Εντοπισμός ανθρώπων σε video: βασικές έννοιες, μέθοδοι και προοπτικές

Abstract

Η κατανόηση της ανθρώπινης συμπεριφοράς αφορά ένα ευρύ φάσμα μελλοντικών εφαρμογών που κυμαίνονται από ευφυή συστήματα επιτήρησης μέχρι προηγμένα συστήματα διεπαφής με τον χρήστη. Συστήματα επιτήρησης καταγραφής ήχου και εικόνας είναι ήδη διαθέσιμα σε τράπεζες, ξενοδοχεία, καταστήματα, εθνικές οδούς και εμπορικά κέντρα, όπου τα καταγεγραμμένα τηλεοπτικά δεδομένα ελέγχονται από φρουρούς ασφάλειας και αποθηκεύονται στα αρχεία προς δικανική αξιολόγηση. Σε ένα χαρακτηριστικό σύστημα, μια φρουρά ασφάλειας προσέχει 16 τηλεοπτικά κανάλια συγχρόνως και μπορεί να χάσει πολλά σημαντικά γεγονότα. Θα ήταν επιθυμητή η ύπαρξη ενός ευφυούς συστήματος με ικανότητα ανάλυσης του βίντεο σε πραγματικό χρόνο και προειδοποίησης του προσωπικού ασφάλειας ή ενός ημιαυτόματου συστήματος που να δίνει έμφαση στις πιθανές περιοχές ενδιαφέροντος για την περιοχή εξέτασης των μηχανών επιτήρησης για πρόληψη εγκλήματος και έλεγχο πλήθους. Η επιτήρηση ηλικιωμένων και ασθενών ανθρώπων είναι ένας άλλος σημαντικός τομέας εφαρμογών που απαιτούν αυτόματη ανάλυση video. Η ανίχνευση πραγματικού χρόνου ενός πεσμένου ατόμου είναι εξαιρετικά σημαντική για την παροχή άμεσης βοήθειας έκτακτης ανάγκης και μπορεί να αυξήσει την ποιότητα ζωής των ηλικιωμένων και ατόμων με αναπηρία. Ο ήχος ενός πεσμένου σώματος μπορεί να είναι απαραίτητος για να επιτύχει ένα ισχυρό αυτόματο σύστημα. Άλλες εφαρμογές περιλαμβάνουν την επιμέρους παρακολούθηση των μερών του σώματος και της κίνησης των ενώσεων, σε ένα βίντεο για ιατρική διάγνωση, υποστήριξη θεραπείας, έλεγχο πρόσβασης, και βελτίωση αθλητικών, καλλιτεχνικών επιδόσεων. Η συνεχής ανάπτυξη των ψηφιακών βιβλιοθηκών θα απαιτήσει προηγμένα συστήματα διεπαφής με τον χρήστη, τα οποία θα μπορούν να ερμηνεύσουν στοιχεία πολυμέσων κατά τρόπο αυτόματο. Προηγμένα συστήματα διεπαφής με τον χρήστη που θα χρησιμοποιούν ομιλία και κατανόηση ανθρώπινων κινήσεων, μπορούν να παρέχουν τον έλεγχο στην υψηλού επιπέδου αλληλεπίδραση με αυτοματοποιημένα συστήματα και βάσεις δεδομένων πολυμέσων. Η πρόσφατη έρευνα για τα συστήματα ανάκτησης εικόνας είναι βασισμένη στην εισαγωγή κειμένων, όπου οι εικόνες σχολιάζονται από το κείμενο και η ανάκτηση εκτελείται στο κείμενο. Εντούτοις, ο χειρωνακτικός σχολιασμός απαιτεί εντατική εργασία και γίνεται μη πρακτικός όταν η συλλογή είναι μεγάλη. Ένα άλλο πρόβλημα είναι η υποκειμενική φύση των λέξεων-κλειδιά (keywords). Η ίδια εικόνα ή το ίδιο βίντεο μπορεί να σχολιαστεί διαφορετικά από διαφορετικούς σχολιαστές. Επομένως, είναι επιθυμητό να υπάρξει ένα σύστημα διαχείρισης βάσεων δεδομένων βίντεο (video database management system), συμπεριλαμβανομένου ενός δικτυοκεντρικού (WEB-based) γραφικού συστήματος διεπαφής ερωτήσεων (queries), η οποία μπορεί να χειριστεί την εκτέλεση ερωτήσεων για χωροχρονικές και σημασιολογικές ιδιότητες των τηλεοπτικών δεδομένων. Μια χωροχρονική ερώτηση μπορεί να περιέχει οποιοδήποτε συνδυασμό όρων: κατευθυντικών, τοπολογικών, εμφάνισης αντικειμένου, προβολής τροχιάς, τροχιάς αντικειμένου με βάση την ομοιότητα, κ.ά. Κατ' αυτό τον τρόπο, βίντεο που περιέχουν ανθρώπινη δραστηριότητα και εικόνες όπου απεικονίζονται άνθρωποι, μπορούν να ανακτηθούν αποδοτικά από μια βάση δεδομένων. Ένα τέτοιο σύστημα μπορεί επίσης να αλληλεπιδράσει με απομακρυσμένους χρήστες μέσω Διαδικτύου, μέσω μιας γραφικής διεπαφής ερωτήσεων. Είναι επίσης επιθυμητό να υπάρξoυν συστήματα διεπαφής φυσικής γλώσσας για μηχανές διαδικτυακής αναζήτησης (web search engines). Ο χρήστης θα είναι σε θέση να πραγματοποιήσει ερωτήσεις χρησιμοποιώντας φυσική γλώσσα ή λεκτική εισαγωγή στο σύστημα. Ένα τέτοιο σύστημα μπορεί να προσελκύσει το χρήστη σε πολυμορφικό διάλογο με στόχο να περιορίσει ή να διευρύνει περαιτέρω την ερώτηση και να επιτύχει καλύτερη αντιστοιχία με τις απαιτήσεις αναζήτησης του χρήστη, και θα είναι απαραίτητο για το συνοψισμό των αποτελεσμάτων ερώτησης και την οπτικοποίηση των αποτελεσμάτων. Η επεξεργασία φυσικής γλώσσας και η κατανόηση ομιλίας έχουν χρησιμοποιηθεί ήδη πρόσφατα σε διεπαφές ανθρώπου-μηχανής. Η μηχανική όραση καλείται να συμπληρώσει τη λεκτική αναγνώριση και την κατανόηση φυσικής γλώσσας για τη φυσικότερη και ευφυέστερη επικοινωνία μεταξύ ανθρώπων και μηχανών.