-
Die
vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung
zum Beobachten und Analysieren einer Vielzahl von Live-Datensätzen, insbesondere
von über
das Internet öffentlich
zugänglichen
Internetkameras, sogenannten Webcams, zur Erkennung von atypischen
Situationen und/oder kritischen Strukturen und Meldung von derart
identifizierten Live-Datensätzen an
eine Kontrollinstanz.
-
Es
soll das gleichzeitige Beobachten und Analysieren einer riesigen
Menge von öffentlichen
Live-Datensätzen,
wie sie beispielsweise von Webcams bereitgestellt werden, in einer
Weise ermöglicht werden,
dass Gefahrenmomente erkannt werden und Behörden automatisch über eine
sogenannte ”Notifikation” zur manuellen
Beobachtung dieser identifizierten Datenströme, insbesondere von Webcams,
aufgefordert werden können.
Dies ist eine sogenannte automatische Clearing-Center-Funktion, die
bereits auf herkömmliche
Weise realisiert werden kann.
-
Durch
den weltweiten Einsatz des Internets und insbesondere den Einsatz
von sogenannten Webcams an den unterschiedlichsten, auch internationalen
Orten, ist das Beobachten dieser Orte und damit auch das Beobachten
von Menschenmassen und Verkehrssituationen sehr einfach geworden.
Viele derartige Daten sind öffentlich
zugänglich,
aber in ihrer großen
Anzahl nicht alle durch die Behörden
auswertbar. Ebenso ist die Qualität der Daten, insbesondere Bilder,
oft nicht ausreichend, um direkt Mustererkennungsverfahren für Analysen
anwenden zu können.
Die Information derartiger Webcams stehen damit zwar zur Verfügung, werden
jedoch gar nicht oder nicht ausreichend konsequent genutzt beziehungsweise
ausgewertet.
-
Eine
zunehmende Anzahl von Webcams ist im Internet frei zugänglich und
ist von einer Vielzahl von Einzelpersonen nutzbar. Es ist keine
breit angelegte automatisierte Auswertung, beispielsweise durch
Behörden,
vorhanden.
-
Die
gleichzeitige manuelle Beobachtung einer Vielzahl im Internet verfügbarer Videobilder
sicherheitsrelevanter öffentlicher
Plätze
ist wegen der Datenfülle
nicht möglich.
Direktes automatisches Auswerten über klassische Mustererkennung
in Bildverarbeitungsverfahren ist aufgrund der schlechten Qualität der Bilder
und der langen Laufzeiten der Algorithmen nicht möglich.
-
Es
ist Aufgabe der vorliegenden Erfindung ein Verfahren und eine Vorrichtung
zum Beobachten und Analysieren einer Vielzahl von Live-Datensätzen, insbesondere
von über
das Internet öffentlich zugänglichen
Internetkameras, zur Erkennung von atypischen Situationen und/oder
kritischen Strukturen und Meldung von derart identifizierten Live-Datensätzen an
eine Kontrollinstanz bereit zu stellen, wobei die Qualität der Datensätze niedrig
sein kann. Es soll die automatische Identifikation von Gefahrensituation
ermöglicht
werden, wie sie beispielsweise durch Ballungen von Menschen oder
kritischen Menschenströmen
oder durch unzulässige
Verhaltensmuster verursacht werden können. Es soll die gleichzeitige
Analyse der Daten einer sehr großen Anzahl von Webkameras oder
weiterer öffentlich
zugänglicher
Sensoren ermöglicht
werden. Derartige Daten liegen herkömmlicherweise in schlechter
Qualität
vor.
-
Die
Aufgabe wird durch ein Verfahren gemäß dem Hauptanspruch und eine
Vorrichtung gemäß dem Nebenanspruch
gelöst.
-
Die
vorliegende Erfindung unterscheidet sich von klassischen Mustererkennungsansätzen dadurch,
dass die Mustererkennung, die gemäß der vorliegenden Erfindung
als Strukturerkennung bezeichnet wird, bereits von Metadaten, wie
beispielsweise Objektmassendichten, ausgeht und nicht direkt auf
den Videobildern aufsetzt. Eine derartig erzeugte geringe Detailtiefe erlaubt
erst das parallele Beobachten einer Vielzahl von Internetkameras.
Es wird bevorzugt, dass die Videobilder gewisse Eigenschaften besitzen,
beispielsweise aus der Vogelperspektive erzeugt werden, so dass
diese Bilder leicht auswertbar sind. Sichten aus Winkeln mit Überlappungen
sind im Gegensatz dazu schwer auswertbar. Die meisten herkömmlichen
Webcams sind jedoch hoch aufgehängt.
-
Es
wird davon ausgegangen, dass die Daten an einen Ort transferiert
werden, wo die Metadaten aus den Videobildern erzeugt werden. Unter
Metadaten sind insbesondere beispielsweise Personenmassendichten,
Verteilungen von Personenmassendichten sowie Bewegungsrichtungen
und Geschwindigkeiten von Personenmassen zu verstehen. Metadaten
führen
zu einer zusätzlichen
Abstraktionsschicht und Vereinfachung gegenüber einer direkten Analyse der
Daten, die insbesondere Videobilder sind. Eine direkte Analyse der
Videobilder kann beispielsweise auf herkömmliche Weise durch Mustererkennung
erfolgen, oder das Verfolgen von Personen auf herkömmliche
Weise sein. Metadaten haben zwei wesentliche Vorteile. Metadaten
können
erhoben werden, wenn direkte Mustererkennungsverfahren aufgrund
der Qualität
der Daten eventuell nicht möglich sind
oder zu lange dauern würden.
Metadaten stellen eine Vereinfachung der Situation dar, reduzieren
damit die Informationsflut und ermöglichen so das parallele Auswerten
sehr vieler Datenströme.
-
Die
zielgerichtete Auswertung dieser Metadaten auf atypische Situationen
und/oder kritische Strukturen, die auf Gefahren hinweisen können, ist der
zweite Schritt dieser Erfindung. Wird eine derartige atypische Situation
und/oder kritische Struktur erkannt, wird eine Kontrollinstanz benachrichtigt,
beispielsweise eine Meldung in ein Kontrollzentrum gesendet, in
der eine Bedienperson die Bilder der betreffenden Webcam prüft. Die
verschiedenen Ebenen der Datenerhebung sind in 1 abgebildet.
-
Erfindungsgemäß werden
stark vereinfachte Metadaten, wie sie beispielsweise Personendichten sind,
erhoben, in denen aussa gekräftige
Strukturen erkannt werden können,
wie dies beispielsweise Überfüllungen
oder Ringbildungen sind. Wird eine sicherheitsrelevante Struktur
erkannt, wird auf manuelle Überwachung
im Kontrollzentrum umgestellt. Daraus ergeben sich eine Vielzahl
von Vorteilen. Metadaten können
auch bei schlechterer Bildqualität
erzeugt werden. Metadaten sind stark vereinfacht und erlauben eine
schnelle Analyse der Daten. Die Klassifizierung der Beobachtungsgebiete
erlaubt das schnelle Erkennen atypischer Strukturen und Situationen.
Frei verfügbare
Informationsquellen zu Verkehr, wie dies beispielsweise Webcams
sind, können nun
genutzt werden. Die Daten können
automatisch ausgewertet werden. Ungewöhnliche Messergebnisse können gemeldet
werden. Nur bei Indikation eines Datensatzes als ”beobachtungswürdig” wird dieser spezifisch
identifizierte Datensatz durch eine Person beobachtet. Ein derartiger
Effizienzgewinn macht eine Beobachtung der vielen freien Webcams
erst möglich.
-
Des
Weiteren ergeben sich folgende Vorteile. Prognosen über die
Entwicklung sind nun in einem begrenzten Zeitraum, das heißt über mehrere
Zeitschritte/Zeittakte berechenbar. Krisen können damit besser vorhergesehen
und Maßnahmen
schneller eingeleitet werden. Die Prognosen erlauben einen ersten
Schritt vom Reagieren zur vorausschauenden Steuerung von Personenströmen. Es
wird eine erhöhte
Sicherheit für
Leib und Leben bereitgestellt. Es ist eine Teilautomatisierung von
Sicherheitsvorkehrungen möglich.
Des Weiteren sind bessere statistische Aussagen für Wirtschaft
und Fremdenverkehr bereitstellbar.
-
Bei
Verdacht auf eine Gefahrensituation, die erfindungsgemäß erkannt
werden soll, wird automatisch eine ”Notifikation” an eine
Behörde
geschickt und so eine Beobachtung durch eine Bedienperson angefordert,
so dass entsprechende Maßnahmen rechtzeitig
eingeleitet werden können.
-
Weitere
vorteilhafte Ausgestaltungen finden sich in den Unteransprüchen.
-
Gemäß einer
vorteilhaften Ausgestaltung erfolgt ein Erzeugen der Metadaten als
Eigenschaften von Objektmassen, insbesondere als Dichte, Verteilung
der Dichte, Ballung, Ströme,
Bewegungsrichtung, Geschwindigkeit und/oder Verhaltensmuster einer
Objektmasse, dazugehörigen
Minimal-, Maximal-, Durchschnittswerte einer Objektmasse und/oder
vergangenem oder prognostiziertem Verhalten einer Objektmasse. Für jeden
Typ von Objektmassen, beispielsweise Menschenmassen, sind hierbei
die spezifischen Charakteristika zu definieren. Dies kann beispielsweise
mittels der Parameter (typische) Dichte der Menschenmasse, Geschwindigkeit
(Festlegung von typischen Minimal-/Maximal-Durchschnittsgeschwindigkeiten),
Bewegungsrichtungen der Massen und typische Muster des Verhaltens
erfolgen. Derartige Parameter können
jeweils den aktuellen Zeitpunkt, einen Zeitpunkt in der Vergangenheit
beziehungsweise eine Prognose des zukünftigen Verhaltens darstellen.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt ein Festlegen von Soll-Objektmasseneigenschaften
von Datensätzen
in Abhängigkeit
von Klassen von Beobachtungsorten und/oder Typen von Objektmassen.
Ausgehend von zugänglichen
Datenquellen, wie beispielsweise Webcams, werden diese Quellen klassifiziert
nach Beobachtungsort und zugehörigen
Typen von Objektmassen. Nachstehend werden genauere Vorschläge zur Klassifizierung
von Beobachtungsorten und von Strömen von Verkehrsteilnehmern
gemacht.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung sind die Klassen von Beobachtungsorten, beispielsweise
ein öffentlicher
Platz, ein Stadion, Stadionvorfeld, eine Straße und/oder Natur. Die Klasse ”öffentlicher
Platz” kann
beispielsweise folgende Eigenschaften aufweisen: Die Größe des Platzes.
Der Platz ist lediglich mit Menschen als Objektmasse gefüllt. Die
Personen auf dem Platz weisen eine geringe Personengeschwindigkeit
auf. Die Personen bilden ein typisches Richtungs-/Bewegungsmuster. Eine weitere Klasse
ist beispielsweise ein ”Stadion”. Dabei weist
das Stadion innen folgende Eigenschaf ten auf: Eine maximale Anzahl
von Personen. Das Stadion ist innen lediglich mit Personen gefüllt. Die
Personen weisen eine sehr geringe beziehungsweise keine Geschwindigkeit
auf. Die Klasse ”Stadionvorfeld” weist
beispielsweise folgende Eigenschaften auf: Ein typisches Richtungs-/Bewegungsmuster
der Personen. Es liegt eine maximale Dichte der Personen pro Fläche vor.
Es liegt lediglich ein zeitlich begrenztes Verhalten vor. Klasse ”Straße”, Typ Autobahn:
Eine Autobahn ist mehrspurig, die Fahrzeuge weisen ein typisches
Richtungs-/Bewegungsmuster auf. Es liegt eine maximale Dichte der
Fahrzeuge pro Flächeneinheit
vor. Typ Hauptverkehrsstraße:
Diese
ist maximal zweispurig. Die Fahrzeuge weisen eine relativ geringe
Geschwindigkeit auf. Es liegt ein typisches Richtungs-/Bewegungsmuster
der Autos vor. Es existiert eine maximale Dichte der Fahrzeuge pro
Flächeneinheit.
Typ Nebenstraße:
Diese ist einspurig, die Fahrzeuge weisen eine sehr geringe Geschwindigkeit
auf. Die Fahrzeuge weisen ein typisches Richtungs-/Bewegungsmuster
auf. Es liegt eine maximale Dichte der Fahrzeuge pro Flächeneinheit
vor. Ebenso sollen Kombinationen von Gebieten mit beziehungsweise
ohne Menschenmassen, automatisch ausgewertet und atypisches Verhalten
gemeldet werden, beispielsweise a) auf einem U-Bahnsteig. Auf dem
Bahnsteig befinden sich Menschen. Im Gleisbereich befinden sich
keine Menschen. b) Fußballstadion.
Es befinden sich Menschen auf den Plätzen. Es befinden sich keine
Menschen jenseits des Begrenzungszaunes zum Spielfeld. c) Polizeiabsperrungen/Demonstrationen.
Es befinden sich Menschen vor den Absperrungen. Jenseits der Absperrungen
befinden sich keine Menschen. Erkannt werden sollen ebenso von Verkehrsteilnehmern
freie Gebiete, das heißt
es sind ”keine
Menschenmassen” vorhanden,
das heißt
beispielsweise a) Webcams mit Landschaftsaufnahmen. b) Gebäudeaufnahmen.
c) Wetterbeobachtungen oder ähnliches.
Klasse ”Natur”: Diese
weist folgende Eigenschaften auf. Es liegt eine lediglich sehr geringe
Anzahl von Personen vor. Deren Geschwindigkeit ist sehr gering.
Die Personen bilden ein typisches Richtungs-/Bewegungsmuster.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung werden die Objektmassen mittels
Personen, Automobilen, Fahrrädern
und/oder Tieren ausgebildet. Es werden unterschiedliche Typen von
Objektmassen definiert. Weitere Typen von Objektmassen können beispielsweise
sein: Personenmassen: a) statische Menschenmassen bzw. Personenmassen, beispielsweise
in einem Fußballstadion
während
eines Fußballspiels.
b) sich zielstrebig und zügig
bewegende Menschenmassen beispielsweise auf dem Weg zum/von einem
Fußballstadion.
c) sich ziellos und mit stark schwankenden Geschwindigkeiten und Richtungen
bewegende Menschenmassen, beispielsweise auf dem Oktoberfest. d)
sich periodisch ändernde
Menschenmassen auf einem U-Bahn-Bahnsteig mit kontinuierlich wachsender bzw.
abrupt fallender Dichte der Menschenmasse im 10-Minuten-Takt. Autoverkehr:
a) Denkbar sind Auto-Verkehrsströme
auf Autobahnen bzw. Staubildungen mit einem sehr strukturierten
Muster der Automassen, das heißt
beispielsweise ein-, zwei- oder mehrspurig, und entsprechend höheren Geschwindigkeiten.
b) Es erfolgt eine Einteilung nach Typen der Straße.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt ein Erkennen der atypischen
Situationen und/oder kritischen Strukturen mittels Vergleichens
von Ist-Objektmasseneigenschaften eines Datensatzes mit den Soll-Objektmasseneigenschaften der
dazugehörigen
Klasse und der dazugehörigen Typen
von Objektmassen. Ein Erkennen sogenannter atypischer Situationen
und/oder kritischer Strukturen für
einen Beobachtungsort beziehungsweise für ein Gebiet erfolgt grundsätzlich im
Vergleich mit den durch die Klassifikation erzeugten Normaldaten
beziehungsweise zulässigen
Daten. Insbesondere kann ebenso ein atypisches Verhalten und damit Ausnahmeverhalten
pro Typ von Menschenmassen definiert werden, wie dieser sich nicht
verhalten sollte beziehungsweise ist die Definition von mehreren
atypischen Verhaltensmustern möglich.
a) kritische Dichten der Menschenmassen, sowohl zu gering als auch
zu hoch. b) zu hohe Geschwindigkeiten der Menschenmassen. c) chaotische
beziehungsweise abrupte Richtungswechsel. Zugängliche Datenquellen, wie Webcams,
sind der Ausgangspunkt. Der artige Quellen werden klassifiziert nach
Beobachtungsort und zugehörigen
Typen von Menschenmassen mit Information bezüglich typischer Dichte und
typischem und zulässigem
Verhalten. Ein typisches und zulässiges
Verhalten ist beispielsweise das Gehen mit bestimmter Geschwindigkeit.
Des Weiteren werden unzulässige
Dichten und Verhaltensarten bestimmt. Es erfolgt ein Vergleich der
aktuell gesichteten Daten mit Normaldaten beziehungsweise zulässigen Daten.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt ein Erkennen der atypischen
Situationen und/oder kritischen Strukturen, insbesondere als Ringbildungen,
regelmäßige Verdichtungen,
scharfe Kanten, Bahnenbildungen und/oder plötzlich auseinanderstrebende
Objekte in einer Objektmasse. Das heißt zusätzlich zu den atypischen Situationen
sollen gewisse Muster, die gemäß der vorliegenden
Anmeldung als Strukturen bezeichnet werden, in den Metadaten erkannt
werden. Derartige außergewöhnliche Strukturen
der Masse können
beispielsweise bedingt sein durch Stürze von Menschen in der Masse
oder Unfällen.
Derartige außergewöhnliche
Strukturen können
daher auf Gefahren hinweisen. Zur Erkennung derartiger Strukturen
werden die Metadaten als Funktion des Ortes, das heißt also
abgebildet auf das Beobachtungsgebiet, und der Zeit abgebildet auf
den Beobachtungszeitraum, verstanden. Beispielsweise ist die Personendichte
zu jedem Zeitpunkt eine Funktion des Ortes. Sie variiert im Beobachtungsgebiet. Strukturen
in der Personendichte können
nun über klassische
Mustererkennungsmethoden der Bildverarbeitung, die nicht Gegenstand
dieser Anmeldung sind, erkannt werden. Relevante Strukturen in den Metadaten
für die
Auswertung können
sich zu einem bestimmten Zeitpunkt bilden. Man spricht von einer reinen
Ortsabhängigkeit,
im Zeitverlauf, man spricht von einer reinen Zeitabhängigkeit
beziehungsweise von einer Abhängigkeit
in Ort und Zeit. Folgende Strukturen sind von besonderer Bedeutung:
a) Ringbildung. Eine Ringbildung deutet beispielsweise auf einen
Unfall in einem Personenstrom hin. Ringe zu festen Zeitpunkten erkennbar.
Es sollen ebenso verallgemeinerte Ringstrukturen, wie sie beispielsweise Ellipsen,
nicht kom plett runde Ringe, Ringe mit Personen in der Mitte sind,
erkannt werden. b) Regelmäßige Verdichtungen
in der Menge, rhythmisches Auftreten von Verdichtungen. Rhythmische
Verdichtungen zu einem festen Zeitpunkt weisen auf wellenförmige Bewegungen
in der Menge hin. Wellenförmige Strukturen
dieser Art, die Turbulenzen sind, sind Hinweise auf eine beginnende
Panik. Regelmäßige Verdichtungen
in der Zeit allein können
jedoch unkritisch sein, beispielsweise durch die regelmäßige Ankunft einer
U-Bahn. c) Scharfe Kanten. Scharfe Kanten in einer Masse weisen
auf eine Abgrenzung, beispielsweise einen Zaun, hin. Neu auftretende
Kanten müssen
entweder zu einer neuen Klassifizierung des Beobachtungsgebiets
führen,
das heißt
beispielsweise muss eine Baumaßnahme
berücksichtigt
werden, oder die neu auftretenden scharfen Kanten weisen auf unzulässige Hindernisse
hin. d) Bahnenbildungen. Gegenläufige
Personenströme
bilden bei einer hohen Personendichte sog. Bahnen aus, die Menschen
laufen hintereinander. Dies ist ein Hinweis auf eine deutlich erhöhte Personendichte,
in der kritische Situationen eintreten können. e) Plötzlich auseinander strebende
Personen. Personen, die bisher dicht gedrängt standen und nun plötzlich auseinander
streben, deuten auf einen Unfall oder eine Panik hin. Derartige
Muster sollen erkannt werden.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt das Erkennen der atypischen
Strukturen und/oder kritischer Strukturen mittels Vergleichens von
Ist-Objektmasseneigenschaften eines Ausschnitts eines Datensatzes
mit den Soll-Objektmasseneigenschaften der dazugehörigen Klasse
für diesen
Ausschnitt. Die Zulässigkeit
von Daten gilt nicht notwendig für
das gesamte beobachtete Bild einer Webcam, sondern kann im Beobachtungsgebiet variieren.
Dies erlaubt die Identifikation und spezielle Beobachtung besonderer,
auch kritischer Teilbereiche oder Ausschnitte eines Datensatzes,
wie dies beispielsweise Aus- und Eingänge sind, und die Erkennung
von charakteristischen Strukturen in den Datensätzen.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt ein Erkennen von Situationen und/oder
Strukturen mittels Filterns der Datensätze zum Abbilden der Metadaten
als Funktion des Ortes und/oder der Zeit und/oder mittels Mustererkennung. Eingesetzt
werden Verfahren zur Filterung/automatischen Analyse von Datensätzen, die
durch die Webcams an den Beobachtungsplätzen erzeugt werden. Die Webcams
bilden die Metadaten, die beispielsweise Personendichten oder auch
Autodichten sind, als Funktion des Ortes im Zeitverlauf ab.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt ein automatisiertes
Erkennen der Klasse des Beobachtungsortes und des dazugehörigen Typs
der Objektmasse. In einem Schritt ist es also wünschenswert, bereits die Klassifizierung
von Beobachtungsorten zu automatisieren. Ausgangspunkt sollen beispielsweise
die Daten/Videoströme einer
beliebigen Webcam aus dem Internet sein. Ziel ist die Analyse dieser
Daten, so dass eine automatische korrekte Wahl der notwendigen Parameter
zur Klassifizierung stattfindet.
-
Gemäß einer
weiteren vorteilhaften Ausgestaltung erfolgt ein automatisiertes
Erkennen der atypischen Situationen und/oder kritischer Strukturen und/oder
ein automatisiertes Benachrichtigen der Kontrollinstanz. Ein mögliches
Verfahren ist es, aufgrund des persönlichen Vorwissens und der
eigenen graphischen Interpretation der Webcambilder den Typ der
beobachteten Menschenmassen auf einen der vorstehend definierten
Typen abzubilden. Danach wird sich ein Crowd Control Programm die
entsprechenden Parametergrenzen sowie entsprechende Verhaltensmuster
für diesen
spezifisch gewählten Typ
setzen können.
Ein Crowd Control Programm ist der Mechanismus, der das automatische
Erkennen der typischen Situation und/oder kritischer Strukturen ermöglicht.
Ein entsprechendes atypisches Verhalten und damit Ausnahmeverhalten
und/oder kritische Strukturen können
erkannt und damit gemeldet werden (dies entspricht der manuellen
Typvorgabe). Alternativ kann eine automatisierte Typenwahl erfolgen.
Das heißt
nach mehreren durchgeführten
Auswertungen der Bilder einer Webcam durch die vorstehenden Verfahren,
können
für diese
Webcam charakteristische Werte, wie Dichte, Geschwindigkeit oder
Richtung der Verkehrsteilnehmer, wie dies beispielsweise Menschenmassen
sind, bestimmt werden, und, falls das Verhalten dieser beobachteten Verkehrsteilnehmer
bis hierhin unkritisch war, auch ebenso einem der vorstehend definierten
Typen zugeordnet werden. Hiermit lassen sich wieder die entsprechenden
Parametergrenzen sowie entsprechende Verhaltensmuster für diesen
nun automatisch gewählten
Typ setzen, atypisches Verhalten und damit Ausnahmeverhalten und/oder
kritische Strukturen können
erkannt und damit gemeldet werden. Es erfolgt ein Zuordnen der spezifischen
Verhaltensmuster. Wenn nun die Daten eines Videostreams einer Webcam
einem Menschenmassentyp zugeordnet wurden, kann das entsprechende
Typmusterverhalten für
dieses Szenario geladen werden. Dies sind a) die Minimal-/Maximalsowie
Durchschnittswerte der Parameter. b) Dichte der Menschenmasse. c)
Geschwindigkeit, wobei die typische Minimal-/Maximal-, Durchschnittsgeschwindigkeit
festgelegt wird. d) die Richtung, sowie e) typische Muster innerhalb
der Masse, sowie deren f) vergangenes bzw. prognostiziertes Verhalten.
Automatisiertes Erkennen von atypischen Verhaltensmustern. Durch
die eben beschriebene Zuordnung zu einem spezifischen Verhaltensmuster
und durch den Vergleich der Ist-Situation mit
dem zugeordneten Muster kann ein atypisches beziehungsweise Ausnahmeverhalten
und/oder eine kritische Struktur automatisiert erkann werden. Dieses
kann an entsprechenden Stellen gemeldet werden, so dass dort Maßnahmen
ergriffen werden können.
So kann das Verhalten, beispielsweise einer Menschenmasse automatisch
ausgewertet werden und bei Verdachtsmomenten zur manuellen Beobachtung
weitergeleitet werden.
-
Die
Erfindung wird anhand von Ausführungsbeispielen
in Verbindung mit den Figuren näher
beschrieben. Es zeigen:
-
1 die
verschiedenen Ebenen der Datenerhebung;
-
2 ein
Ausführungsbeispiel
für ein
erfindungsgemäßes Verfahren.
-
1 zeigt
die verschiedenen Ebenen der Datenerhebung. Dabei entspricht die
Ebene 1 der Realität.
Diese wird mittels Abbildens, beispielsweise mittels Video, in eine 2 der
Realität übergeführt. Mittels
Verfahren der Bilderkennung und mittels Feature-Extraktion folgt
eine Ebene 3, in der Eigenschaften, wie beispielsweise
Personen, Autos oder Koffer oder deren Eigenschaften erfasst werden
können.
-
Mittels
Zählalgorithmen,
Auswertealgorithmen, beispielsweise hinsichtlich Personendichten, können von
der Ebene 3 ausgehend Kenngrößen oder Metadaten, wie sie
beispielsweise Personendichten sind, in eine Ebene 4 transferiert
werden.
-
Gemäß einer
bevorzugten Ausführungsform wird
nun aus den Metadaten der Ebene 4 mittels Strukturerkennung,
das heißt
mittels Filterns der Datensätze
zum Abbilden der Metadaten als Funktion von Ort und/oder Zeit und/oder
mittels klassischer Mustererkennung aus der Bildverarbeitung eine Strukturebene 5 erzeugt,
die ebenso als Situationsebene 5 bezeichnet werden kann.
-
In
einer Ebene 6 werden nun atypische Situationen und/oder
kritische Strukturen erfasst. Das Erkennen der atypischen Situationen
und/oder der kritischen Strukturen erfolgt grundsätzlich mittels
Vergleichs von Ist-Objektmasseneigenschaften mit zulässigen Objektmasseneigenschaften,
beispielsweise mittels des Abfragens atypischer Situationen und/oder
kritischer Strukturen aus einer Datenbank. In den Metadaten können auf
diese Weise atypische Situationen und/oder kritische Strukturen
erkannt werden, wie dies beispielsweise Ringe sind, die beispielsweise
als Form der Dichteverteilung einer Personenmasse erzeugt sind.
Weitere atypische Situationen und kritische Strukturen sind ebenso
möglich. Atypische
Situationen und kritische Strukturen können beispielsweise regelmäßige Verdichtungen, scharfe
Kanten, Bahnen und/oder plötzlich
auseinanderstrebende Objekte in einer Objektmasse sein.
-
Als
letzter Schritt erfolgt das Benachrichtigen einer Kontrollinstanz 7,
für den
Fall des Auftretens atypischer Situationen und kritischer Strukturen.
Aus den Metadaten werden Strukturen herausgebildet. Kritische Strukturen
werden durch Vergleichen ermittelt. Bei Vorliegen kritischer Strukturen
wird eine Kontrollinstanz benachrichtigt.
-
2 offenbart
ein einfaches Ausführungsbeispiel
für ein
vollständiges
erfindungsgemäßes Verfahren.
In einem optionalen Schritt 1 erfolgt ein Einrichten einer neuen
Webcam an einem öffentlichen
Platz in einer Fußgängerzone.
In einem Schritt S2 erfolgt eine Klassifikation des Datenstroms,
entweder per Hand oder bereits automatisiert mittels Vergleichs
mit Musterdatensätzen.
Beispielsweise erfolgt die Klassifikation als öffentlicher Platz, bei dem
Fußgänger die
zulässigen
Verkehrsteilnehmer sind und die zulässige Personendichte beispielsweise
zwei Personen pro Quadratmeter ist. Mit einem dritten Schritt S3
erfolgt eine kontinuierliche Analyse, indem eine kontinuierliche
Dichtemessung ausgeführt
wird. Es erfolgt ein kontinuierliches Vergleichen der ermittelten
Dichten mit zulässigen
Bereichen. Mit einem Schritt S4 erfolgt ein Benachrichtigen bei
Auftreten einer Gefahr, was als ”Notifikation” bezeichnet werden
kann. Bei Verlassen des zulässigen
Bereichs erfolgt ein automatisches Melden an eine Behörde beziehungsweise
ein Clearing Center. Eine derartige Meldung kann beispielsweise
lauten, dass der Platz überfüllt ist.
Der durch die Webcam erzeugte Datenstrom wird nun mittels einer
Bedienperson beobachtet, die die entsprechende URL (Uniform Ressource Locator)
der Webcam kennt.
-
Bei
einer Vielzahl von Internetkameras werden die unterschiedlichen
Beobachtungsszenarien, das heißt
Beobachtungsorte und Typen von Objektmassen, zunächst klassifiziert und gemäß dieser Klassifikation
ausgewertet, beispielsweise in einem Clearing Center, und das Ergebnis
bei Verdacht auf eine Gefahr an die zuständigen Behörden weitergeleitet.