RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC

Dimension: px

Commencer à balayer dès la page:

Download "RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC"

Micheline Rancourt
il y a 8 ans
Total affichages :

1 RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains Vincent DELCOURT ASC 1

2 Contexte: Introduction: Besoin Les actes de malveillance et les agressions sur le réseau SNCF ont augmenté ces dernières années => dégradation du sentiment de sécurité des clients mais aussi du personnel Enjeux: - Lutte contre la délinquance - Lutte contre le sentiment d insécurité SOLUTION: Utiliser la vidéosurveillance 2

sécurité des clients mais aussi du personnel Enjeux: - Lutte contre la

3 Introduction: Besoin Limitation de la vidéosurveillance actuelle: Impossibilité d assurer une surveillance efficace par des opérateurs dans des systèmes comprenant un nombre important de caméras dans les gares ou dans les trains. De nombreux travaux visent à automatiser la Vidéosurveillance afin de la rendre plus efficace. Ces recherches doivent permettre de signaler aux opérateurs les situations anormales. 3

4 Introduction: Objectifs Généraux Les objectifs à terme du système d aide à la vidéo surveillance sont ambitieux et nécessitent d aborder 3 types de problèmes: 1 er problème consiste à développer des méthodes de traitement d images, permettant de détecter des individus, qui soient suffisamment robustes pour s adapter à n importe quelle condition d acquisition de séquences vidéos. 2nd problème concerne la conception de techniques de reconnaissance de comportements suffisamment évoluées pour reconnaître des situations anormales malgré la diversité des scènes pouvant se produire dans un train. Enfin 3ème problème consiste à réaliser un système intégré, embarqué dans un train, qui puisse fonctionner en temps réel. 4

5 Introduction: Les différents actes L observatoire de la sûreté a classé les différents actes de délinquance en différentes catégories : 80% Répartition par type d'acte Les atteintes : Les actes commis avec violence sous la menace et certains actes contre les biens faisant des victimes. 70% 60% 50% 40% 30% Les incivilités : Les insultes, outrages, menaces 20% 10% Les vols simples, c est à dire commis sans violence ni menace, sont, dans le cas de la SNCF, des vols constitués principalement de vols à la tire. 0% Atteintes Incivilités Vols simples AM Les actes de malveillance (AM) désignent l ensemble des dégradations, destructions, et manipulations malveillantes des biens et installations de l entreprise. 5

70% 60% 50% 40% 30% Les incivilités : Les insultes, outrages, menaces 20% 10% Les vols simples, c est à dire commis sans violence ni menace, sont, dans le cas de la SNCF, des

6 Introduction: Choix des scénarios LES ATTEINTES 1. Agressions physiques 2. Bagarres 3. Vols violents (Racket) Types de train Affluence Mouvement du train Variation de luminosité LES VOLS SIMPLES 1. Pickpockets. 2. Vols à l arraché. LES INCIVILITES 1. Agitation 2. Sollicitations, nuisances LES ACTES DE MALVEILLANCE 1.Vandalisme contre les vitres. 2. Vandalisme contre les équipements 3. Signal d alarme 6

SIMPLES 1. Pickpockets. 2. Vols à l arraché. LES INCIVILITES 1. Agitation 2.

7 Introduction: Principe général Alarmes Suivi d Individus Détection de mouvement Suivi image par image Suivi de groupes Reconnaissance de comportements Suivi de foules Annotations Modèles scène vide Objets, Zones Matrices calibration 7

groupes Reconnaissance de comportements Suivi de foules

8 Introduction: Méthodes Techniques de Vision cognitive: Vision par ordinateur: analyse du mouvement (détection, suivi d objets mobiles) description 3D des objets mobiles Représentation explicite de connaissances a priori: modèles de comportements modèles 3D de scènes vides modèles d objets mobiles à reconnaître Raisonnement temps-réel : interprétation des données 3D (classification des objets, reconnaissance d événements et de comportements) 8

modèles de comportements modèles 3D de scènes vides modèles d objets mobiles à reconnaître Raisonnement

9 Modélisation du contexte Description géométrique des murs, des portes, des sièges,... Définition des zones d'intérêts (zone interdite, zone d'accès,...) Localisation des caméras dans la scène Définition des propriétés sémantiques associées aux objets telles que leurs propriétés physiques (transparence, réflexion,...) leurs fonctions (sièges, toilettes, vitres, ) Définition des matrices de calibration Définition d'un fichier de contexte en XML 9

..) Localisation des caméras dans la scène Définition des propriétés sémantiques associées aux objets telles

10 Suivi de personnes Analyse de mouvement Gestion des occultations dynamiques par un suivi long terme 10

11 Schéma d analyse Système d interprétation vidéo CONNAISSANCES A PRIORI : *Modèle 3D de la scène observée *Calibration de la caméra *Modèles de scénarios Détection et suivi de personnes Analyse temporelle multi cameras Reconnaissance de Scénarios Alarmes Détection et suivi de personnes Plate-forme d interprétation vidéo VSIP 11

et suivi de personnes Analyse temporelle multi cameras Reconnaissance de

12 Exemple: Scénarios simples reconnus Vandalisme contre une fenêtre 12

13 Exemple: Scénarios simples reconnus Une séquence de vol à l arraché reconnue 13

14 Conclusion techniques Changements brusques de lumière : fausse détection de mouvement (+++) Encombrement : personnes partiellement cachées (+++) Position des caméras : personnes trop petites ou non visibles (++) Défilement du paysage : détection de mouvement au niveau des vitres (+) Vibrations : erreur de calibration (+) Gestuelle : gestes trop fins pour être détectés de manière robuste (++) Un sujet de traitement d images parmi les plus durs à traiter à cause de la réunion de plusieurs paramètres ardus 14

détection de mouvement au niveau des vitres (+) Vibrations : erreur de calibration (+) Gestuelle : gestes trop fins pour être

15 Le son comme outil d aide Environnement très perturbé bruit moteur, ouverture de porte, freinage, vibration de caisse etc. La méthode étudiée Action actuelle Détection d évènement segment non vocal segment vocal Bruit moteur, sonnerie téléphone ouverture de portes etc. Cris appel de détresse 15

La méthode étudiée Action actuelle Détection d évènement segment non

16 Conclusion Encore beaucoup de travail à faire. - Pour rendre les systèmes: plus robustes. (taux de fausses alarmes) plus autonomes. (capable de communiquer avec l extérieur). plus rapides (analyse de flux en temps réel) Aujourd hui tous ces systèmes sont encore trop peu au point pour être mis en service dans nos trains mais la SNCF continue d accompagner les industriels et les chercheurs dans leur travail 16

plus rapides (analyse de flux en temps réel) Aujourd hui tous ces systèmes sont encore trop peu au

Documents pareils

Le réseau au service de la Gestion Technique des Bâtiments. Présentation d'un service de vidéosurveillance

Le réseau au service de la Gestion Technique des Bâtiments Présentation d'un service de vidéosurveillance Protection des biens & des personnes Urgence de la réaction Gestion de l urgence Substitution des