İster konser, miting, gösteri veya ticaret fuarı olsun: Büyük kalabalıklarda güvenliği – ve bir pandemi zamanlarında da konukların sağlığını – sağlamak için, tam olarak kaç ziyaretçinin geldiğini bilmek önemlidir. Bu yıl yeni bir özellik eklendi: enfeksiyona karşı koruma. Bu geniş anlamda güvenliği sağlamak için, doğru katılımcı sayıları bugün eskisinden daha da önemli hale geldi.
Alman Havacılık ve Uzay Merkezi’ndeki (DLR) fotogrametri ve görüntü analizi uzmanları, fotoğraf ve videolardaki insanları otomatik olarak saymak için bir ‘öğrenme algoritması’ geliştirdi. Vurgu: Algoritma, çok çeşitli kaynaklardan ve niteliklerden görüntü malzemesinin kullanılmasına izin verir. Yapay zeka yöntemleri kullanılarak sistem, görüntülerdeki insanlara özgü kenarları ve konturları tanıyacak şekilde eğitildi. Ve bu gerçek zamanlı olarak ve veri koruma düzenlemelerine uygun olarak, çünkü hiç kimse tanımlanamıyor, sadece sayılıyor veya kaydediliyor.
Güvenilir otomatik tahminler – değişen koşullarda bile
“Geçenlerde bir kişinin bir mitingde akıllı telefonuyla çektiği bir YouTube videosunu değerlendirdik. Bazı kayıtlar bulanıktı. Kaynak malzemenin kalitesi söz konusu olduğunda algoritma tutumlu. DLR Uzaktan Algılama Teknolojisi Enstitüsü’nden Dr. Reza Bahmanyar, özellikle yüksek çözünürlüklü veya eski tarihli sabit tripod” diyor. “Sistemin tahmin ettiği katılımcı sayısı zaten şaşırtıcı bir şekilde polisin verdiği bilgilere yakındı. Elbette hala önemli bir hata oranımız var. Sistem geliştikçe bu oran önemli ölçüde düşecek.”
Bir kayıt sırasında aydınlatma durumunun, kamera konumunun, kayıt kalitesinin veya kamera açısının değişmesinden bağımsız olarak: sistem, çok dinamik olarak değişen görüntü parametrelerinde bile nispeten doğru tahminler sağlamayı başarır. Zaman zaman, yapay zeka tabanlı sistemin insanları grafik göstergelerle kaydetme ve – kişileri tanımlamadan – sayılarını tahmin etme doğruluğu artıyor. DLR uzmanı Bahmanyar, “Yalnızca istatistiksel değerleri saklıyoruz, görüntüleri veya kişisel verileri saklamıyoruz. Yöntemimiz gizliliği ihlal etmiyor” diyor.
Cep telefonu videosu söz konusu olduğunda ekip, görüntüdeki “ilgi alanı” olarak adlandırılan kalabalığın hareket hızını, yani analiz için kullanılan kaynak materyaldeki görüntü bölümünü ve örnekleme oranını manuel olarak belirledi. . Örnekleme oranı, sistem tarafından analiz edilen bireysel görüntülerin farklı insanları gösterecek şekilde insanların akışının akış hızına göre seçilir. Bu şekilde, araştırmacılar katılımcıların iki kez sayılmamasını sağlar.
Kamera parametreleri önceden biliniyorsa tüm süreç daha da otomatikleştirilebilir: kalıcı olarak kurulmuş genel bakış kameralarından kayıt yapılırken görüntü bölümü ve örnekleme oranı otomatik olarak gerçekleşebilir. Sonuç olarak – ve kameranın görüş hattı ile kalabalığın hareket yönü arasındaki açı ne kadar büyükse, insanlar birbirini o kadar az kapsadığından – tahminler daha doğru olur. Ve görüntü kalitesi ne kadar yüksek olursa, sayımlar da o kadar iyi olur. Ayrıca sistem hem kalabalık hem de kamera hareket halindeyken çalıştığı için kameralı drone gibi uçan platformlardan alınan görüntüleri analiz etmek mümkün oluyor.
Öğrenilen öğrenilir
DLR Uzaktan Algılama Teknolojisi Enstitüsü’nden bir ekip, algoritmayı insanları algılaması için eğitti. Derin bir sinir ağına dayanan sistem, çok çeşitli başka alanlara da uygulanabilir. AI algoritmasının diğer özellikleri tanımasını öğretmek için yalnızca eğitim süresi ve sayısı yeterlidir. Örneğin, yüzeylerdeki kusurları tespit ederek kalite güvencesinde veya su altı görüntülerindeki plankton gibi parçacıkların sayısını tahmin etmek için çevresel izlemede uygulama bulabilir.
Alman Havacılık ve Uzay Merkezi’ndeki (DLR) fotogrametri ve görüntü analizi uzmanları, fotoğraf ve videolardaki insanları otomatik olarak saymak için bir ‘öğrenme algoritması’ geliştirdi. Vurgu: Algoritma, çok çeşitli kaynaklardan ve niteliklerden görüntü malzemesinin kullanılmasına izin verir. Yapay zeka yöntemleri kullanılarak sistem, görüntülerdeki insanlara özgü kenarları ve konturları tanıyacak şekilde eğitildi. Ve bu gerçek zamanlı olarak ve veri koruma düzenlemelerine uygun olarak, çünkü hiç kimse tanımlanamıyor, sadece sayılıyor veya kaydediliyor.
Güvenilir otomatik tahminler – değişen koşullarda bile
“Geçenlerde bir kişinin bir mitingde akıllı telefonuyla çektiği bir YouTube videosunu değerlendirdik. Bazı kayıtlar bulanıktı. Kaynak malzemenin kalitesi söz konusu olduğunda algoritma tutumlu. DLR Uzaktan Algılama Teknolojisi Enstitüsü’nden Dr. Reza Bahmanyar, özellikle yüksek çözünürlüklü veya eski tarihli sabit tripod” diyor. “Sistemin tahmin ettiği katılımcı sayısı zaten şaşırtıcı bir şekilde polisin verdiği bilgilere yakındı. Elbette hala önemli bir hata oranımız var. Sistem geliştikçe bu oran önemli ölçüde düşecek.”
Bir kayıt sırasında aydınlatma durumunun, kamera konumunun, kayıt kalitesinin veya kamera açısının değişmesinden bağımsız olarak: sistem, çok dinamik olarak değişen görüntü parametrelerinde bile nispeten doğru tahminler sağlamayı başarır. Zaman zaman, yapay zeka tabanlı sistemin insanları grafik göstergelerle kaydetme ve – kişileri tanımlamadan – sayılarını tahmin etme doğruluğu artıyor. DLR uzmanı Bahmanyar, “Yalnızca istatistiksel değerleri saklıyoruz, görüntüleri veya kişisel verileri saklamıyoruz. Yöntemimiz gizliliği ihlal etmiyor” diyor.
Cep telefonu videosu söz konusu olduğunda ekip, görüntüdeki “ilgi alanı” olarak adlandırılan kalabalığın hareket hızını, yani analiz için kullanılan kaynak materyaldeki görüntü bölümünü ve örnekleme oranını manuel olarak belirledi. . Örnekleme oranı, sistem tarafından analiz edilen bireysel görüntülerin farklı insanları gösterecek şekilde insanların akışının akış hızına göre seçilir. Bu şekilde, araştırmacılar katılımcıların iki kez sayılmamasını sağlar.
Kamera parametreleri önceden biliniyorsa tüm süreç daha da otomatikleştirilebilir: kalıcı olarak kurulmuş genel bakış kameralarından kayıt yapılırken görüntü bölümü ve örnekleme oranı otomatik olarak gerçekleşebilir. Sonuç olarak – ve kameranın görüş hattı ile kalabalığın hareket yönü arasındaki açı ne kadar büyükse, insanlar birbirini o kadar az kapsadığından – tahminler daha doğru olur. Ve görüntü kalitesi ne kadar yüksek olursa, sayımlar da o kadar iyi olur. Ayrıca sistem hem kalabalık hem de kamera hareket halindeyken çalıştığı için kameralı drone gibi uçan platformlardan alınan görüntüleri analiz etmek mümkün oluyor.
Öğrenilen öğrenilir
DLR Uzaktan Algılama Teknolojisi Enstitüsü’nden bir ekip, algoritmayı insanları algılaması için eğitti. Derin bir sinir ağına dayanan sistem, çok çeşitli başka alanlara da uygulanabilir. AI algoritmasının diğer özellikleri tanımasını öğretmek için yalnızca eğitim süresi ve sayısı yeterlidir. Örneğin, yüzeylerdeki kusurları tespit ederek kalite güvencesinde veya su altı görüntülerindeki plankton gibi parçacıkların sayısını tahmin etmek için çevresel izlemede uygulama bulabilir.