Sento spesso questa domanda dagli integratori e so perché. Sul campo, un bersaglio raramente rimane completamente visibile. Recinzioni, cespugli, ombre e pali si frappongono rapidamente.
IA1 può ancora identificare molti bersagli quando più del 50% è nascosto, ma il risultato dipende dal modello, dalla scena e da quanto dettaglio chiave del corpo è ancora visibile.
Rilevamento dell'occlusione del bersaglio IA nelle telecamere di sicurezza
Quando lavoro con acquirenti B2B, non tratto mai l'occlusione come un semplice problema sì o no. La considero un mix di rilevamento, tracciamento e previsione. È qui che inizia il vero valore.
Indice dei contenuti
Il tracciamento rimarrà bloccato se una persona cammina dietro una recinzione o una fila sottile di cespugli?
Ho visto questo problema molte volte in siti esterni e so quanto possa essere fastidioso. Una persona appare chiara un momento, poi una recinzione interrompe il tracciamento il momento successivo.
Sì, il tracciamento può rimanere bloccato per un breve periodo se il sistema ha una forte logica di tracciamento2, ma il risultato dipende dalla continuità del movimento, dal disordine della scena e da quanto tempo il bersaglio rimane nascosto.
Tracciamento IA dietro recinzione e cespugli
Perché una recinzione non interrompe sempre il tracciamento
Uso questo caso per spiegare il divario tra rilevamento e tracciamento. Il rilevamento trova la persona. Il tracciamento segue la persona nel tempo. Quando una sottile recinzione o cespugli coprono parte del corpo, il sistema può ancora mantenere lo stesso ID se rimangono sufficienti indizi visivi. La forma umana, la velocità di camminata e la direzione del percorso aiutano tutti. Se il bersaglio è solo parzialmente nascosto per uno o due fotogrammi, un forte tracker di solito può mantenere il blocco. Se la persona si muove dietro piante dense o una recinzione larga per troppo tempo, la confidenza diminuisce. Quindi il sistema può perdere il bersaglio o creare un nuovo ID quando la persona ritorna. Ho scoperto che i migliori risultati provengono da telecamere con un buon controllo dell'angolazione e viste di sfondo pulite. Se installo la telecamera troppo in basso, la linea della recinzione copre troppo del corpo. Se la posiziono troppo in alto, potrei perdere i dettagli del viso e delle spalle. Quindi bilancio sempre l'angolo di visuale, la distanza e il layout della scena prima di promettere un tracciamento stabile. Per acquirenti come David, questo è importante perché un tracciamento perso può significare un evento mancato, e questo può costare denaro reale in un lavoro sul campo o in un sito remoto.
Risultati comuni in caso di occlusione parziale
| Condizione della scena | Risultato del tracciamento | Cosa mi aspetto |
|---|---|---|
| Recinzione sottile per 1-2 secondi | Di solito rimane bloccato | Buona continuità |
| I cespugli coprono solo le gambe | Spesso rimane bloccato | ID stabile se il busto è visibile |
| Cespugli fitti coprono il busto | Potrebbe cadere presto | Maggiore probabilità di perdita dell'ID |
| Lunga occlusione dietro un muro — Spesso riacquisisce in seguito — Necessita Re-ID6 supporto |
Cosa controllo nel mondo reale
Non mi fido solo di una scheda tecnica. Testo il percorso effettivo della persona. Osservo per quanto tempo la persona rimane nascosta. Verifico anche se la telecamera mantiene il corpo al centro dell'inquadratura. Un buon sistema PTZ5 può aiutare perché può seguire il movimento e zoomare di nuovo dopo che il bersaglio ritorna. In molti casi, la telecamera stessa non è il punto debole. Il punto debole è la regola software che decide quando mantenere il tracciamento e quando abbandonarlo. Se quella regola è troppo rigida, il sistema perde la persona troppo presto. Se è troppo lasca, può confondere una persona con un'altra. Di solito dico ai clienti che il tracciamento dietro una recinzione è possibile, ma non è mai magico. Funziona meglio quando la telecamera vede una sufficiente cronologia dei movimenti e una sufficiente forma del corpo prima che inizi l'ostruzione.
Come gestisce l'algoritmo di riconoscimento “basato su parti” i bersagli parzialmente nascosti?
Mi piace questa domanda perché va al cuore della moderna visione AI. Un buon modello non ha bisogno di vedere tutto. Ha bisogno di vedere le parti giuste.
A algoritmo basato su parti3 divide il bersaglio in parti del corpo visibili e può comunque effettuare una corrispondenza da quelle parti quando il corpo intero non è visibile.
Riconoscimento basato sulle parti per bersagli parzialmente nascosti
Perché le parti contano più della forma completa
Penso ai vecchi sistemi come a dei confrontatori di forme. Volevano l'intera persona o l'intero veicolo in vista. Questo è fragile. Un modello basato sulle parti funziona in modo più intelligente. Guarda la testa, le spalle, il busto, le gambe, i finestrini, le linee del tetto o l'area delle ruote. Se alcune parti sono bloccate, il modello può comunque utilizzare le parti che riesce a vedere. Questo è molto utile in siti esterni con alberi, pali e ombre in movimento. Ad esempio, se posso vedere la parte superiore del corpo, il modello potrebbe comunque dire: “questa è una persona”, perché le proporzioni del corpo umano sono ancora chiare. Se posso vedere la parte anteriore di un'auto e parte del tetto, il modello potrebbe comunque sapere che si tratta di un veicolo. Questo metodo è molto migliore di un semplice confronto di pixel. Aiuta anche con scene affollate, dove un bersaglio si sovrappone a un altro. Ma ricordo sempre ai clienti che il riconoscimento basato sulle parti non è perfetto. Se le parti visibili sono troppo piccole, troppo sfocate o troppo simili allo sfondo, il modello avrà comunque difficoltà. Nel mio lavoro, i migliori sistemi utilizzano la logica basata sulle parti insieme a indizi di movimento e cronologia dei fotogrammi. Questa combinazione fornisce al modello più contesto. Non vede solo un fotogramma congelato. Vede una storia in movimento.
Cosa guarda solitamente il modello
| Parte visibile | Utile per l'identificazione di persone | Utile per l'identificazione di veicoli |
|---|---|---|
| Testa e spalle | Alto | Basso |
| Forma del busto | Alto | Basso |
| Gambe e movimento di camminata | Medio | Basso |
| Griglia anteriore o parabrezza | Basso | Alto |
| Linea del tetto o pannello laterale | Basso | Alto |
Dove la logica basata sulle parti aiuta di più
Vedo il maggior guadagno in scene con copertura parziale ripetuta. Un cancello da fattoria, un cespuglio sul ciglio della strada o una recinzione del sito possono bloccare lo stesso bersaglio più e più volte. Un modello basato sulle parti impara che i pezzi visibili appartengono ancora insieme. Aiuta anche quando l'angolazione della telecamera non è ideale. Molte implementazioni reali non hanno viste perfette. La telecamera potrebbe essere rivolta verso una strada, un cancello o una banchina di carico dal lato. In quei casi, la forma completa dell'oggetto è spesso mancante. Un modello basato sulle parti mi dà una migliore possibilità di mantenere un rilevamento utile. Per gli acquirenti che necessitano di un output stabile in VMS7 come Pietra miliare8 o Iris blu9, questo è importante perché un migliore abbinamento dell'identità significa meno falsi allarmi e meno controlli manuali.
Dove fallisce ancora
Non voglio esagerare. Se un bersaglio è quasi completamente nascosto, il modello può sbagliare. Una giacca al vento può sembrare un corpo. Un ramo può sembrare un braccio. Un veicolo parziale può sembrare un rimorchio o un furgone cassonato quando non lo è. Ecco perché testo nel sito reale, non solo in laboratorio. L'algoritmo migliora quando i dati di addestramento includono lo stesso tipo di recinzioni, piante e illuminazione che il cliente ha in loco. Questo è uno dei motivi per cui la messa a punto OEM e ODM è importante. Il modello non deve solo essere intelligente. Deve essere ottimizzato per la scena esatta.
L'IA utilizza la previsione temporale per indovinare il percorso del bersaglio mentre è completamente occluso?
Mi affido a questa idea continuamente nel tracciamento all'aperto. Se il bersaglio scompare per un momento, il sistema non dovrebbe agire alla cieca.
Sì, molti sistemi di tracciamento AI utilizzano predizione temporale4, quindi stimano dove il bersaglio dovrebbe riapparire in base a velocità, direzione e cronologia dei movimenti recenti.
Predizione temporale durante l'occlusione completa
Come funziona la predizione in pratica
Considero la predizione temporale come un motore di ipotesi a breve termine. Il sistema osserva dove si trovava il bersaglio nei fotogrammi precedenti. Apprende la direzione di movimento e la velocità. Quindi, quando il bersaglio passa dietro un palo, un muro o un albero folto, il sistema continua a tracciare un percorso previsto. Ciò non significa che l'IA veda attraverso l'oggetto. Significa che l'IA fa una migliore ipotesi per un breve periodo. Se la persona cammina solitamente a una velocità costante, la predizione funziona bene. Se il bersaglio gira improvvisamente, si ferma o cambia direzione, l'ipotesi diventa più debole. Trovo questo particolarmente utile nel tracciamento PTZ, perché la telecamera può continuare a muoversi mentre il bersaglio è nascosto. Ciò aiuta il sistema a recuperare più velocemente quando il bersaglio riappare. Uso anche questa logica per spiegare perché una telecamera può continuare a seguire una persona per uno o due secondi dopo che la persona è uscita dalla vista chiara. Non è un errore. È un comportamento pianificato. Ma la finestra di predizione non dovrebbe essere troppo lunga. Se è troppo lunga, la telecamera potrebbe continuare a seguire uno spazio vuoto e perdere un nuovo bersaglio. I migliori sistemi mantengono la finestra breve e utilizzano il re-detection dopo la riapparizione.
Predizione a breve termine contro recupero completo
| Situazione | Valore della predizione | Rischio |
|---|---|---|
| Nascosto per meno di 1 secondo | Molto utile | Basso |
| Nascosto per 1-3 secondi | Utile | Medio |
| Nascosto per più di 3 secondi | Debole | Più alto |
| Il bersaglio cambia direzione dietro la copertura | Meno utile | Più alto |
| Il bersaglio ritorna vicino al percorso previsto | Di nuovo forte | Basso |
Perché questo è importante per i lavori all'aperto
Lavoro con clienti che utilizzano telecamere in fattorie, cancelli, bordi stradali e siti remoti. Questi luoghi presentano molte occlusioni brevi. Un operaio può passare dietro un palo di recinzione. Un camion può scomparire dietro un albero. Un visitatore può attraversare una siepe. La predizione temporale aiuta a mantenere l'evento fluido. Riduce la perdita del tracciamento e riduce lo spam di avvisi. Aiuta anche la telecamera PTZ a rimanere sul soggetto giusto invece di saltare sullo sfondo. Per David e altri acquirenti tecnici, questo è un grosso problema perché il tempo perso a causa di false interruzioni del tracciamento significa più chiamate di supporto e più visite sul posto. In luoghi remoti, quel costo è spesso maggiore dell'hardware stesso.
Cosa rende più forte la predizione
Ho scoperto tre cose che aiutano di più. Primo, il bersaglio necessita di un movimento chiaro prima dell'occlusione. Secondo, lo sfondo non dovrebbe essere troppo rumoroso. Terzo, il tracker necessita di una buona funzione di re-ID quando il bersaglio ritorna. Quando queste tre cose funzionano insieme, il sistema può gestire molti casi del mondo reale molto bene. Quando una di esse fallisce, il sistema diventa molto meno stabile. Ecco perché testo sempre l'intero flusso, non solo il punteggio di rilevamento.
Posso regolare la soglia “Tolleranza all'occlusione” per evitare di perdere il tracciamento troppo presto?
Ricevo molte richieste da integratori che desiderano un maggiore controllo. Vogliono che la telecamera mantenga il bersaglio più a lungo, ma non vogliono nemmeno falsi agganci casuali.
Sì, se il software offre un'impostazione di tolleranza all'occlusione, spesso è possibile aumentarla per mantenere il tracciamento più a lungo, ma la regolo sempre con attenzione perché un valore più alto può anche aumentare i falsi positivi.
Regolazione della soglia di tolleranza all'occlusione
Perché la regolazione della soglia non è universale
Tratto la regolazione della soglia come un equilibrio su una linea sottile. Se imposto la tolleranza troppo bassa, il sistema perde il bersaglio non appena una parte del corpo viene bloccata. Ciò crea tracciamenti interrotti e allarmi mancati. Se la imposto troppo alta, il sistema può mantenere un tracciamento errato attivo troppo a lungo. Quindi può seguire un oggetto sbagliato, creando confusione nel VMS. Il valore giusto dipende dal sito. Una fattoria con spazio aperto potrebbe richiedere un'impostazione diversa da un cancello trafficato con molte persone e veicoli. Un sito con cespugli radi potrebbe richiedere un'impostazione diversa da un cortile di magazzino con molti pali. Di solito inizio con clip di test dall'ambiente reale. Quindi regolo la tolleranza passo dopo passo. Osservo due cose contemporaneamente: quanto spesso il sistema perde il bersaglio reale e quanto spesso mantiene uno falso. Questo mi dà una visione chiara del compromesso. Una buona regolazione dovrebbe ridurre le perdite precoci senza rendere il sistema pigro. Dovrebbe aiutare l'IA a rimanere onesta, non solo attaccata.
Una semplice guida alla regolazione
| Scelta della regolazione | Effetto sul tracciamento | Livello di rischio |
|---|---|---|
| Tolleranza inferiore | Perde il bersaglio più velocemente | Tracciamenti mancati |
| Tolleranza media | Comportamento equilibrato | Ideale per molti siti |
| Tolleranza superiore | Mantiene il bersaglio più a lungo | Più falsi agganci |
| Tolleranza molto alta | Tracciamento molto persistente | Rischio di bersaglio errato |
Cosa consiglio prima di cambiare la soglia
Di solito dico ai clienti di controllare prima la configurazione della telecamera. Se l'angolazione è scarsa, nessuna soglia può risolvere il problema. Se il bersaglio è troppo piccolo nell'inquadratura, il modello ha troppo pochi dettagli. Se l'illuminazione è debole, l'IA potrebbe perdere il contorno del corpo troppo presto. Quindi sistemo la scena prima di cambiare il software. Poi esamino l'impostazione dell'occlusione. Verifico anche se il sistema supporta la verifica multi-frame10, perché può aiutare molto. Se l'IA può confermare un bersaglio attraverso più frame, può sopravvivere a brevi coperture senza cadere troppo velocemente. Per gli acquirenti che tengono alla stabilità e ai bassi costi di assistenza, questo tipo di messa a punto è spesso la differenza tra una buona implementazione e un mal di testa di supporto.
Conclusione
Posso identificare e tracciare molti bersagli attraverso una forte occlusione, ma il miglior risultato dipende dalla visione basata sulle parti, dalla predizione del movimento e da un'attenta messa a punto della soglia.
1. Impara le basi dell'intelligenza artificiale e il suo ruolo nella visione artificiale. ︎↩︎ 2. Esplora diversi approcci al tracciamento video e come la logica mantiene l'identità del bersaglio nel tempo. ︎↩︎ 3. Impara come i modelli basati sulle parti rilevano gli oggetti identificando e abbinando i componenti visibili. ︎↩︎ 4. Comprendi come la predizione temporale (spesso tramite filtri di Kalman) stima le future posizioni dei bersagli in base alla cronologia dei movimenti. ︎↩︎ 5. Scopri le telecamere pan-tilt-zoom e come possono essere utilizzate per il tracciamento attivo. ︎↩︎ 6. Scopri come gli algoritmi di re-identificazione riassegnano l'identità a un bersaglio dopo la riapparizione. ︎↩︎ 7. Comprendi i sistemi di gestione video e il loro ruolo nell'integrazione dei flussi delle telecamere di sicurezza. ︎↩︎ 8. Visita Milestone Systems, un fornitore leader di soluzioni VMS open-platform. ︎↩︎ 9. Scopri Blue Iris, un popolare software di videosorveglianza per telecamere IP. ︎↩︎ 10. Impara come la verifica multi-frame migliora l'accuratezza confermando le rilevazioni attraverso frame consecutivi. ︎↩︎