Аэропорт города Литтл Рок получает грант для обновления своей видеомагнитофонной системы видеонаблюдения
19.10.2009
Крупнейший аэропорт США, все еще использующий видеомагнитофон для записи материала с камер наблюдения, получает $ 5,9 млн. на развитие систем безопасности.
Деньги пойдут на модернизацию оборудования, устанавливаемого в систему безопасности Национального аэропорта Литтл Рок. Дополнительное оборудование будет установлено в местах, ранее не находившихся под наблюдением, а также позволит увидеть наблюдаемые районы с других точек обзора.
"Системы замкнутого наблюдения являются неотъемлемой частью службы безопасности аэропортов, обеспечивают высокий уровень обнаружения угроз, как для персонала так и для охраняемых объектов, предотвращают потери, ускоряют реагирование на чрезвычайные ситуации и снижают риски", - сказала Сара Кошиц, пресс-секретарь службы безопасности - подразделения Департамента Национальной Безопасности.
"Наша нынешняя система видеонаблюдения работает на ленточных носителях информации и нуждается в обновлении", - сказал Уильямс, представитель аэропорта. "Эта государственная помощь позволит нам установить новые и усовершенствованные технологии и позволит нам расширить области обзора в просматриваемых зонах и районах, которые до этого момента не находились под наблюдением". Полученные деньги являются частью многомиллиардного проекта по стимулированию экономики.
"Это позволит укрепить безопасность и повысить эффективность как для путешественников, так и для работников",- сказала в своем заявлении секретарь Департамента Национальной Безопаности Джанет Наполитано. "Инвестирование в этот проект аэропорта создаст новые рабочие места и укрепит наши действия, направленные на защиту от терроризма". Из $355 миллионов $38 млн будет потрачено на системы замкнутого телевидения. Международный аэропорт Канзас сити получил 9,4 млн. долл. США, международный аэропорт Вашингтон Даллес и международный аэропорт Тампе получили по 8,1 млн. долл. США.
Большая часть денег - $254 млн – пойдут на усовершенствование встроенных систем обработки багажа в шести аэропортах. Роликовые системы обработки багажа, устранят необходимость для пассажиров ходить с багажом к месту досмотра и ждать, прежде чем пройти через контрольно-пропускной пункт. Системы также включают улучшенную технологию обнаружения взрывоопасных веществ – теперь они предоставляют для сотрудников службы безопасности различные варианты просмотра багажа на экране, сокращая этим количество повторных сканирований и физического досмотра сумок.
На $15 млн будут приобретены технологии, которые будут показывать на экране медицинские жидкости, такие как детское питание и жидкие препараты для обеспечения жизнедеятельности человека, то есть те, которые не содержат никакой угрозы.
Более $25 млн будет потрачено на приобретение и установку 150 сканеров человека, которые позволяют видеть сквозь одежду людей бомбы или оружие.
Семантическая сеть для распознавания визуальных образов
26.09.2009
Распознавание визуальных объектов – сложная задача. Текущая технология компьютерного зрения хорошо справляется с распознаванием небольшого количества объектов, но перестает справляться в случае большого числа объектов, особенно если они принадлежат различным классам. Много работы сфокусировано на решение этих проблем, чтобы увеличить эффективность систем распознавания объектов. Недавняя работа из INRIA посвящена изучению семантических иерархий, закодированных в WordNet, чтобы улучшить существующие алгоритмы распознавания образов.
WordNet это большая семантическая сеть моделирования знаний психолингвистики человека на основе английского языка (English language modeling human psycholinguistic knowledge), группирующая синонимы в синсеты (synset – множество, состоящее из синонимов) и записывающая различия между ними. Проще говоря, WordNet кодирует большое число отношений между объектами, как, например факт, что автомобиль и мотоцикл – средство передвижения с колесами, поэтому их присутствие на изображении подразумевает наличие колес. Такой подход используют Marcin Marszalek и Cordelia Schmid в их работе 2007 года CVPR (CVPR – Computer Vision and Pattern Recognition – Компьютерное зрение и распознавание паттернов) «Семантические иерархии для распознавания визуальных объектов».
Два исследователя показывают, как априорное знание о классах объектов и их отношениях, закодированное в WordNet, можно использовать для улучшения распознавания визуальных объектов, используя вспомогательные векторные машины (Support Vector Machines, SVM). Идея состоит в том, что у системы распознавания спрашивают: «На изображении есть машина?». Система делает запрос в WordNet об априорных знаниях, относящихся к понятию «машина». Семантическая сеть, полученная в результате, может содержать дополнительные знания о машинах, как, например, о том, что на изображении следует одно или несколько колес. Алгоритм распознавания объектов может точнее ответить на поставленный выше вопрос, если будет использовать специальный детектор машин и колес. Эксперименты показали небольшое улучшение существующих алгоритмов зрения. Тем не менее, предстоит еще много работы, чтобы достичь уровня распознавания, как у человека.
Планирование передвижений – важнейший элемент в любом роботе. Существует много подходов, описанных в большом количестве книг. Исследовательская группа Лидии Каварки в Rice Univercity ведет разработку Объектно-Оринтированной Системы Программирования для Планирования Передвижений (OOPSMP).OOPSMP можно использовать как для обучения, так и для проведения исследований. Эта библиотека объектно ориентирована, ее можно легко расширять. Для работы с ней не обязательно углубляться в детали низкоуровнего программирования: интерфейс высокого уровня позволяет описать решаемую задачу в XML, выбрать некоторый алгоритм и дать системе выполнить всю работу.Профессор Кавраки хорошо известна в среде робототехников и планировщиков за ее работу над вероятностными картами дорог (Probabalistic Roadmaps – RPMs). Каварки представилу концепцию RPMs в 1996 году. В кратце, система работает следующим образом (источник – Wikipedia)
Идея, лежащая в основе RPM, заключается в следующем. Из пространства всех возможных позиций, в которых может находится робот, выбираются случайным образом позиции, и если они ранее не были учтены, локальный планировщик прокладывает между ними путь. На первой итерации добавляются начальная и конечная точки, потом работает алгоритм построения графа перемещений, после чего алгоритм поиска в графе выбирает кратчайший путь.
OOPSMP может оказаться полезной всем, кто решает задачу планирования перемещения. Она бесплатна для некоммерческих прилложений.
Роботы смогут ориентироваться естественным образом со зрением, подобным человеческому
26.09.2009
Роботизированная система зрения, повторяющая ключевые функции человеческого мозга, обещает позволить роботам маневрировать быстро и безопасно в произвольном окружении, а также окажется полезной для людей с нарушениями зрения.
Даже ребенок может без проблем пересечь комнату и найти игрушку.
Доказано, что этот, казалось бы, тривиальный навык, которым компьютеру очень сложно овладеть. Анализ смещающейся и часто двусмысленной визуальной информации с целью обнаружить объекты и отличить их перемещение относительно собственного, является очень сложной задачей искусственного интеллекта.
Три года назад исследователи европейского консорциума «Decisions in Motion» (http://www.decisionsinmotion.org/), попытались обратиться к природе за подсказками для решения этой задачи.
Работая совместно, команда нейробиологов и когнитивистов изучала зрение высших млекопитающих, приматов и людей, в то время как программисты и робототехники включали полученные открытия в нейронные сети и мобильные роботы.
Данный подход оправдал себя. «Decisions in Motion» уже построили и продемонстрировали робота, который быстро перемещается по многолюдной комнате, руководствуясь только тем, что он видит через две видео камеры. Сейчас ведутся работы над созданием устройства, которое поможет слабовидящим людям ориентироваться в пространстве.
«Алгоритмы, применявшиеся ранее, были достаточно медленными и их результаты были недостаточно надежными», – говорит координатор проекта Марк Гринли. «Наш подход позволил нам разработать алгоритмы, способные делать это налету, что позволило бы принимать все необходимые решение в течение миллисекунд на обычном оборудовании».
Как мы видим движение?
Исследователи «Decisions in Motion» использовали множество различных подходов, чтобы узнать больше о том, как мозг обрабатывает зрительную информацию, особенно информацию об окружающем мире.
В число этих подходов входила запись реакции индивидуальных нейронов и их групп в ответ на сигналы движения. Также изучалась функциональная магнитно-резонансная томограмма, чтобы проследить помоментно взаимодействие между различными областями мозга, во время того, как человек выполнял различные упражнения для зрения. Были рассмотрены нейропсихологические труды о людях с проблемами зрительной функции.
Исследователи надеялись узнать больше о том, как системы зрения изучают окружающее пространство, обнаруживает объекты, распознает движение, отличает независимое движение объектов от собственного движения организма, планирует и управляет движением по направлению к некоторой цели.
Одним из важнейших открытий был факт, что мозг примата не только обнаруживает и следит за движущимся объектом, а, к тому же, предсказывает, куда объект переместится.
«Во время передвижения объекта по сцене возникает волна активности, когда мозг предвидит траекторию этого объекта», – говорит Гринли. «Это можно объяснить переходом сигналов обратной связи из высших областей зрительной коры обратно к нейронам первичной коры, чтобы они почувствовали, что происходит».
Гринли сравнивает то, что видит индивидуальный нейрон, со взглядом на мир через дверной глазок. Исследователям уже давно было известно, что требуется обработка высокого уровня, чтобы построить различимое изображение из мириад этих крошечных кусочков целостного мира. Важным в открытии является предварительная обратная связь для понимания и обработки движения.
«Это открытие критически важно для проекта «Decisions in Motion», – говорит Гринли. «Таким образом, решается проблема объединения сигналов нейронов первичной зрительной коры в единую картину».
Разработка лучшего мозга робота
Вооружившись лучшим пониманием того, как мозг человека справляется с движением, программисты и робототехники проекта взялись за работу. Используя стандартное оборудование, они построили нейронную сеть, повторяющую три уровня зрительных подсистем мозга: первичную, среднюю и высшую.
Они использовали знания о перемещении информации между областями мозга, чтобы управлять потоком информации в мозге робота.
«Это обычная нейронная сеть с некоторыми биологическими характеристиками», – говорит Гринли. «Количество связей диктуется числами, которые мы получили в наших психологических исследованиях».
Компьютеризированный мозг в реальном времени управляет поведением колесной платформы робота, на которую установлены подвижная голова и глаза. Он поворачивает голову и глаза туда, куда нужно посмотреть, следит за собственным движением, идентифицирует объекты, определяют, двигаются ли они независимо, дает команды ускориться, замедлить движение, повернуть вправо или влево.
Гринли вместе с коллегами были впечатлены, когда робот нашел свою первую цель – плюшевого медведя – как человек, ускоряясь, если препятствия находились на безопасной дистанции, и замедляясь при приближении к ним.
«Это было здорово», – говорит Гринли. «Мы специально этого не программировали – оно возникло из алгоритма».
В дополнение к улучшенной системе навигации роботов, консорциум занимается разработкой легкого устройства, наподобие очков, которое помогло бы людям с нарушениями зрения или когнитивных функций повысить подвижность. Один из партнеров консорциума, Cambridge Research Systems, разрабатывает коммерческую версию этого продукта под названием VisGuide
BIAS: Basic Image AlgorithmS Library Огромная библиотека для работы с изображениями: анализ изображений, преобразования, векторная математика, работа с видеопотоками.
15.08.2009
BIAS: Basic Image AlgorithmS Library Огромная библиотека для работы с изображениями: анализ изображений,
преобразования, векторная математика, работа с видеопотоками.
Artificial Intelligence - Jim Carnelli's Blog Здесь есть несколько интересных статей по компьютерному (машинному) зрению.
Система контроля и учета транспорта "Recognitron" является системой дистанционного мониторинга транспортных средств. Это полноценный контроль транспорта по основным параметрам. Система контроля над транспортом позволит вам оперативно анализировать работу транспортного отдела и решает проблему обеспечения безопасности. Системы контроля транспорта помогают более эффективно управлять любым автопарком и легко оптимизировать его работу.
Перевод сайта на постоянный адрес
10.07.2009
Сайт переведен на постоянный домен второго уровня.
Открытие сайта
28.06.2009
Благодарность администрации за предоставленный хостинг.
Сайт запущен в работу на временном домене.
Планирование передвижений – важнейший элемент в любом роботе. Существует много подходов, описанных в большом количестве книг. Исследовательская группа Лидии Каварки в Rice Univercity ведет разработку Объектно-Оринтированной Системы Программирования для Планирования Передвижений (OOPSMP).OOPSMP можно использовать как для обучения, так и для проведения исследований. Эта библиотека объектно ориентирована, ее можно легко расширять. Для работы с ней не обязательно углубляться в детали низкоуровнего программирования: интерфейс высокого уровня позволяет описать решаемую задачу в XML, выбрать некоторый алгоритм и дать системе выполнить всю работу.Профессор Кавраки хорошо известна в среде робототехников и планировщиков за ее работу над вероятностными картами дорог (Probabalistic Roadmaps – RPMs). Каварки представилу концепцию RPMs в 1996 году. В кратце, система работает следующим образом (источник – Wikipedia)
Роботизированная система зрения, повторяющая ключевые функции человеческого мозга, обещает позволить роботам маневрировать быстро и безопасно в произвольном окружении, а также окажется полезной для людей с нарушениями зрения.
