TESEO Advanced automated parking system.

2016-2017
TESEO. Project co-financed under Tuscany POR FESR 2014-2020. Development of an integrated, multi-sensing, high automation system for parking, traffic management and vehicle surveillance in wide areas.

TESEO. Progetto finanziato nel quadro del POR FESR Toscana 2014-2020. Sviluppo di un sistema integrato, multisensore e ad elevata automazione per la gestione del traffico, della sosta e della sorveglianza di veicoli in vaste aree.

This project aims at reducing the environmental and time costs of vehicle parking activity. Wide unmanned areas can be managed thanks to an ensemble of diversified sensors, connected with a parking management system (PMS) allowing to compute in real-time business intelligence and at the same time providing useful information to users thanks to mobile application and cloud services.

Lo scopo di questo progetto è di ridurre il costo ambientale e in termini di tempo per l’attività di parcheggio. Aree ampie possono essere gestite senza l’uso di personale grazie all’uso massivo di un insieme diversificato di sensori. Il sistema di controllo degli stalli fornisce al PMS statistiche in tempo reale sia per creare business intelligence che per fornire informazioni utili agli utenti sfruttando servizi cloud e app per smartphone.

In this project MICC leads a computer vision task for developing the visual surveillance and camera management system. In this project we developed the following modules:

  1. Camera stabilization: this system exploit fast local corner detection algorithms to compensate in real-time any small camera motion that may arise from wind, accidental or malicious displacement of the cameras.
  2. Object detection: the object detection system is based on a deep convolutional neural network. A separate detector is connected to every camera providing the location of every object of interested in the scene such as: people, cars, trucks and motorcycles. Detection windows and visual features are provided to the tracking and anomaly detection module via inter-process communication in real-time.
  3. Tracking module: to identify and keep track of instances of object in the scene we employ a tracking-by-detection algorithm exploiting a greedy data-association algorithm. Simple abnormal behaviour can be identified such as out-of-spot parking or people loitering behaviour or wrong-way driving. Trajectories of object and their location are made available to the anomaly detection module in real-time for succeeding reasoning.
  4. Anomaly detection module: this module exploit low dimensional ensemble of polytopes to create online a scene and object statistical model. With a simple set of geometrical test we can compute the likelihood of every frame reporting the one above the alarm level.

Il centro di eccellenza MICC si occupa di sviluppare il sistema di video-sorveglianza e di gestione della telecamera del progetto TESEO tramite tecniche di computer vision. In questo progetto abbiamo sviluppato i seguenti moduli:

  1. Stabilizzazione camera: questo sistema sfrutta algoritmi di rilevamento di corner ottimizzati per compensare tramite trasformazioni geometriche il modo di camera che può derivare dal vento o da alterazioni accidentali o dolose dell’orientazione delle telecamere.
  2. Rilevamento oggetti: il sistema di rilevamento oggetti è basato su una rete neurale convoluzionale profonda. Un rilevatore è connesso a ciascuna telecamera e fornisce in tempo reale la posizione di ogni oggetto di interesse nella scena quali: auto, persone, furgoni o moto. Le aree rilevate e le feature convoluzionali sono fornite al sistema di tracciamento e al sistema di rilevamento di anomalie in tempo reale tramite comunicazione inter-process.
  3. Tracciamento: il modulo di tracciamento identifica e mantiene lo stato di ciascuno oggetto nella scena sfruttando un sistema di tracking-by-detection con associazione greedy. Semplici comportamenti anomali come il parcheggio in aree vietate, la guida in senso vietato e la persistenza di una singola persona non autorizzata sono rilevabili direttamente. Le traiettorie degli oggetti e le loro posizioni sono rese disponibili al modulo di rilevamento anomalie per la detection di eventi statisticamente rari.
  4. Rilevamento Anomalie: questo modulo sfrutta insiemi di politopi a bassa dimensionalità per creare on-line un modello statistico. Grazie a dei semplici test geometrici si possono individuare la likelihood degli oggetti e della scena globalmente per ogni frame, riportando i casi al di sopra di una soglia di allarme.

There are no related publications