況ビデオ分析のタスクに積極的に取り組んでいることがわかります：幅広い古典的な検出器、行動分析の実験を提供し、コンピュータービジョンの分野でのエンジニアリングの問題を解決します。
   Macroscopeとは異なり、Synezisは、すでにメトロにあるオブジェクト検出器の動作例を示します。
   
   
   
   
   しかし、客観的には、これらは地下鉄の実際の条件ではありません：検出器がテストされる場所では、検出器は捨てられ、誰もオブジェクトをブロックせず、オブジェクト自体は背景とは統計的に非常に異なります。
   通常、地下鉄の状況は次のようになります。
   
   
   
   そして時々これが起こります：
   
   
   
   Synesisが示したビデオとの違いは壊滅的です。
   
   統計を視覚化すると、差異がさらに視覚的に表現されます。
   
   
   
   左側はSynesisビデオの被写体と背景の統計的差異、右側は実際の状況で放棄されたオブジェクトのVideo Intelligence検出器によって検出された背景からの偏差です。
   
   
3. ボコード。
   
   経験豊富な会社、市場で17年。 彼らのウェブサイトからの情報によると、スタッフは120人の専門家で構成されており、その80％は「数学者、開発者、エンジニア」です
   深刻な人的資源と知的資源から判断すると、ビデオ分析のレベルも深刻でなければなりません。
   
   Vocord Tahion製品の一部として、「left / go item」モジュールが提供されています。 会社のYouTubeチャンネルには、モジュールの例があります。
   
   
   
   残念なことに、状況は再び憂鬱であり、検出が非常に簡単であり、現実とは関係ありません。平らな明るい床、対照的な黒い袋、さびれています。
   敬意を払わなければなりませんが、VokordはSynesisとは異なり、人によるオブジェクトの部分的なオーバーラップを模倣しました。 しかし、そのような実験的設計が現実とどれほど異なっているか、そしてそのような検出器の実際の状態での有用性は、話すことすらできません。
   
   大規模なプレーヤーは、実際に機能するアルゴリズムを作成できず、製品が入札の要件を正式に満たすために、純粋にショーのために検出器の一部を作成することを余儀なくされているという印象を受けます。
   

外国のソリューション

誰かが言う：「そして、なぜあなたは国内メーカーだけを考慮しますか、外国メーカーはより高いクラスの製品を提供する可能性が高いでしょう」。

しかし、驚くべきことに、外国メーカーの検出器に残された検出器の品質はまったく同じレベルです。 彼らは彼らのために完全に異なるお金を要求するだけです。

たとえば、イスラエルの会社Agent Viの開発検出器は、市場で最高の1つと考えられており、広告ビデオで次の機能を実証しています。



再び対照的なオブジェクトと誰も周り。
この検出器のコストは、1つのビデオチャネルで45,000ルーブル以上です。

または、ここにイタリアのテクノウェア検出器があり、チャネルあたり約30,000ルーブルかかります：



検出器の機能は、上記のすべてとほぼ同じです。

なぜそうし、何をすべきか？

この時点で、探究心は論理的なものを示唆します：数百人のスタッフを持つ業界リーダーでさえ、実際の状況でわずかな程度で動作する放棄されたオブジェクトの検出器を市場にまだ提供していない場合、これはいくつかの客観的な理由による可能性がありますか？ どういうわけか：

1. 誰もが放棄されたアイテムの検出器を必要としないので、誰もその開発に投資しません。
   
2. 科学技術の現在の開発レベルでは、残った物体の高品質の検出器は不可能です。 ビデオ監視の市場リーダーは、技術から可能な限りすべてを絞り出している。
   

最初の仮定については、いいえ、放棄されたアイテムを検出する機能は関連性があり、需要があります。

まず、地下鉄や鉄道の駅のインテリジェントビデオ監視システムの技術的なタスクでは、放棄されたオブジェクトの検出器が明示的に登録されることがよくあります。 そこにあるお金は通常かなりのものであり、大規模なインテグレーターの間では深刻な闘争があります。
しかし、それでも開発者は、何らかの理由で、実際の条件で、お金のためにさえ機能するオプションを提供できません。

第二に、通常動作する検出器は、消費者向けビデオ監視市場でも需要があります。

確認として、2012年の終わりに世界で最も成功したクラウドベースのビデオ監視サービスの作成者である有名なIvideon社が開催したビデオ分析アルゴリズムの開発のための大規模な競争に言及することができます。 競技会には3つのタスクしかなく、そのうちの1つは正確に左側の物体の検出器でした。


コンテストの日付から3年後にIvideonが新しいビデオ分析機能を提供しなかったことを考慮すると、放棄されたオブジェクトの高品質検出器の作成に成功しなかったと結論付けることができます。

したがって、仮定2が当てはまる可能性があり、地下鉄や鉄道の駅の状態で残された物体の検出は、現在根本的に解決不可能な問題です。 ちなみに、ビデオ分析およびビデオ監視の分野で評判の良い企業は、これを直接語っています。


しかし、これは本当にそうですか？ 経験から、いいえ。

主要な市場関係者の意見は、企業のさまざまな理由で異なる他のいくつかの理由とより関連しています：単純な競争から現実の拒否まで-20年間の仕事でこれを行うことができなかったため、これは原則的に不可能です。

以上のことから、ビデオ分析の未来は新しいクリエイティブチームにあるという考えに至ります。 一般的なステレオタイプを振り返らない人は、ビデオ分析の問題を解決するための新しいアプローチを見つけようとします。

ところで、まさにこれは、ビデオ分析、ニューラルネットワーク、ディープラーニングの分野における新しい開発に関するHabréの出版物の数によって示されています。 それらの大部分は、若い集団と個々の著者によって書かれています。 新しい技術的アプローチとソリューションを探しているのは彼らであることがはっきりとわかります。

これを確認するために、次の記事では、メトロの乗客の激しい交通の実際の状況で放棄された物体を検出する問題で達成できる結果と、核物理学、クォークグルオンプラズマ、およびビデオ分析に共通することについて説明します。