電腦視覺監控產學研聯盟

The Industrial Liaison Program Of  VBIE

2012年 01 月第 56 期

電子報

 

 

 

 

發行單位:電腦視覺監控產學研聯盟

出刊日期:2012年01月

本期主編: 范國清

本期聯絡人: 王宇晨

(03)-422-7151轉35328

桃園縣中壢市五權里2鄰中大路300號

人工智慧與圖形識別實驗室   

電腦視覺監控產學研聯盟網站: 

http://vbie.eic.nctu.edu.tw/

         

 

 

CCTV與犯罪學理論
 

智慧型社區事件安全監控系統

人臉偵測方法

 

 

 

CCTV與犯罪學理論                                                                                                                                                     

撰稿/
                                                                                                                                                                                                                             顏志平、鄧少華教授
                                                                                                                                                                                                                                國立中央 警察大學

北市政府為落實市政白皮書「治安零容忍」[1]政策,特於20097月起編列16億多元工程費,仿效英國倫敦的經驗,在全市11,500處治安要點設置13,699支錄影監視器,並於2011年完成了建置,透過監視器全年無休及高科技的特性,以發揮「保護合法,舉證非法」的效果(郝龍斌,2010)(邵凡軒、楊清波,2011),此CCTV建設受2011年「亞洲犯罪學年會第三屆年會」[2]安排為重點參訪項目,其亞太與英美地區等17個國家近50位學者專家對該系統執行e化視訊巡邏,並結合影像智慧辨識、車牌自動辨識等功能,而強化刑案偵防能力表示肯定。另整合110勤指中心指管系統,透過GIS系統自動導向案發地點周邊攝影機之影像回傳顯示,將指揮管制之資訊回饋提升為主動掌控,有效縮短反應時間及靈活警力派遣,更表示推崇(李桂馨,2011)。綜觀整個CCTV的強烈需求及迅速發展,與下列犯罪學理論有著密切的關係。


 


[1] 以「預防為先、偵防並重」之治安政策,不單是打擊犯罪、預防犯罪,更以民眾對治安零恐懼、零煩惱為主。而治安「零容忍」係引用美國紐約市警察局推行「破窗理論」(Broken Windows Theory抗制犯罪之成功經驗,其執法策略係對任何犯罪或違法擾亂社會秩序之行為者,依法嚴懲,絕不妥協。換言之,治安零容忍並非零犯罪,最重要的關鍵是注重民眾的感受及以同理心對待,讓民眾感受政府真正關懷民眾身家性命安危的治安政策。(台北市政府警察局網站,常見問答集http://www.tcpd.gov.tw/cht/index.php?act=faq&code=view&faq=116 

[2] 「亞洲犯罪學會」(the Asian Criminological Society):為亞洲犯罪學者、實務界人士及有興趣人士的一個交流平臺,於2009年在澳門成立並舉辦第一次的亞洲犯罪學年會,與會者包含來自兩岸四地、日、星、澳、印、巴基斯坦、韓與馬來西亞等。2010年第二屆亞洲犯罪學會年會由印度主辦。2011年第三屆由台灣主辦。

 

一、「情境犯罪預防」(Situational Crime Prevention

此理論首由美國建築師奧斯卡.紐曼(Oscar Newman),它是指對某些獨特之犯罪類型,以一種較有系統且常設之方法,對促成犯罪之環境加以設計、管理,俾以增加犯罪者之風險,減少酬償及降低犯罪機會的預防措施。其主要策略有三:(1)針對特殊或個別犯罪型態。(2)設計、操縱和管理立即的環境。(3)降低犯罪的機會、增加犯罪的風險、減少犯罪的誘因與刺激,移除犯罪藉口。而「正式監控」的方法,目前已證明為有效的措施,它是指運用警察、私人保全、偵測器與CCTV 等,對於公共區域內潛在犯罪人的行蹤予以監控,進一步嚇阻其從事犯罪或不法行為(蔡德輝、楊士隆,2006)。

二、防衛空間理論(Defensible Space Theory

 

繼「情境犯罪預防」後,紐曼(Newman)在其1972年之著作《防衛空間-透過都市環境設計預防犯罪》(Defensible Space: Crime Prevent ion Through Urban Des ign)一書中, 將「防衛空間」概念定義如下:「為一種機械式(含實體或形式之阻絕體)犯罪預防措施之代名詞, 以產生影響或促進監控力量(結合環境與居民控制之力量)之機會為重點」,它是一種藉由橫阻硬體障礙措施於犯罪之前,促使加害者提高暴露之機會,以及強化加害者被逮捕觀念之一種犯罪預防措施,亦即「防衛空間」是一種藉由社區住宅環境之改善或重新設計方式,使具犯罪動機者較無從下手犯罪,以達到減低犯罪行為發生為目標,其「實體阻絕物」包括利用高聳的圍牆、鐵絲網、藩籬及強化之門窗等物,「形式阻絕物」則包括建築物前有寛敞開放之出入口、階梯、步道、低矮之灌木叢或矮牆、24小時之便利商店、供居民乘坐之椅子等(Newman, 1972),而如在銀行、郵局或宿舍四周有CCTV24小時攤販存在,更具有是良好之監控力量(蔡德輝、楊士隆,2006)(鄧煌發,1995)。 

三、日常活動理論(Routine Activity Theory

由美國犯罪學者Lawrence CohenMarcus Felson1979年提出,其指出在空間與時間上必須有三個基本要素結合在一起,犯罪才會發生,包括有(Cohen Felson,1979):

1)有動機的犯罪者(motivatedoffender):犯罪的發生必有一個加害者,想犯罪而且有能力去犯罪。

2)合適的標的物(suitabletarget):犯罪的發生,必有一件犯罪加害者意圖獲取並因而付諸行動的對象。

3)有能力的監控者不在場(absenceofcapableguardianship):監控者係指任何可以預防犯罪發生的人或事,因為監控者具有嚇阻犯罪加害人的功能,故CCTV可以扮演這樣的角色(黃富源、范國勇、張平吾,2005)。

 

四、理性選擇理論(Rational Choice Theory

「理性選擇」的觀點,主張強調「地點」重要性的一個基本理論,因為此觀點認為犯罪者選擇目標及都是可以被解釋的(Cornish & Clarke, 1986)(許春金,2000)。依據理性選擇理論,犯罪者在做成最後的「理性」決定之前,會先收集與過濾各種活動有關的信息,以作為其「選擇犯罪行為的結構性特質」之基礎。而也只有當犯罪者評估各種信息,衡量可能得失後,才會由各種可能方案中擇一執行。其中,犯罪者最常考慮的因素有:(一)犯罪目標的近便性;(二)犯罪行為的專業知識;(三)犯罪行為帶來的收益;(四)犯罪者個人的犯罪技巧;(五)犯罪者投入犯罪活動時間、精力的考量;(六)被捕的危險性評估(侯崇文、周愫嫻,1998)。

 

【參考文獻】

CohenL.E. FelsonM.1979, Socialchangeandcrimeratetrends:Aroutinea ctivitiesapproach, American Sociological Review,44(August):588-608.

Cornish D.B. Clarke R.V.1986, The Reasoning Criminal: Rational Choice Perspectives on Offending, NY: Springer-Verlag, 1986.

Newman O.1972, Crime Prevention Through Urban Design: Defensible Space, New York: A Division of Macmillan Publishing Co., Inc., 1972.

李桂馨(2011),17國犯罪學者肯定CCTV偵防成效,自立晚報電子報,201112月,http://www.idn.com.tw/news/news_content.php?catid=5&catsid=2&catdid=0&artid=20111219guisin001

邵凡軒、楊清波(2011),無所遁形!14千「監視鷹眼」緊盯治安,TVBS電子報,20117月,http://www.tvbs.com.tw/news/news_list.asp?no=yehmin20110709185945#

侯崇文、周愫嫻(1998),青少年出入不良場所與偏差行為,中央警察大學學報,第33期,頁153-1731998年。

許春金(2000),《犯罪學》,中央警察大學。

郝龍斌(2010),「監視器建置進度」專案報告,臺北市議會第 10 屆第 7 次定期大會,20104月。

黃富源、范國勇、張平吾(2005),《犯罪學》,三民書局。

鄧煌發(1995),《犯罪預防》,中央警察大學,1995年。

蔡德輝、楊士隆(2006),《犯罪學》,五南書局,2006年。

 

 

 

智慧型社區事件安全監控系統(續)                                                                                                                                

撰稿/
                                                                                                                                                                                                                                     范景棠 、王元凱教授
                                                                                                                                                                                                                                         輔仁大學

       智慧型社區事件安全監控系統(續)

在之前介紹智慧型社區事件安全監控系統的電子報中,已說明目標及特色,並介紹情境及各項技術。此次便以的中控室的角度來說明各項技術在畫面上的呈現,使得中控室警衛能快速得知並掌握狀況。

場景1中,小弟A從校園外翻牆進入校園。此時中控室畫面如圖1所示,Google Map上會自動顯示有人翻牆之警告,並自動切換至PTZ攝影機畫面,對翻牆之可疑人物自動進行追蹤。

整合技術:1.翻牆及禁區入侵偵測(負責人--海洋大學謝君偉教授、佛光大學莊啟宏教授)

                 2.嵌入式PTZ相機追蹤(負責人--交通大學林進燈教授)

圖1、「翻牆及禁區入侵偵測」和「嵌入式PTZ相機追蹤」

 

場景2中,小弟A以塑膠袋上前遮住攝影機視野,因而造成監控的死角。此時中控室畫面如圖2所示,Google Map上會自動顯示攝影機異常之警告後,自動切換至最接近之攝影機畫面。並利用輔助畫面持續對周遭進行監控,如圖三所示,此3D輔助畫面結合Google Earth和攝影機畫面,藉由3D場景中控室警衛能立即知道所需攝影機位置,並對其畫面進行切換。

 

整合技術:1.攝影機異常事件偵測(負責人--輔仁大學王元凱教授)

                 2.多重解析度廣域監視系統(負責人--台灣大學洪一平教授、交通大學陳永昇教授、暨南大學石勝文教授)

圖2、攝影機異常事件偵測

 

圖3、多重解析度廣域監視系統

 

場景4中,小弟B開車前往會計室辦公室前。此時中控室畫面如圖4(a)所示,Google Map上會自動顯示違規停車之警告,而中控室警衛利用圖4(b)的輔助畫面,觀看附近停車場是否還尚有空位。小弟B下車取文件時,此時中控室畫面如圖5所示,Google Map上會自動顯示違規停車之車主最清晰之人臉。

 

整合技術:1.嵌入式非法停車偵測(負責人--中央大學范國清教授、中華大學連振昌教授、聯合大學韓欽銓教授)

                 2.動態場景之人物特徵偵測(負責人--東華大學李錫堅教授)

                 3.戶外停車場空位偵測系統(負責人--交通大學王聖智教授)

圖4、違規停車事件(a)嵌入式非法停車偵測(b)戶外停車場空位偵測系統

 

圖5、動態場景之人物特徵偵測

 

場景5中,校園警衛把小弟A制伏帶往中控室後,使用高效率事件影片檢索,如圖6所示,快速重現犯案現場使得小弟A乖乖認罪。

 

整合技術:1.中央視訊及訊息管理系統(負責人輔仁大學王元凱教授)

                 2.高效率的影片事件瀏覽系統(負責人--台北大學林道通教授)

圖6、事件回播及搜尋。(a)回播畫面(b)高效率的影片事件瀏覽系統

 

 


 

 

 

 

人臉偵測方法                                                                                                                                                                                                             

撰稿/
                                                                                                                                                                                                             王宇晨、何岡鋒、陳映濃博士、莊啟宏教授和范國清教授
                                                                                                                                                                                                                                                 國立中央大學

 

摘要

物件偵測相關的研究在電腦視覺上一直是個相當熱門的研究題材,而應用的領域也相當的廣泛,如:門禁系統、監控系統、娛樂等。至今已有許多學者提出各種方法來解決這方面的問題,而其中又以AdaBoost最廣泛用於系統中。

一般在開發物件偵測系統時,除了正確率以外,速度也是一個很重要的考量因素。因此如果我們利用AdaBoost在建置物件偵測器時,如果能用較少量的弱分類器建置而成,對整個系統的運作速度必能有效的提升。而在建置一個AdaBoost物件偵測器時,通常是以灰階影像為輸入資料,然後讓每一個弱分類器針對這些輸入資料的分類能力,逐一去挑選最佳的弱分類器,進而建置出一個強分類器。

然而在分類器的訓練過程中,輸入的影像樣本即扮演著一個相當重要的角色,因為良好的影像樣本能使系統以較少的弱分類器即建置出效果近似甚至更佳的強分類器,進而建置出物件偵測器。在訓練過程中,我們採用了CNN (Convolutional Neural Network)所產生的特徵映像(Feature Map)來當作物件偵測器的輸入資料。而從實驗結果得知,提出的方法能利用較少量的弱分類器建置出一個效果不錯且快速的物件偵測器。

 

簡介

由於良好的訓練樣本往往能讓訓練出來物件偵測器有較好的偵測效果,但在現實環境中對一個即將面對訓練或偵測的影像卻未必總是如此理想,可能影像中有雜訊或者是光影變化等,如圖1所示,也因此許多學者提出各種不同的前處理,來將這些影像所受到的雜訊干擾及光影變化的影響減低。

圖1.雜訊干擾及光影變化的人臉影像

 

然而在一般的狀況下,影像所受到的干擾種類通常是未知的,因此系統在做偵測時,也很難決定該使用何種前處理來盡量將影像的雜訊及光影干擾降低。所以與其將這些干擾因素降低的高度不確定性,也有學者就直接將較明確的影像特徵直接強化出來,以利於物件偵測器的訓練,但這仍然存在一個問題,對於一個我們想要偵測的物件來說,我們很難決定出那些有利於一個偵測器來做分類的特徵。因此這裡我們採用學習的機制,讓訓練程式能從所搜集的訓練樣本自行強化出有利於物件偵測器做分類的特徵,而其中Garcia 2004年所提出的以CNN (Convolutional Neural Network) 做人臉偵測中的特徵映像(Feature Map)即扮演此角色,如圖2所示。因此CNN在本系統中也被拿來做影像的前處理以強化特徵,而其中FMcFMs分別為CNN經過ConvolutionSub-Sampling運算後的結果,如圖3所示。

圖2.以CNN為基礎的人臉偵測器架構圖 [C. Garcia and M. Delakis, “Convolutional face finder: A neural architecture for fast and robust face detector,” IEEE Transactions on PAMI, 2004.]

圖3.單一特徵映像的CNN物件偵測器

由於在一張影像中做物件偵測時,系統必須在各個不同位置偵測各種不同大小的物件,是一種非常需要大量運算的工作,因此如果直接利用訓練出來的物件偵測器去針對整張影像做偵測將會非常地耗時,所以為了讓偵測速度能有效的提升,本系統採用了Coarse-to-Fine的架構,來加快物件的偵測,其系統架構如圖4所示。

圖4. 系統架構圖

 

通常在做物件偵測時, 我們所感興趣的物件在一張影像中所佔的區域並不會太大,所以一開始我們使用分類能力雖較弱但運算速度快的Coarse-Level分類器來過濾掉大量的非物件區塊,接下來再將剩下的偵測結果用群聚演算法(Clustering Algorithm)群聚起來並刪除掉反應點較少的結果,最後再使用分類能力更強的Fine-Level Verifier做最後的過濾。

圖5. Cascade Classifier

Viola在2004年提出了Cascade Classifier,是由數個AdaBoost演算法訓練出的強分類器所串聯而成,主要被設計用來快速並過濾掉大量的非物件區塊的分類器,如圖5所示,所以一開始的Coarse-Level 分類器我們也採用由AdaBoost演算法所建置的Cascade Classifier,然而AdaBoost演算法的訓練時間很容易受輸入影像維度增加而大幅地上升,因此我們將維度較小的特徵映像FMs設為Cascade Classifier的輸入,以利於Cascade Classifier能快速地建置及加快物件的偵測。

                                                       (a)未使用Fine-Level Pre-Filter                                                                                                  (b)使用Fine-Level Pre-Filter

圖6.初步物件偵測結果

但由Coarse-Level過濾後的結果通常仍會留下過多的非物件區域,會讓系統在接下來的群聚運算花費大量的時間也容易導致群聚後的結果失敗及留下過多的錯誤偵測,如圖6(a)所示,所以為了讓群聚的速度更快及結果能更正確,會在Coarse-Level分類器與群聚演算法中間再加入一個Fine-Level Pre-Filter以進一步過濾掉更多的非物件區塊,所以在做群聚演算法之前,接下來的Fine-Level Pre-Filter採用的同樣也是由AdaBoost演算法所建置而成的Cascade Classifier,但其輸入改成同樣為CNN前處理但大小較大且包含較多資訊的特徵映像FMc以進行更進一步的過濾,群聚後的結果如圖6(b)。最後Fine-Level Verifier再將群聚後的原始影像區塊輸入至另一個CNN做最後的分類並輸出結果。

實驗結果

圖7. 偵測結果

 

在這裡以人臉偵測系統為例,而從圖7中可以看出,提出的方法能有效地偵測到大多數的人臉。但對於一些背景比較複雜的影像,還是有許多區塊會被誤認為人臉,如圖8所示。

圖8. 偵測結果

 

 

 

有關本學界科專計畫、電腦視覺監控產學研聯盟、以及電子報之背景與相互關連都已在電子報創刊號詳細說明。本期電子報由分項A子項2主編,在此,我們簡介此子項於學界科專98年度之研究計畫:

子項A2於本年度的研究重點在於使監控人員在一攝影機網路的監控環境下,更容易在不同場景之間追蹤與監控多個目標物,並提供可疑事件的歷史監控記錄與資料庫搜尋,使監控人員能更方便進行中控室操控。本年度的研究主題如下:

1.  停車場之人車連續追蹤:有別於之前的技術,在跨攝影機目標物追蹤上,僅使用時空特徵與外觀顏色特徵。在本年度的研究,我們預期以加入幾何特徵為研究方向,藉由目標物幾何特徵在行進過程中的一致性,並與之前已使用的特徵進行整合,以提高追蹤正確率。我們也預期發展人車的分辨模組,透過機器學習方法的設計與實作,進行物體的部件的分析與辨認,以便提高人車追蹤的效能。

2.  可疑人物之長程追蹤:設計一長程策略來分析可疑人物之行為,藉由結合系統所提供之長程蒐集可疑人物之資訊,來彌補短程偵測方法之不足,以提升單一攝影機可疑人物偵測之正確性。並且,將動態呈現目標物的可疑程度,以提升中控室使用者對場景中人物的即時掌握程度。

3.  可疑事件在中控室之視覺化顯示:開發一攝影機是否遭到遮蔽或明顯移動的偵測技術,例如:攝影機遭到轉向、遮蔽或是鏡頭遭塗抹異物以致無法取得正常之監控影像。並且,將發展一整合攝影機網路的視覺化顯示中控室系統,該系統藉由整合平順轉場技術與多重解析度顯示技術,以提升使用者於中控室的監控效率與操作方便性。

 

近年來全球安全監控產業呈現穩定成長趨勢,並由於數位時代的進展,安全監控產品技術層次也不斷提升,進而與其他產業整合,預期未來安全監控領域是安全產業中最具發展潛力的領域之一。此外,由於現代科技的進步,醫療技術與品質提升,使國民平均壽命逐年攀升。在新人口結構變化趨勢下,如何滿足老年人健康照護需求的問題不容小覷,相對而言,也造就了新的商機。根據工研院IEK推估,台灣高齡產業市場規模在2025年可望達到1089億美元。

展望未來產業趨勢,安全監控產業以及高齡產業市場規模將持續增加。因此,本中心將以前期所開發之100餘項相關核心技術,規劃二個系統整合方向 — (1)智慧型建築(smart building),結合資訊、通訊與視訊技術,整合創造科技與人文結合的智慧型大樓;(2)智慧型社區(smart community),結合鄰里以及警政單位,規劃全方位無死角社區或園區智慧型監控系統 期許透過系統整合,勾勒具視覺感知能力之安全環境架構,以建構全面智慧型環境,讓人們悠遊於舒適的環境之中,並協助國內廠商尋找智慧型監控環境之藍海策略,使台灣成為安控產業之明日之星 。

學界科專計畫已邁入第二期,本期研發重點,在技術策略方面,朝向「多層次多感測無縫隙系統」發展,結合視訊與感測器(sensor)成為一全方位監控安全系統。在技術落實方面,朝向下列三目標執行:

(1) 提升技術成熟度、可靠度及穩定度

(2) 以嵌入式系統具體化前期核心技術

(3) 整合前後期核心技術,以發展商品化之產品。

每一分項之主要工作項目概述如下,詳細內容後述之。

分項一:智慧型建築(Smart Building)

分項一的研發主軸為智慧型建築(smart building)的前瞻性技術研發,工作項目如下。

A1.日夜安全巡邏與訪客引導系統---室內空間智慧型巡邏與避碰利用自動車引導訪客、紅外線影像處理與自動車夜間導航、多自動車協同巡邏與異常偵測等。

A2.視訊監控中央管理系統---攝影機網路之目標物即時追蹤與預測、視訊資料庫搜尋、與資訊整合視覺化。

A3.室內突發事件分析系統---室內突發事件分析之技術開發主軸分隊針對人員及環境設計各項突發事件偵測技術,研發技術包括:人員異常行為分析、訪客異常行為偵測、環境突發事件偵測限制區域之監控、限制區域之監控。在技術策略方面,朝向結合視訊與感測器(sensor),發展成為一全方位監控安全系統。

分項二:智慧型社區(Smart Community)

以多層次多感測無縫隙的技術為發展目標,分項二的技術研發主軸定位在智慧型社區(smart community)安全的前瞻性技術研發,主要工作項目如下所列。

B1. 人車偵測與辨識系統---即時車型和車輛之偵測和辨識、車輛管制系統、PTZ攝影機人員偵測與辨識等。

B2. 強健性物件追蹤系統---全天候物件偵測與追蹤、即時物件追蹤技術、多感測器人員追蹤、多人長時間性人員追蹤。

B3. 事件分析與搜尋系統系統---自動化視訊搜尋、戶外異常事件分析、異質相機行動監看。

 

經濟部學界科技專案『以視覺為基礎之智慧型環境的建構四年計畫』所發起的「電腦視覺監控產學研聯盟」已於2005年初正式成立。為了加強產業界與學術界的互動與交流,聯盟自2005年一月起每兩個月定期發行一期電子報,提供國內產業界及聯盟會員最新的相關資訊。

本電子報目前所規劃的內容包括:

1.最新動態:公布並報導「電腦視覺監控產學研聯盟」或「影像等相關單位」舉辦的各項技術說明會、技術研討會、企業座談會等相關活動訊息。

2.技術報導:報導電腦視覺監控領域相關研究的現況,並簡介本學界科專計畫的最新研究成果及所獲得的各項專利等。

 

在本期的電子報當中,「最新動態」部分報導為CCTV與犯罪學理論報導。此外,在「技術報導」方面,本期收集了兩篇文章,由輔仁大學范景棠 、程克羽和王元凱教授介紹的「智慧型社區事件安全監控系統(續)技術 及由國立中央大學王宇晨、何岡鋒、陳映濃博士、莊啟宏教授和范國清教授介紹的「人臉偵測方法」 技術

 

「電腦視覺監控產學研聯盟」乃是由經濟部學界科專「以視覺為基礎之智慧型環境的建構四年計畫」所發起,由前亞洲大學校長蔡文祥(現交通大學講座教授)所主持,在背後支持此一聯盟的研發團隊幾乎囊括了國內電腦視覺研究領域之菁英教授,其研究人員遍佈台大、清大、交大、中央及中央研究院等第一流學術機構。每一位計畫主持人皆累積多年有關影像處理與圖形識別等研究的經驗,亦曾多次協助業界研發各項影像處理與圖形識別系統,輔導產業研發、創新之經驗豐富 。

本聯盟除發行電子報外,也提供聯盟成員包括人才招募、技術諮詢、企業資訊推廣等多項 服務(請點選並下載電子報左方目錄中的「會員招募簡章及報名表」,並參閱其中有關本聯盟之服務內容說明)。竭誠歡迎產業界相關企業加入聯盟,藉由大家共同的努力,提昇國內此一產業的技術水準。

為了方便會員的聯繫,我們於新竹特設一服務窗口:

新竹窗口

交通大學電腦視覺中心 蔡淑均 小姐

TEL:03-5731970    FAX:03-5131205

E-mail : rayis@mail.nctu.edu.tw