reklama
reklama
reklama
reklama
reklama
© rob bouwman dreamstime.com Technologie | 28 listopada 2017

Inteligentna analiza wideo w urz膮dzeniach IoT (cz.I)

Od dzisiejszych system贸w wideo wymaga si臋 coraz wi臋kszej szczeg贸艂owo艣ci i jako艣ci obrazu. Jest to wyra藕nie widoczne w obliczu rosn膮cej popularno艣ci inteligentnych funkcji analizy obrazu. Analiza wideo lub analiza tre艣ci wideo nie jest zagadnieniem nowym. Istnieje ju偶 od przesz艂o 25 lat i z czasem znacznie dojrza艂a. Obecnie inteligentne funkcje analizy obrazu s膮 ju偶 coraz cz臋艣ciej wbudowywane w aplikacje wideo dzia艂aj膮ce w ramach Internetu przedmiot贸w (IoT).
Wi臋kszo艣膰 dzisiejszych danych analizowana jest centralnie, cz臋sto w chmurze, gdzie r贸wnie偶 jest przechowywana. Wymaga to sporej ilo艣ci miejsca i du偶ych przepustowo艣ci, co bywa kosztowne i mo偶e ogranicza膰 transfer innych danych. Przesy艂any materia艂 do chmury w wi臋kszo艣ci nie jest wykorzystywany, a jedynie obci膮偶a sie膰. Obecnie dost臋pne s膮 ju偶 rozwi膮zania wbudowane, wykorzystuj膮ce funkcje analizy najnowszej generacji zwane rozporoszonymi lub brzegowymi. Ich zadaniem jest odfiltrowanie i interpretacja danych na kraw臋dzi, tak aby tylko te wa偶ne by艂y przesy艂ane do chmury w celu ich przetworzenia. Jednak i one posiadaj膮 swoje ograniczenia. Wi臋kszo艣膰 aplikacji koncentruje si臋 na analizie predykcyjnej i behawioralnej, kt贸re bazuj膮 na danych historycznych i informacjach z codziennego 艣wiata. S膮 dwa g艂贸wne powody takiego stanu rzeczy: zapewnienie bezpiecze艅stwa oraz nadz贸r nad infrastruktur膮 a nawet spo艂ecze艅stwem. Dzisiejsze aplikacje wideo wykorzystywane s膮 do rozpoznawania twarzy, tablic rejestracyjnych, liczenia ludzi, monitorowania ruchu, 艣ledzenia obiekt贸w czy kontroli o艣wietlenia miejskiego. Zebrane w nich informacje mog膮 by膰 rozlegle przetwarzane na wy偶szym poziomie przez chmury obliczeniowe. Jednak ju偶 ich dog艂臋bne przetwarzanie nie jest mo偶liwe. Z pomoc膮 przychodzi analiza w w臋z艂ach (Node Analytics) i obrazowanie logarytmiczne (Logarithmic Imaging).


Rysunek 1. Konwencjonalna liniowa ekspozycja obrazu


Rysunek 2. Ekspozycja logarytmiczna z wykorzystaniem modu艂u ADIS17002


Rysunek 3. Ekspozycja logarytmiczna z wbudowanym wykrywaniem kraw臋dzi, z wykorzystaniem modu艂u ADIS17002
Poprzez dodanie analizy w w臋z艂ach brzegowych sieci (np. wideokamerach, czujnikach), mo偶na znacznie poprawi膰 analiz臋 materia艂u wideo i tym samym ograniczy膰 lub ca艂kiem wyeliminowa膰 komunikacj臋 z chmur膮. Przetwarzanie w chmurze wymaga dwu lub nawet trzy krotnie wi臋kszej przepustowo艣ci, ni偶 potrzebuj膮 tego aplikacje z zaimplementowan膮 funkcj膮 analizy w w臋z艂ach. Model rozproszonego przetwarzania danych umo偶liwia lokalne podejmowanie decyzji i redukuje wiele problem贸w zwi膮zanych z op贸藕nieniami, bezpiecze艅stwem, przepustowo艣ci膮 i zu偶yciem energii. G臋sto zaludnione miejsca, 藕le zarz膮dzane odcinki ruchu oraz parkingi miejskie to tylko niekt贸re ze skomplikowanych przestrzeni, w kt贸rych do analizy predykcyjnej i behawioralnej mo偶na wykorzysta膰 analiz臋 w w臋z艂ach. Opr贸cz ukrytej inteligencji w w臋藕le, dodanie obrazowania logarytmicznego w kamerach mo偶e wzmocni膰 te systemy, zapewniaj膮c zalety w obszarach, w kt贸rych konwencjonalne kamery s膮 nie wystarczaj膮ce. Kamery logarytmiczne zapewniaj膮 znacznie wi臋kszy zakres dynamiki przetwarzania obrazu, uniezale偶niaj膮c go przy tym od zmian w jasno艣ci otoczenia. Pojawiaj膮ce si臋 cienie, odbicia, gwa艂towne zmiany o艣wietlenia i obrazy o wysokim kontra艣cie to obszary, w kt贸rych obraz logarytmiczny mo偶e przewy偶sza膰 ten konwencjonalny. Rozwi膮zanie tych problem贸w w aplikacjach wideo mo偶e wzmocni膰 przechwytywanie danych a tym samym analiz臋 w w臋藕le.

Nowe mo偶liwo艣ci, kt贸re daje analiza w w臋z艂ach i obrazowanie logarytmiczne mog膮 pom贸c w rozwi膮zywaniu trudno艣ci technicznych w aplikacjach do analizy wideo dzia艂aj膮cych w ramach Internetu przedmiot贸w. Do najwa偶niejszych problem贸w zwi膮zanych z IoT nale偶y: bezpiecze艅stwo transferu danych, op贸藕nienie w podejmowaniu decyzji, przepustowo艣膰 i moc obliczeniowa. Dzi臋ki eliminacji transmisji danych, problemy te mog膮 zosta膰 znacznie zredukowane. Dlatego analiza typu "at-the-node" jest atrakcyjna dla aplikacji IoT. W aplikacjach do analizy wideo ograniczony kontrast i zale偶no艣膰 od jasno艣ci s膮 powszechnym problemem. Dzi臋ki obrazowaniu logarytmicznemu trudno艣ci te zosta艂y praktycznie rozwi膮zane. Po艂膮czenie obu tych mo偶liwo艣ci - analizy w w臋z艂ach i obrazowania logarytmicznego pozwala na dog艂臋bn膮 analiz臋 materia艂u wideo w aplikacjach IoT.

Inteligencja w urz膮dzeniach brzegowych

Przetwarzaj膮c dane w urz膮dzeniach brzegowych w oparciu o oczekiwane zdarzenia wizualne, mo偶na szybko je przekszta艂ci膰. Ta szybka analiza wideo pozwala na lokalny proces podejmowania decyzji, co eliminuje op贸藕nienie powsta艂e w wyniku ich przesy艂ania do chmury. Poprzez wyeliminowanie przesy艂ania danych zwi臋kszone zostaje ich bezpiecze艅stwo, kt贸re normalnie wprowadza ryzyko ich przechwycenia. Jedynie najbardziej znacz膮ce informacje musz膮 zosta膰 przes艂ane do chmury w celu predykcyjnego lub behawioralnego przetwarzania. Zoptymalizowany podzia艂 danych pozwala na zwi臋kszenie dost臋pu do chmury, poniewa偶 nie jest potrzebna pe艂na przepustowo艣膰 do analizy ramki wideo. W nieruchomych kamerach wi臋kszo艣膰 danych pomi臋dzy poszczeg贸lnymi ramkami jest statyczna i mo偶na je ju偶 odfiltrowa膰 w w臋藕le. Analiza wideo w w臋藕le kraw臋dziowym mo偶e zapobiec wielu interpretacjom obrazu i tym samym pozwala na dok艂adne i niezawodne rozr贸偶nienie oczekiwanych typ贸w obiekt贸w: samochodu, ci臋偶ar贸wki, roweru, cz艂owieka, zwierz臋cia, itp. itd. Ta decymacja sygna艂u zmniejsza ilo艣膰 potrzebnych do przes艂ania danych i zwi膮zan膮 z tym moc obliczeniow膮, kt贸re niew膮tpliwie by艂by potrzebne do pe艂nej analizy na serwerze w chmurze. Zmniejszenie przepustowo艣ci pozwoli jednocze艣nie na zwolnienie mocy obliczeniowych serwer贸w w chmurze, co jest niew膮tpliw膮 zalet膮 oferowan膮 przez inteligentn膮 analiz臋 w urz膮dzeniach brzegowych.

Obrazowanie logarytmiczne


Aplikacje do analizy wideo mog膮 zosta膰 r贸wnie偶 ulepszone, poprzez rozwi膮zanie typowych problem贸w z konwencjonalnymi przetwornikami obrazu. Wi臋kszo艣膰 z nich jest liniowa. Piksele generuj膮 napi臋cie, kt贸re jest liniow膮 funkcj膮 艣wiat艂a, co skutkuje ograniczonym kontrastem. Kamery liniowe wykorzystuj膮 r贸wnie偶 jednorodn膮 faz臋 ekspozycji, kt贸ra ogranicza ich zakres dynamiczny do czasu ekspozycji w ramach trwania jednej klatki. Dodatkowo, konwencjonalny kontrast obrazu jest zale偶ny od jasno艣ci (luminancji), kt贸ra powoduje problemy zwi膮zane z odbiciem. Te typowe przeszkody mog膮 by膰 wyeliminowane poprzez u偶ycie logarytmicznego przetwornika, z kt贸rego generowane napi臋cie jest logarytmiczn膮 funkcj膮 艣wiat艂a. R贸偶nice pomi臋dzy tradycyjnym obrazem a obrazowaniem logarytmicznym mo偶na zaobserwowa膰 na rysunkach 1, 2 i 3.

Artyku艂 opublikowano dzi臋ki uprzejmo艣ci 漏 Analog Devices
reklama
reklama
Za艂aduj wi臋cej news贸w
January 17 2019 14:20 V11.11.0-2