Original VideoFeed.	Bakgrundsdifferentiering När man beskriver hur VCA fungerar är det viktigt att belysa separationen av objekt från dess bakgrund i en videoström. Det finns stora skillnader i detaljer när det gäller själva implementeringen av bakgrundsdifferentiering, speciellt de metoder som används för att filtrera bort bildstörningar, orsakade av ljusförändringar och vädereffekter så som vind, regn och snö. De grundläggande stegen för en bakgrundsdifferentiering beskrivs nedan.
Segmentering.	Segmentering Systemet håller en långsamt förändrad bild i minnet och kodar denna som bildens statiska bakgrund. För varje ny bild i videoströmmen så uppdateras bakgrundsbilden för att anpassa sig till förändrade ljusnivåer osv. Pixlar i den innevarande bilden som är annorlunda jämfört med bakgrundsbilden segmenteras bort. Det finns olika metoder för att minska effekterna från förändrade ljusförhållanden, dåliga kontraster och naturliga förändringar som orsakas av väder. Nivån på den bakomliggande algoritmen för detta skiljer de enklare teknologierna från de mer avancerade.
Klustring	Klustring Kluster av segmenterade pixlar grupperas ihop för att forma objekt. De mer avancerade systemen är också kapabla att justera bort kastskuggor, men kan också följa objekt som är delvis skymda eller där de, i de enklare systemen, lätt blandas ihop med bakgrunden.
Klassificering – stående person.	Klassificering Långt ifrån alla VCA-system klarar av att skapa objektklassificering, men en mängd olika teknologier för detta finns. Ett sätt att göra det är att estimera ett antal parametrar för varje objekt, inkluderande storlek, hastighet och position. Parametervärdena jämförs sedan med fördefinierade värden, och objekten stoppas därefter in i respektive klass. Detta gör att antalet falskalarm kan minimeras då VCA-systemet slipper larma för exempelvis kastskuggor och fåglar.

En annan variant är att använda vad som vanligen kallas mallmatchnings-teknologier. Gemensamt för dessa teknologier är att de jämför objekten med en databas av olika mallar, för att sedan beräkna sannolikheten att ett objekt passar in i en viss klass. Denna metod kan vidareutvecklas till att bara behöva en bild för att plocka ut objekt ur bilden, på så sätt blir bakgrundsdifferentieringen oviktig. Men enligt vår vetskap har dessa metoder hittills bara testats i forskningsprojekts och ännu inte implementerats i någon kommersiellt tillgängligt VCA-produkt.

Nackdelarna med direktklassificeringsteknologier är att de kräver mer datorkraft och högre upplösning (fler pixlar) på objekten. Det betyder att vissa VCA-system klarar av att detektera och klassificera objekt på långa avstånd (200 m med 640x480 upplösning) medan andra system stannar vid 50-70 meter på grund av teknologiska begränsningar.

Spårning – stående person.

Spårning Det sista steget i processen är spårningen, där uppgiften är att tilldela varje objekt ett visst ID och hålla objektet i systemet så länge det uppehåller sig i kamerans synfält. Det finns olika tekniker för att spåra objekt där de är fullt synliga och delvis synliga, men de olika VCA-system skiljer sig mycket åt på denna punkt.

Skillnaden mellan ’Features & Functions’

Så vad är det då för funktioner som faktiskt kan detekteras? BSIA (British Security Industry Association) uttrycker det på följande sätt: Teoretiskt sett kan vilket beteende som helst, som kan ses och precist beskrivas på en videobild, bli automatiskt identifierat och sedan larmat.

Alltså, beteende som ska detekteras måste kunna ses. Detta betyder att om man inte kan se om en person bär ett vapen så kan det inte heller detekteras med VCA. Det är faktiskt ett vanligt missförstånd att så är fallet. Det hörs ofta att ”vi vet inte vad militären klarar av” som ett skäl till att berättiga en tro att videoanalys kan utföra magi.

Ett mer alldagligt exempel är det s k ”left item detection”. Denna ”feature” är till för att detektera potentiellt farliga objekt, t ex en bomb som har lämnats kvar på en flygplats eller annat område där många människor reser. Problemet är att en videokamera inte kan se vad som är bakom en papperskorg, eller objekt som skyms av förbipasserande människor. Detta tar oss till distinktionen mellan ”feature” och funktion.

Med ’feature’ (mer precist capability feature) menas att ett system är kapabelt att göra vissa saker. Funktion är en mer komplex sak eftersom den rör hur ”featuren” är implementerad och till vilken grad det faktiskt fungerar, dvs användbarheten. Ett vanligt använt exempel är en bils förmåga att stanna. Denna ”feature” måste finnas i alla bilar, men själva bromsfunktionen är implementerad i form av en pedal, inte en knapp i handskfacket, för att funktionen ska vara användbar. Vidare, om vi använder en sportbil i exemplet ställs ytterligare krav på hur snabbt bilen måste stanna, att jämföras med en familjebil. Det finns klara skillnader i funktioner.

Features

Om vi tittar på alla ”features” som en samling VCA-företag utger sig för att ha så får vi en
förvirrande lista av engelska termer:

• Asset Protector • Loitering • Left Item Detection • Tracking • Tailgating • Intelli-Search • Removed Item Detection • Perimeter Defence

• Traditional Video Motion Detection (VMD) • Camera Obstruction • Slip & Fall Detection • Virtual Fence • Wrong Direction Detection • Suspicious Directional Movement

• Unusual Crowd Formation Detection • People Counting • Intrusion Detection • Crowd & Queue Management • Tripwire Detection • Unauthorised Activity Detection • Running Detection

Vi får nu ställa oss frågan vilket beteende som faktiskt kan ses, och om det i så fall kan beskrivas på ett precist sätt. Om vi tittar på ”left item detection” har vi tidigare i artikeln kommit fram till att beteendet kan ses om objektet inte skyms. Med andra ord så kan objektet ses, men bara ibland. Kan detta beteende beskrivas precist? Hur definierar vi ett kvarglömt föremål? Hur länge måste objektet vara lämnat, och hur långt ifrån en person måste föremålet vara? Om en person lämnar en portfölj i närheten av en annan person, är då portföljen ett kvarglömt föremål? Kan beteendet beskrivas precist? Ja, men bara ibland.

Många VCA-företag hävdar att deras system kan detektera kvarglömda föremål, ett beteende som ibland kan beskrivas och ibland ses av en kamera. Låt oss vara ärliga, detta är en ”feature” med usel funktionalitet. Vad gäller då de övriga ”features” som nämns på sidan? Vad är egentligen ”unusual crowd formation movement”? Hur väl kan systemen leva upp till dessa utlovade ”features”?

Sida 2 (4)