{"id":1139,"date":"2014-07-15T11:24:12","date_gmt":"2014-07-15T09:24:12","guid":{"rendered":"http:\/\/www.aitech-solutions.eu\/?p=1139"},"modified":"2016-12-15T10:13:54","modified_gmt":"2016-12-15T09:13:54","slug":"la-video-analisi-al-servizio-del-monitoraggio-del-traffico","status":"publish","type":"post","link":"https:\/\/www.aitech.vision\/it\/2014\/07\/15\/la-video-analisi-al-servizio-del-monitoraggio-del-traffico\/","title":{"rendered":"La video analisi al servizio del monitoraggio del traffico"},"content":{"rendered":"

Una macchina che sfreccia a velocit\u00e0 eccessiva ignorando i limiti di velocit\u00e0, un\u2019altra che imbocca l\u2019autostrada contromano minacciando l\u2019incolumit\u00e0 degli altri veicoli o che effettua un\u2019inversione ad U in prossimit\u00e0 di una curva pericolosa, o ancora un incendio che divampa internamente a una galleria. Quanto la tecnologia pu\u00f2 favorire la prevenzione di catastrofi come queste? Si pensi a una telecamera che inquadra la scena e a un sistema computerizzato che analizza i video in tempo reale, identifica le situazioni di pericolo e lancia un allarme allertando le autorit\u00e0 competenti per un immediato intervento. No, non \u00e8 fantascienza! \u00c8 \u201csolo\u201d la video analisi al servizio della sicurezza e del monitoraggio del traffico<\/strong>, ci\u00f2 che in A.I. Tech piace definire \u201cLa visione del Futuro. Oggi\u201d.<\/p>\n


\nAbituati agli scenari delle pi\u00f9 recenti serie televisive di genere investigativo, come CSI, ci sembra che tutto questo sia banale, che una soluzione completa al problema della sicurezza cittadina sia gi\u00e0 disponibile, che i sistemi di video analisi possano riuscire in qualsiasi cosa semplicemente e con la massima accuratezza. \u00c8 senz’altro vero che la video analisi pu\u00f2 fare quanto citato e molto altro ancora, ma le soluzioni di mercato sono realizzate da pochissime aziende nella maggior parte dei casi estremamente specializzate, connesse al mondo della ricerca universitaria, il solo ambito che pu\u00f2 fornire le competenze scientifiche necessarie a realizzare i sofisticati algoritmi alla base di suddetti sistemi; tra queste, gli spin-off universitari<\/strong>, che includono docenti universitari nella maggioranza della compagine sociale, cos\u00ec da realizzare sinergie inimmaginabili tra ricerca scientifica e progettazione di prodotti avanzati.<\/span><\/p>\n

E tornando alla video analisi, tale tecnologia, oltre che sulla sicurezza, pu\u00f2 avere un significativo impatto anche sul monitoraggio<\/strong> e sulla caratterizzazione del traffico<\/strong>, mediante l’acquisizione dei dati ottenuti dall’elaborazione dei filmati acquisiti dalle telecamere. La sua adozione permette di conseguire una notevole riduzione dei costi di manutenzione, un incremento della flessibilit\u00e0 e una semplificazione dell\u2019infrastruttura tecnologica della soluzione, non richiedendo alcun tipo di sensore aggiuntivo.
\nIl conteggio del numero dei veicoli, eventualmente distinti per tipologia (auto, motocicli, camion etc), la stima della densit\u00e0 del traffico, lo stato dei posti liberi e occupati nei parcheggi sono alcuni semplici esempi che, sommati a quelli in precedenza citati, offrono maggiore consapevolezza delle innumerevoli potenzialit\u00e0 della video analisi nel settore delle applicazioni di sicurezza in ambito cittadino<\/strong>.
\nE ora, confidando nella curiosit\u00e0 per tali soluzioni intelligenti e nel desiderio di carpirne tutte le potenzialit\u00e0 in vari contesti applicativi, non ci resta che proporvi una possibile classificazione delle funzionalit\u00e0 dei sistemi per il monitoraggio del traffico basati su analisi video.<\/p>\n

Verifica delle anomalie<\/strong>: una parte fondamentale di un buon sistema per il monitoraggio del traffico riguarda il rilevamento di anomalie: marcia in senso vietato, inversioni a U, eccessi di velocit\u00e0 sono, come anticipato all’inizio di questa pillola, i principali esempi di irregolarit\u00e0 che un sistema di monitoraggio del traffico deve riconoscere, per i quali gli algoritmi avanzati di visione artificiale, se utilizzati da soli, non sono sufficienti. Difatti, il sistema deve essere in grado di \u201capprendere\u201d, attraverso tecniche di Machine Learning<\/strong>, i comportamenti tipici in una particolare strada attraverso l\u2019analisi di un certo numero di esempi e di valutare, in conseguenza, se e quanto il comportamento di un veicolo (traiettoria) sia simile a uno di quelli consentiti, in precedenza appresi. Se la somiglianza non \u00e8 sufficientemente elevata, allora il comportamento associato al veicolo \u00e8 considerato anomalo.<\/p>\n

Rilevamento di incendi<\/strong>: il limite pi\u00f9 grande degli attuali sistemi hardware antifumo risiede nel loro raggio d\u2019azione. Un singolo sensore, sebbene altamente affidabile, non \u00e8 in grado di effettuare il riconoscimento di un incendio se non a distanza di pochi metri; inoltre in presenza di un allarme non consente di fornire un\u2019evidenza visuale a un operatore umano, cosicch\u00e9 possa verificare in remoto cosa stia realmente accadendo. Al contrario, la video analisi permette non solo notevolissimi risparmi, rendendo possibile con un\u2019unica telecamera il controllo di aree estese fino a diverse centinaia di metri, ma anche di identificare fumo e fiamme combinando in modo intelligente informazioni basate sul colore e sul movimento delle due tipologie di fenomeno, riducendo drasticamente i falsi positivi. Ne \u00e8 un esempio AI-Fire<\/a>, uno dei pi\u00f9 promettenti prodotti di A.I. Tech, che vi invitiamo ad approfondire e eventualmente a provare!<\/p>\n

Conteggio dei veicoli<\/strong>: l’Idea alla base non \u00e8 molto diversa dalle spire hardware che vengono annegate nell’asfalto e che, sfruttando il principio di induzione magnetica, sono in grado di verificare il transito di veicoli. Peccato per\u00f2 che tali spire non siano in grado di classificare i veicoli o stimarne la velocit\u00e0 (a meno di usare quelle multiple) e che un\u2019eventuale necessit\u00e0 di spostamento del punto in cui si desidera effettuare il rilevamento abbia dei costi esageratamente elevati: un lavoro di ristrutturazione della strada contro un click del mouse, migliaia di euro contro pochi secondi di configurazione. Ma come funzionano i sistemi di conteggio basati sulla video analisi? L\u2019utente disegna una o pi\u00f9 spire virtuali, di forma quadrangolare come quella mostrata in figura 1<\/strong>, a ognuna delle quali \u00e8 associata una direzione; se un veicolo attraversa quella regione, il sistema incrementa il conteggio. Non credi sia possibile? Prova AI-Road<\/a>!<\/p>\n

Rilevamento targhe<\/strong>: le multe sono lo spauracchio di molti guidatori. Ma non si pensi che per l\u2019operatore addetto al controllo il compito sia particolarmente gratificante: visionare ore e ore di filmati, su autostrade o zone a traffico limitato, mettere in pausa il filmato quando transita un veicolo e leggerne la targa. Perch\u00e9 non farlo fare quindi ad un sistema intelligente, addestrato utilizzando i pi\u00f9 avanzati algoritmi di visione artificiale? \u00c8 proprio questo il compito dei sistemi di rilevamento targhe: non appena viene rilevata l\u2019infrazione (ovviamente in maniera automatica!), il sistema utilizza informazioni di tipo geometrico (ad esempio il posizionamento delle targhe rispetto al veicolo in movimento) per localizzare la posizione della targa e tecniche avanzate di riconoscimento di caratteri per identificarla.<\/p>\n

L\u2019integrazione dei dati<\/strong>: ora che abbiamo analizzato, senza pretesa di completezza, i vari ambiti applicativi, come facciamo a metterli a fattore comune, sfruttando la potenzialit\u00e0 dell\u2019integrazione dei dati? Sembra una domanda teorica, di principio, ma un sistema di monitoraggio del traffico che si rispetti deve necessariamente essere dotato di funzioni di aggregazione di dati, di un cruscotto informativo che permette di avere a portata di mano tutte le informazioni provenienti dalla molteplicit\u00e0 dei diversi sensori \u201cvisuali\u201d, ossia dai differenti applicativi di cui abbiamo parlato. Il motivo? La possibilit\u00e0 di rispondere alle seguenti domande: quanti veicoli sono presenti in media ogni giorno nel parcheggio? Quanti veicoli sono attualmente presenti nel parcheggio o nel centro storico? Quante macchine e quanti camion entrano sull’autostrada attraversando una barriera? Quanto varia la lunghezza di una coda in prossimit\u00e0 delle diramazioni di un incrocio semaforizzato se si modifica la sua temporizzazione? Queste e molte altre sono le domande a cui AI-Glance<\/a> pu\u00f2 rispondere, come si evince dalla schermata mostrata in figura 2<\/strong>.
\nA questo punto, non vi resta che scegliere la soluzione pi\u00f9 adatta, tra quelle sopra menzionate, e provare!<\/p>\n

\"Conteggio\"Conteggio<\/p>\n

Figura 1<\/strong>: Due spire virtuali (una rossa e una blu, con differenti versi di percorrenza) disegnate dall’utente per il conteggio di veicoli: non appena un veicolo attraversa una spira nella giusta direzione, il contatore associato viene incrementato.<\/p>\n

\"AI-Glance\"<\/p>\n

Figura 2<\/strong>: Un esempio di cruscotto interattivo con cui l\u2019utente pu\u00f2 tenere tutto a portata di mano: AI-Glance<\/a>! Questo permette di visualizzare su una mappa una serie di informazioni relative al numero di veicoli che entrano e escono dal territorio monitorato (nell’esempio un parcheggio), combinando opportunamente le informazioni provenienti dai diversi sensori.<\/p>\n

\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Una macchina che sfreccia a velocit\u00e0 eccessiva ignorando i limiti di velocit\u00e0, un\u2019altra che imbocca l\u2019autostrada contromano minacciando l\u2019incolumit\u00e0 degli altri veicoli o che effettua un\u2019inversione ad U in prossimit\u00e0 di una curva pericolosa, o ancora un incendio che divampa internamente a una galleria. Quanto la tecnologia pu\u00f2 favorire la prevenzione di catastrofi come queste?…<\/p>\n","protected":false},"author":3,"featured_media":6483,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[50],"tags":[135,102,136,137,138,139,140],"_links":{"self":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts\/1139"}],"collection":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/comments?post=1139"}],"version-history":[{"count":1,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts\/1139\/revisions"}],"predecessor-version":[{"id":6484,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts\/1139\/revisions\/6484"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/media\/6483"}],"wp:attachment":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/media?parent=1139"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/categories?post=1139"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/tags?post=1139"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}