Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

introduction Dans le monde insécurisé d’aujourd’hui, la vidéo surveillance joue

introduction Dans le monde insécurisé d’aujourd’hui, la vidéo surveillance joue un rôle important pour la sécurité des lieux intérieurs et extérieurs. La vidéo surveillance est utilisée depuis longtemps pour assurer la sécurité dans de nombreux endroits sensibles. Avec les progrès réalisés dans divers aspects de la vie, les opérations de surveillance traditionnelles sont confrontées à de nombreux problèmes en raison des grandes quantités d’informations qui doivent être traitées manuellement en un temps limité et de la possibilité de perte d’informations qui peuvent contenir des éléments importants tels que des comportements suspects. Champs d’application de la vidéo surveillance • Sécurité publique et commerciale: • Surveillance des banques, des grands magasins, des aéroports, des musées, des gares, des propriétés privées et des parkings pour la prévention et la détection des crimes. • Application de la loi: • Mesure de la vitesse des véhicules • Détection des franchissements de feux rouges et des occupations • inutiles de voies de circulation. • La sécurité militaire: • Surveiller les frontières du pays. • Mesure de flux des réfugiés. • Assurer la sécurité des régions autour des bases. • Aide au commandement et au contrôle du champ de bataille. Video Management System Video Management System un système de gestion vidéo, également appelé logiciel de gestion vidéo ou un serveur de gestion vidéo, est un composant d’un système de caméras de sécurité qui est capable de diffuser des vidéos (en direct ou préexistantes) à partir de caméras ou d’autres sources, de les stocker et de fournir une interface pour interagir avec elles, comme l’affichage du flux en direct ou de la vidéo enregistrée, entre autres d’autres fonctions facultatives. Un système de gestion vidéo efficace est, essentiellement, la combinaison efficace d’un logiciel vidéo et de matériel serveur, Fonctionnement d’un VMS Un VMS fonctionne en collectant des vidéos, en direct et enregistrées, à partir de caméras de surveillance du réseau. Il stocke ensuite cette vidéo sur des supports de stockage de données dédiés (sur site, sur des supports de stockage de données dédiés ou dans le cloud), sur la base de politiques automatisées, prédéterminées par l’entreprise. Lorsqu’un employé a besoin d’accéder à la vidéo de surveillance, le VMS fournit une interface permettant de récupérer et de visualiser les séquences de surveillance enregistrées et en direct. Vidéo Streaming: Le streaming vidéo est la fonctionnalité de base de tout système de gestion vidéo. C’est une transmission continue de fichiers vidéo d’un serveur à un client. Il permet aux utilisateurs de visionner des vidéos en ligne sans avoir à les télécharger. Les techniques de compression/décompression vidéo: M-JPEG H.263 MPEG H264 (AVC) H.265 (HEVC) Les Protocoles du Streaming Vidéo: HTTP Live Streaming (HLS) Real-Time Messaging Protocol (RTMP) Real-Time Streaming Protocol (RTSP) WebRTC Dynamic Adaptive Streaming over HTTP (MPEG-DASH) Secure Reliable Transport (SRT) Computer Vision and Deep Learning Techniques: Computer Vision: La vision par ordinateur est un domaine scientifique interdisciplinaire implique l’utilisation d’ordinateurs pour obtenir une compréhension détaillée des données visuelles, d’images ou de vidéos, ce qui constitue une approche similaire à celle des systèmes visuels humains. La vision par ordinateur utilise généralement deux technologies différentes : L’apprentissage profond L’apprentissage profond Machine Learning : L’apprentissage est un sous-domaine de l’intelligence artificielle (IA) qui permet aux machines de reconnaître des objets en fonction de leur expérience de détection précédente. En général, l’objectif de l’apprentissage est de comprendre la structure des données et de les intégrer dans des modèles qui peuvent être compris et utilisés par les tout le monde. Types d’apprentissage: L’apprentissage supervisé L’apprentissage non supervisé Deep Learning: Le Deep Learning (L’apprentissage en profondeur) est un type de l’apprentissage automatique, en utilisant les réseaux de neurones pour saisir modèles complexes. Ce type de technologie permet aux systèmes d’intelligence Artificielle d’exécuter des tâches humaines, « telles que la reconnaissance visuelle d’objet de la vie réelle ou comprendre la parole. » Alors que le fonctionnement de ces réseaux inspirés du cerveau reste impénétrable, leurs algorithmes de couches inter-connectées donnent aux machines la possibilité d’être entraînées et d’effectuer des tâches spécifiques. Les avantages du Deep Learning: L’apprentissage profond a plusieurs avantages parmi eux est l’analyse et l’apprentissage des quantités massives de données, Ce qui lui a permis de pouvoir dans tous les domaines, il a transformé des applications qui nécessitaient auparavant une expertise en vision en des défis d’ingénierie pouvant être résolus par des non experts en vision. L’apprentissage profond transfère la charge logique d’un développeur d’applications, qui met au point et écrit un algorithme basé sur des règles, à un ingénieur qui forme le système. Il ouvre également un nouvel éventail de possibilités pour résoudre des applications qui n’ont jamais été tentées sans un observateur humain. Ainsi, l’apprentissage profond facilite l’utilisation de la vision industrielle, tout en repoussant les limites de ce qu’un ordinateur et une caméra peuvent inspecter avec précision. Les différentes Architectures du Deep Learning: Fig.3.4: Modèles des réseaux neuronaux de Deep Learning [Tch17] Méthodes du Deep Learning: The learning rate decay’ méthode Transfer Learning Training from scratch Dropout L’apprentissage Profond et La vision par Ordinateur: L’apprentissage profond joue un rôle majeur dans le domaine de la vision par ordinateur. La capacité d’interpréter photos et vidéos brutes a été appliquée à des problèmes dans le domaine de la vente au détail, de l’imagerie médicale et de la robotique. Les CNN sont utilisés dans des applications telles que la reconnaissance faciale, les systèmes de réponse aux questions sur les images, l’étiquetage de scènes et certaines tâches de segmentation d’images. les CNN atteignent une meilleure précision sur des de données à grande échelle en raison de leurs capacités d’apprentissage de caractéristiques et de classificateurs. Architectures d’apprentissage profond pour la vision par ordinateur: Les performances et l’efficacité d’un CNN sont déterminées par son architecture. Celle-ci comprend la structure des couches, la façon dont les éléments sont conçus et les éléments présents dans chaque couche. De nombreux CNN ont été créés, mais les modèles suivants sont parmi les plus efficaces. AlexNet: AlexNet est une architecture basée sur l’ancienne architecture LeNet. Il comprend cinq couches convolutionnelles et trois couches entièrement connectées. AlexNet utilise une structure à double pipeline pour permettre l’utilisation de deux GPU pendant la formation. GoogleNet (2014) GoogleNet, également connu sous le nom d’Inception V1, est basé sur l’architecture LeNet. Il est composé de 22 couches constituées de petits groupes de convolutions, appelés ”modules d’inception”. Ces modules d’inception utilisent la normalisation par lots et RMSprop qui est un algorithme qui utilise des méthodes de taux d’apprentissage adaptatif. pour réduire le nombre de paramètres que GoogleNet doit traiter. adaptatif. ResNet (2015) ResNet, abréviation de Réseau Neuronal Résiduel, est une architecture conçue pour comporter un grand nombre de couches - les architectures généralement utilisées vont de ResNet-18 (18 couches) à ResNet-1202 (1202 couches). Ces couches sont configurées avec des unités à porte ou des ”connexions de saut” qui leur permettent de transmettre des informations aux couches convolutionnelles ultérieures. Techniques et méthodes d’apprentissage profond: La Détection d’objets: Récemment, des algorithmes ont émergé et ont montré des performances remarquables dans le domaine de la détection d’objets en temps réel. Parmi eux, il y a : R-CNN , SPP-net , Fast R-CNN , OverFeat , Faster R-CNN, SSD300 , SSD512 , SubCNN , YOLOv3 , YOLOv5 , RFCN , Mask R-CNN. Certaines méthodes sont plus fiables et robustes que d’autres. Dans cette section, nous discuterons les méthodes de détection les plus courantes, Faster R-CNN, YOLO (You Only Look Once) et SSD (Single Shot MultiBox Detector). Faster R-CNN: Faster R-CNN est un modèle de détection d’objets qui améliore le Fast R-CNN en utilisant un réseau de proposition de région (RPN) avec le modèle CNN. Dans son ensemble, Faster R-CNN se compose de deux modules. Le premier module est un réseau convolutif profond qui propose des régions, et le second module est le détecteur R-CNNrapide qui utilise les régions proposées. YOLO (You Only Look Once): YOLO a été publié en 2015 par Joseph Redmon. La 2eme version de YOLO, appelée YOLO9000, également connue sous le nom de YOLOv2 et la troisième version de YOLO, appelée YOLOv3, sortie en mai 2018. L’algorithme YOLO utilise des réseaux neuronaux convolutionnels (CNN) pour détecter des objets en temps réel. L’algorithme ne nécessite qu’une seule propagation vers l’avant à travers un réseau neuronal pour détecter les objets. Fonctionnement de YOLO. SSD (Single Shot MultiBox Detector): Single Shot MultiBox Detector (SSD) a été publié en 2015 par Liu et al. Single shot indique que l’algorithme SSD appartient à la méthode en une étape. MultiBox indique que le SSD est une prédiction multi-images. SSD exécute un CNN sur l’image d’entrée une seule fois et génère une carte des caractéristiques. Ensuite, il exécute un petit noyau convolutif de taille 3 × 3 sur la carte des caractéristiques pour prédire les boîtes englobantes et la probabilité de classification. La Reconnaissance de l’activité Humaine Human Action Recognition ou la reconnaissance de l’activité humaine, ou HAR en abrégé, est un vaste domaine d’étude qui vise à identifier le mouvement ou l’action spécifique d’une personne à partir de données de capteurs. Les mouvements sont souvent des activités uploads/Management/ presentation-master 1 .pdf