Analisi video in tempo reale con telecamera Bosch in C.N.R.

Abstract

Abstract Questa tesi investiga le capacità e l'efficacia della telecamera Bosch DINION IP starlight 6000i IR nell'analisi video in tempo reale per vari scenari di sorveglianza. La ricerca include una vasta revisione della letteratura, esplorando le tecniche chiave nell'analisi video, come il rilevamento degli oggetti, il tracciamento degli oggetti, il riconoscimento delle attività e il rilevamento delle anomalie. Tecniche come gli istogrammi dei gradienti orientati (HOG) e le reti neurali convoluzionali (CNN) sono state evidenziate per il rilevamento degli oggetti, mentre i progressi come Faster R-CNN e le Long-term Recurrent Convolutional Networks (LRCN) sono stati fondamentali per il tracciamento e il riconoscimento delle attività. Sono stati esaminati i moderni sistemi di sorveglianza che integrano l'analitica video intelligente (IVA), concentrandosi sulla loro transizione da analogico a digitale e sfruttando tecniche avanzate di apprendimento automatico. La telecamera Bosch DINION IP starlight 6000i IR è stata dettagliata per la sua immagine ad alta risoluzione e l'analitica robusta, rendendola adatta a varie condizioni ambientali. La metodologia ha comportato l'installazione della telecamera Bosch in diverse località, la cattura di filmati video e la pre-elaborazione dei dati per l'addestramento del modello utilizzando strumenti come OpenCV. Sono stati sviluppati e valutati modelli di deep learning per il rilevamento degli oggetti (Faster R-CNN), il tracciamento (LRCN) e l'analisi dei comportamenti (modelli a cascata profonda) utilizzando metriche come precisione, richiamo e Mean Average Precision (MAP). L'integrazione con soluzioni software come AiVu NVR e AiVu Smart Modules ha facilitato la registrazione video in tempo reale, l'accesso sicuro e l'analitica avanzata, migliorando significativamente la funzionalità del sistema di sorveglianza. Gli esperimenti hanno testato la telecamera in varie condizioni, come diversi ambienti di illuminazione e tipi di at

Abstract This thesis investigates the capabilities and effectiveness of the Bosch DINION IP starlight 6000i IR camera in real-time video analysis for various surveillance scenarios. The research includes an extensive literature review, exploring key techniques in video analysis, such as object detection, object tracking, activity recognition, and anomaly detection. Techniques such as histograms of oriented gradients (HOG) and convolutional neural networks (CNNs) were highlighted for object detection, while advancements like Faster R-CNN and Long-term Recurrent Convolutional Networks (LRCNs) were pivotal for tracking and activity recognition. Modern surveillance systems integrating intelligent video analytics (IVA) were reviewed, focusing on their transition from analog to digital and leveraging advanced machine learning techniques. The Bosch DINION IP starlight 6000i IR camera was detailed for its high-resolution imaging and robust analytics, making it suitable for various environmental conditions. The methodology involved setting up the Bosch camera in diverse locations, capturing video footage, and preprocessing data for model training using tools like OpenCV. Deep learning models for object detection (Faster R-CNN), tracking (LRCN), and behavior analysis (deep-cascade models) were developed and evaluated using metrics such as precision, recall, and Mean Average Precision (MAP). Integration with software solutions like AiVu NVR and AiVu Smart Modules facilitated real-time video recording, secure access, and advanced analytics, significantly enhancing the surveillance system's functionality. Experiments tested the camera under various conditions, such as different lighting environments and activity types, demonstrating high detection accuracy, especially in daylight and controlled indoor settings. Key findings include the camera's high detection accuracy, adaptability to diverse environments and activities, and effective integration with advanced analytics. Ho