Abstract
- Sicherheitskritische Bereiche werden zunehmend durch Kameras überwacht. Das Erkennen typischer Passantenströme in Flughafen-oder Innenstadtbereichen kann die Grundlage zukünftiger Entwürfe bilden. Die Erfassung wird durch personelle Ressourcen begrenzt. Einen Ansatz zur Lösung bieten automatisierte Systeme auf Basis neuronaler Netze zur Erkennung von Objektklassen. Probleme bereitet noch die zeitliche Verfolgung detektierter Objekte. Dafür wird im ersten Teil ein Algorithmus entwickelt, um Personen während eines Zeitfensters über Video-Frames hinweg zu verfolgen. Mit den daraus gewonnenen Informationen werden im zweiten Teil Möglichkeiten schneller, ressourcenschonender Auswertung bzw. Darstellung mittels kumulierter Heatmaps und Bewegungsvektoren vorgestellt. Damit wird ermöglicht, Bewegungen mit einem Blick zu erfassen, ohne das Video selbst in Augenschein nehmen bzw. anschauen zu müssen. Video surveillance of security-critical areas is being used more frequently. Evaluations and the timely recognition of problematic movements are limited by personnel resources. Automated systems offer an approach to the solution. Neural networks for the recognition of object classes achieve ever higher detection rates. Tracking of detected objects over time causes problems. In the first part, an algorithm is developed to track people across video frames. In the second part, possibilities of evaluation and presentation are presented using the information obtained. Furthermore, the movements of all and individual persons are displayed statistically. As a result, movements during a time window in the video can be captured at a glance without having to look at the video itself.