В МТУСИ разработали алгоритм обнаружения девиантного поведения на основе видео. Система определяет угрозу в реальном времени, используя виды с нескольких камер. Заключение о возможном правонарушении или угрозы другим людям основывается на оценке позы человека и открытой исходной форме алгоритма OpenPifPaf.
Проблема обеспечения безопасности особенно актуальна в наши дни. Очень часто угрожающие ситуации возникают из-за девиантного поведения людей: драка, нападение, нахождение в неположенном месте. Современные города оснащены системами видеонаблюдения: их используют для контроля городской жизни, а можно направить на обнаружение потенциально опасных ситуаций в режиме реального времени.
«В связи с огромным количеством видеоматериалов задача обнаружения опасных ситуаций требует использования современных интеллектуальных технологий, позволяющих проводить автоматический анализ. Первоочередная задача – научить программу определять положение тела человека на изображениях и видео», — рассказал декан факультета «Информационные технологии» МТУСИ, к.т.н. Михаил Городничев.
Для практического применения алгоритма было создано приложение, распознающее падение человека по видео. Над видеоизображением отображается основная информация: количество кадров в секунду, общее количество обработанных кадров, прогнозируемое состояние человека, которое может быть либо «Нормальное», либо «Предупреждение о падении», либо «Падение». В случае ошибки распознавания человека (в том числе, если в кадре нет людей), состояние отображается как «Нет».
Дополнительно было создано веб-приложение, которое реагирует на девиантное поведение, фиксирует его, записывает событие в базу данных и отображает уведомление. Каждая строка содержит информацию о признаке девиантного поведения (на данном этапе только падение человека), дату и время фиксации, номер камеры.
Сотрудники кафедры «Математическая кибернетика и информационные технологии» МТУСИ Марина Мосева и Артем Павликов подчеркнули, что предложенный алгоритм работает с достаточно низкими аппаратными требованиями, а программа не требует графического процессора. В настоящее время, алгоритм имеет склонность к ложным срабатываниям из-за несбалансированных обучающих данных, поэтому работа над накоплением данных и дальнейшим обучением системы продолжится.