SVEUILITE JOSIPA JURJA STROSSMAYERA U OSIJEKU

FAKULTET ELEKTROTEHNIKE, RAUNARSTVA I

INFORMACIJSKIH TEHNOLOGIJA OSIJEK

Sveuilini studij

MREE INTELIGENTNIH KAMERA

Zavrni rad

Vedran Mendelski

Osijek, 2016.
Sadraj
1. UVOD ..................................................................................................................................... 4
1.1. Zadatak zavrnog rada ......................................................................................................... 5
2. PAMETNE KAMERE ............................................................................................................ 6
2.1. Uvod ................................................................................................................................. 6
2.2. Razlike izmeu pametne i obine kamere ........................................................................ 6
2.3. Arhitektura inteligentnih kamera ..................................................................................... 7
2.4. Razvoj pametnih kamera .................................................................................................. 9
3. MREE INTELIGENTNIH KAMERA ............................................................................... 11
3.1. Mrene pametne kamere ................................................................................................ 11
3.2. Distribuirane pametne kamere ........................................................................................... 12
3.3. Distribuirano prepoznavanje pokreta ............................................................................. 13
3.4. Mree samopodesivih inteligentnih kamera ................................................................... 15
3.4.1. Pet stupova samopodesivosti .................................................................................. 17
3.4.2. Rekonfiguracija kao kontinuirani ciklus ................................................................. 19
4. PRIMJENA MREA INTELIGENTNIH KAMERA .......................................................... 24
4.1. Medicina ......................................................................................................................... 24
4.1.1. Poboljanje funkcije zglobova ................................................................................ 26
4.1.2. Rehabilitacija .......................................................................................................... 26
4.1.3. Nadzor na daljinu .................................................................................................... 26
4.1.4. Procjena rizika povrede........................................................................................... 27
4.2. Komunikacija sljedee generacije .................................................................................. 28
4.2.1. 3D rekonstrukcija poetnog prikaza ....................................................................... 29
4.2.2. Pasivna 3D rekonstrukcija ...................................................................................... 30
4.2.3. Aktivni optiki sistemi ............................................................................................ 31
4.3. Video nadzor i potvrda cilja ........................................................................................... 31
4.4. Beine mree inteligentnih kamera za nadzor javnih mjesta ....................................... 35
4.5. SWEETcam sistem......................................................................................................... 41
5. ZAKLJUAK ....................................................................................................................... 44
LITERATURA ............................................................................................................................. 45
SAETAK/ABSTRACT .............................................................................................................. 46
IVOTOPIS .................................................................................................................................. 47
 1. UVOD

Moderno doba dovelo je do razvitka sustava tehnike zatite, ponajvie sustava za video
nadzor. Postupnim prelaskom s analognih na digitalne sisteme, te velikim razvojem IT industrije
i mrenih komunikacija, dovelo je do razvoja nove generacije pametnih mrenih kamera i
omoguilo je stvaranje cjelovitog digitalnog koncepta. Zbog odlinih karakteristika, kao to su
izvrsna kvaliteta slike, detekcija pokreta u slici, detekcija ostavljenih predmeta, video prijenos s
digitalnim potpisom i izvanrednih integracijskih mogunosti mrene kamere postaju standard u
podruju sustava video nadzora. Mree inteligentnih kamera su distribuirani, ugraeni sistemi koji
izvravaju raunalne zadatke koristei viebrojne kamere. Ovaj novi pristup se razvio zahvaljujui
prednostima u ove etiri discipline: raunalni vid, senzori slike, ugraeno procesiranje i mreni
senzor. Obrada slika u mrei inteligentnih kamera predstavlja razliite probleme. No, vjeruje se da
ugraene pametne kamere predstavljaju kljuni dio za budue ugraene sisteme raunalnog vida i
da e inteligentne kamere postati vitalna tehnologija za mnoge nove aplikacije. Osim objanjenja
koncepta samih kamera i njihovih mrea, detaljno e se obraditi i njihova iroka primjena u raznim
dijelovima industrije. Mree inteligentnih kamera su prije svega dizajnirane u svrhu predaje
podataka i prepoznavanja te analize objekata ili znaajnih aktivnosti, prije nego jednostavnog
snimanja slike ili videa. Svoju iroku primjenu nalaze najveim dijelom u medicini, komunikaciji
i nadzoru. Velik dio istraivanja se odnosi na ve postojee sisteme koje koriste mreu
inteligentnih kamera te to je sve potrebno kako bi ti sistemi samostalno i efikasno funkcionirali.
No, drugi dio istraivanja je fokusiran na otkrivanje novih sistema koji bi imali naprednije znaajke
poput samostalnog napajanja i samougaanja te ugradnje tih sistema u ve postojee ureaje, kako
na javnim mjestima tako i u ureaje za osobnu upotrebu. Spajanjem beinih modula i
mikrokontrolera tj. obraivakih jedinica dolazi do razvoja beinih platformi za video nadzor koji
predstavljaju najnoviju tehnologiju u mrei inteligentnih kamera. Zbog planiranja energetske
uinkovitosti, metode poput premjetanja kontrole zadataka i dostupnih resursa uvelike utjeu na
poboljanje potronje energije. Najvaniji dio mrea inteligentnih kamera su algoritmi za obradu
koji ine glavnu razliku izmeu pametnih i obinih kamera te koji se redovno moraju aurirati i
ugaati.
 1.1. Zadatak zavrnog rada
Sustavi umreenih kamera koji prikupljaju i pohranjuju zapise u razliitim okruenjima
(kako privatnim, tako i javnim) danas su sveprisutni i nalaze vrlo iroku primjenu (npr. sigurnosne
primjene, nadzor okolia i sl.). Budui da je procesiranje i analiza podataka prikupljenih
umreenim kamerama iznimno zahtjevan zadatak, sve se vie napora ulae u razliite razine
automatizacije ovakvih sustava. Znaajan razvoj u podrujima ugraenih raunalnih sustava,
senzora slike, raunalnog vida i beinih komunikacijskih mrea omoguio je razvoj sustava
"inteligentnih" meusobno umreenih kamera. Potrebno je sustavno analizirati mree inteligentnih
kamera, vodei rauna o razliitim aspektima ovakvih sustava: problematici dizajna hardvera i
softvera i sistemske razine, arhitekturi i konfiguraciji, energetskoj uinkovitosti, nainu
procesiranja vizualnih informacija, metodama i tehnikama komunikacije, problematici sigurnosti
i privatnosti. Analizirati mogunosti primjene, te detaljnije razraditi neke od moguih scenarija
implementacije.
 2. PAMETNE KAMERE

2.1. Uvod

to je pametna kamera? Razliiti istraivai i proizvoai kamera nude razliite verzije

definicije. Izgleda da nema za stalno utemeljena i dogovorena definicija, kako u video nadzoru
tako ni u industriji optikih strojeva. Ta dva podruja su najraireniji i najrazvijeniji dijelovi u
kojima se koriste pametne kamere. No, za svrhe ovog rada, pametne kamere definiramo kao optiki
sistem u kojima je primarna funkcija proizvodnja visokog nivoa razumijevanja slike tj. scene ili
generiranje specifinih informacija i podataka koji su koriteni u autonomnim i inteligentnim
sistemima. Glavna ideja pametnih kamera je pretvorba podataka u znanje putem procesiranja
informacija gdje je to mogue.
Pametna kamera je pametna zato to procesira primijenjene specifine informacije, iji
je cilj, ne da omogui bolju kvalitetu slike za ljudsko oko, ve da shvati i opie to se dogaa na
slici u svrhu lakeg donoenja odluka u automatskom sistemu za upravljanje. Na primjer, pokretom
aktivirana kamera za nadzor snima video neke scene, detektira kretnju u podruju interesa, te
aktivira alarm kada detektirani pokret zadovolji odreeni kriteriji.

2.2. Razlike izmeu pametne i obine kamere

Vane razlike izmeu pametne i obine kamere, kao to su osobne kamere i fotoaparati,
moemo podijeliti na dva dijela. Prvi dio pronalazimo u arhitekturi sistema kamere. Pametna
kamera obino ima posebnu jedinicu za obradu slike koja sadri jedan ili vie procesora snanih
performansi. On slui za pokretanje inteligentnih algoritama za obradu informacija, kojima je
glavni cilj izvlaenje informacija i saznanja iz slika. Jedinica za obradu slika u normalnim
kamerama je obino jednostavnija i slabija te za glavni cilj ima poboljanje kvalitete slika. Druga
vana razlika izmeu pametne i normalne kamere je u glavnim produktima kamere. Produkt
pametne kamere koji je dobiven iz slike ili detaljnog opisa scene, alje se u automatski kontrolni
sistem, dok za normalne kamere glavni produkt je obraena verzija slike spremna za ljudsku
upotrebu (Sl.2.1.). Zbog tog razloga, normalne kamere imaju velike zahtjeve i potrebe kako bi se
zadovoljila dobra rezolucija slike i sl. dok pametne kamere mogu imati veoma mal promet
podataka i niske zahtjeve jer u nekim sluajevima produkt pametne kamere moe biti 1 -
detektirana kretnja ili 0- nema kretnje.

Generiranje i Prikaz videa na

Obrada slike komunikacija TV ili digitalni
Detekcija
krajnjeg produkta u
slike zaslon u svrhu
obliku slike/videa
ljudske upotrebe
(a)

Obrada Generiranje i Slanje podataka u

primijenjenih komunikacija automatski kontrolni
Detekcija primijenjenih
slike specifinih sistem u svrhu
specifinih donoenja odluka
informacija informacija

(b)

Sl.2.1. Razlike izmeu normalne (a) i pametne kamere (b) [1]

2.3. Arhitektura inteligentnih kamera

Pametne kamere su omoguene u VLSI (very large scale integration) tehnologiji i u

ugraenim sistemima. Moderni ugraeni procesori omoguuju visoku razinu obrade. Obrada slike
se vri u tri jedinice za obradu: senzor slike, jedinica za obradu i jedinica za komunikaciju. Senzor
slike, koji je ugraen u CMOS (complementary metaloxidesemiconductor) ili u CCD (charge-
coupled device) tehnologiju, predstavlja izvor podataka u procesu obrade istih unutar pametne
kamere. Jedinica za osjet ita podatke sa senzora slike i esto izvodi prvi dio obrade, kao to je
prilagodba svjetline i boje. Glavna obrada slike se odvija u jedinici za obradu, koja prima sliku od
jedinice za osjet, izvodi analizu slike u realnom vremenu te prebacuje obraene podatke do jedinice
za komunikaciju. Ta jedinica omoguuje razna suelja za spajanje kao to su USB, Ethernet ili
Firewire. Ove jedinice mogu biti smjetene na razne platforme, od SoC (system on chip) platforme
s jednim procesorom do platforma s veim brojem procesora. FPGAs (field programmable gate
arrays), DSPs (digital signal processors) i/ili mikroprocesori su popularne platforme za obradu.
Pametne kamere dostavljaju obraene podatke promatrane scene. Sasvim je uobiajeno da
dostavljeni podatci zavise od arhitekturi kamere i njezinoj primjeni i skoro svaka pametna kamera
trenutno dostavlja razliite podatke. [3]

Pametna kamera provodi razne algoritme za obradu slika kao to su detekcija kretnje,
razdvajanje, praenje, prepoznavanje objekata itd. One obino dostavljaju geometrijske znaajke
u boji, objekte rastavljene na dijelove ili donose vane odluke kao to je upozorenje vozaima da
voze u krivom smjeru ili prepoznavanje sumnjivih objekata. Kao i raunala, pametne kamere se s
vremenom usporavaju zbog slabljenja memorije i velike obrade podataka u procesorima. U svrhu
ubrzavanja obrade koristi se privremena memorija koja sprema esto koritene vrijednosti i
poveava prosjean uinak memorijskog sistema. Meutim, algoritmi za obradu, kao to su
algoritmi za saimanje videa, koriste veliku koliinu podataka koja nije esto koritena tako da
privremena memorija nije toliko od koristi. Zbog navedenih razloga, softver mora biti paljivo
usklaen kako bi se iskoristilo najvie od privremene memorije. U najgorem sluaju, memorijski
sistem mora biti potpuno redizajniran kako bi se omoguila potrebna koliina memorije.
Pored memorije, snaga procesora je kljuni resurs za obradu podataka. Svaka jedinica za
obradu ima razliite zahtjeve za obradu. Obrada slike niskog nivoa kao to je promjena boje i
dodavanje filtera radi na samostalnim pikselima po odreenoj abloni. Te obrade su esto izvoene
na dodijeljenim hardverskim dijelovima kao to su ASIC (application-specifix intefrated circuits),
FPGAs, ili na posebnim procesorima. Obrade slike visokog nivoa se izvode na vie znaajki ili
objekata to smanjuje potrebnu koliinu podataka ali znaajno poveava sloenost operacija. Ovi
sloeni zadatci za obradu zahtijevaju nepravilan kontrolni tok podataka te najbolje rjeenje za
njihovo izvoenje su programirani procesori. Zavisno o sloenosti algoritma za obradu slike,
ugrauju se viejezgreni procesori ili ak vie njih.
Standardizirano suelje za komunikaciju slui za prijenos obraene slike. Kamere s
povezanim sueljem kao to su Ethernet, gigabit Ethernet ili Firewire omoguuju potrebnu
memoriju za prijenos podataka o slici u realnom vremenu. Nedavno su se razvile pametne kamere
s beinim sueljima koje koriste protokole za mreni senzor kao to je ZigBee. Ti protokoli malih
memorija omoguuju prijenos u realnom vremenu pri niskoj potronji energije.

Sl.2.2. Arhitektura pametne kamere [2]

2.4. Razvoj pametnih kamera

Razvoj pametnih kamera je zapoeo ranih 90-tih godina kada je osobno raunalo postalo
popularno te kada su ureaji za hvatanje slika postali dostupni. Kamere s CCD tehnologijom u
ranim 70-tim su bile analogne. Kasnije tehnologije obrade digitalnog signala (DSP-digital signal
processing) pogurale su analogne CCD kamere u digitalno doba s poboljanom kvalitetom slike
ali izlazno suelje tih kamera e uvijek biti analogno (npr. NTSC/PAL signali). Razvoj fotoaparata
je omoguilo spajanje CCD kamera s analognim izlazom i raunala te digitaliziranje i obradu slike
putem raunala. To je oznailo poetak mree inteligentnih kamera u kojoj kamera izvodi
hvatanje slike a raunalo provodi inteligentnu obradu podataka kao to je detekcija kretnje i
prepoznavanje oblika. Prve aplikacije su se pojavile u poljima nadzora i industrijske optike. Razvoj
CMOS (CIS) senzora slike u kasnim 90-tim odigralo je vanu ulogu u razvoju pametnih kamera i
njihovih mrea ali i omoguilo je da pametne kamere budu manje i jeftinije. U usporedbi s CCD
tehnologijom, CIS senzor slike ima nekoliko prednosti: manja veliina, smanjena cijena
proizvodnje, nia potronja snage, mogunost izgradnje kamere na ipu, mogunost ubacivanja
inteligentnih krugova za obradu na senzorski ip i uvelike pojednostavljeni sistemski dizajn
kamere.
Veina CIS senzora je izraena istim postupkom kao i poluvodiki ipovi (CPU, memorije
itd.) to nam govori da veina proizvoaa poluvodikih ipova moe proizvesti CIS senzore te se
tako potie natjecanje i smanjuje cijena samih senzora. Nasuprot tome, CCD senzori su pravljeni
koristei postupak izrade posebnih ipova i postoji samo par takvih proizvoaa u svijetu, veinom
u Japanu. Set ipova CCD kamere se sastojao od najmanje 3 ili 4 ipa: CCD red piksela, CDS
(Correlated Double Sampling), generator vremena i ADC (Analog-to-Digital Converter). U
sluaju CIS kamere, sve te funkcije se mogu integrirati na jedan ip i tako tvorei pravu kameru
na ipu. To znaajno pojednostavljuje sistemski dizajn kamere i uvelike smanjuje cijenu. U
usporedbi s CCD setom ipova, postoji mnogo izvora gdje se CIS senzor moe kupiti, ak dio po
dio, to omoguava mnogim istraivaima, studentima i proizvoaima kamera da sami razviju
pametnu kameru. Vjerojatno najvanija prednost CIS senzora je mogunost da posjeduje red
senzora slike i inteligentne krugove za obradu slike jedan kraj drugog na istom ipu. [3]

Sl.2.3. Razlika u arhitekturi CCD i CMOS senzora

 3. MREE INTELIGENTNIH KAMERA

3.1. Mrene pametne kamere

Usb kamere, Firewire kamere i mrene kamere omoguuju digitalnim slikama da izravno
budu poslane s kamere na osobno raunalo ili na ugraeni hardver za obradu te tako izbjegavajui
gubitak signala uzrokovan ili DAC-om (digital to analog conversion) unutar mnogih CCTV
(closed circuit television) kamera ili ADC-om (analog to digital conversion) unutar raznih
fotoaparata. 2G CCTV sistem je mrei sistem za video nadzor tj. NVSS (network based video
surveillance). NVSS s ugraenim inteligentnim znaajkama za nadzor moe se smatrati kao mrea
virtualnih pametnih kamera. NVSS je tvoren od 4 glavna sloja: senzorski sloj, mreni sloj, sloj
centralnog raunala i sloj uenog sigurnosnog osoblja (Sl.3.1.).
Razni studiji su zakljuili da je dugotrajno i paljivo promatranje preko kamera, od strane
osoblja, iznimno teko i zahtjevno te da se zbog toga pojavljuju odreene pogreke i propusti.
Zbog tih razloga razvija se sljedea generacija sistema za video nadzor inteligentni sistem za
video nadzor tj. IVSS (intelligent video surveillance system). Taj sistem e pokuati rijeiti
probleme tako da omoguava automatizirani video nadzor i sposobnost prijevremenog uoavanja
zloina. IVSS e ponovno pokrenuti algoritam za obradu podataka (ASIP) te tako znaajno
smanjiti optereenje u NVSS sistemu tj. u sloju osoblja i to je najvanije, stare CCTV kamere e
zamijeniti pametnim kamerama. Upotreba pametnih kamera e uvelike smanjiti opseg problema
zbog poveanog broja kamera u sistemu i pojaanim sistemom za nadzor jer slanje slike mreom
nije efikasno kao to je slanje rezultata nakon trenutane analize i obrade slike. [1]
 Sl.3.1. etiri sloja mrenog sistema za video nadzor (NVSS) [1]

3.2. Distribuirane pametne kamere

Kao i u mnogim drugim primjenama, distribuirani sistem je mnogo efikasniji od

centralizirane arhitekture. Video kamere generiraju velike koliine podataka. Ukoliko prenosimo
neobraeni video do servera, mrea mora omoguiti potrebnu irinu za prolaz podataka. Nadalje,
sam server mora moi podnijeti tako veliku koliinu podataka i prenositi ih s mrenog suelja kroz
memoriju, u procesor i izvan do spremita.
Pomicanje videa kroz mreu takoer troi veliku koliinu energije. U mnogim sistemima,
komunikacija je od 100 do 1000 puta skuplja to se tie energije nego sama obrada podataka.
Realni sistemi kamera ne smiju previe zagrijavati okolinu. Iako podatci moraju biti usporeeni
na nekoliko kamera da bi se video analizirao, ne moraju sve kamere komunicirati jedne s drugima.
Ukoliko moemo isplanirati da prijenos podataka bude samo izmeu procesnih kamera, moemo
osigurati da podatci teku samo na te kamere. Takva mrea moe zatititi fiziki raspodijeljene
kamere na nain da bi se predviena veliina mree mogla iskoristiti efikasno. Jo jedan razlog za
ugraivanje distribuirane mree kamera je realno vrijeme. Vrijeme potrebno da informacija doe
do servera i nazad pridonosi kanjenju donoenja odluke. Distribuirani sistem moe osigurati da
su samo bitne kamere ukljuene u donoenje odluke.
VSAM (virtual storage access method) projekt je jedan od prvih sistema za nadzor koji se
sluio distribuiranim senzorima za obradu tj. SPU-ovima (sensor processing unit), koji mogu biti
promatrani kao jedan tip ugraenih kamera. Te jedinice su sposobne detektirati i pratiti objekte,
klasificirati objekte u pokretu u kategorije kao to su ovjek ili vozilo te identificirati
jednostavno ljudsko ponaanje kao to je etanje. Mellet i Bove su razvili set kamera koji
zajedniki izvodi optike zadatke. Fleck je predstavio sistem za nadzor koji se sastojao od
distribuirane mree pametnih kamera koji je omoguio praenje i prislukivanje vei broj osoba u
realnom vremenu. Njihov traga veeg broja objekata je baziran na filterima za boje. Praenje
poziva i prislukivanje je ostvareno pomou zajednikog rada vie pametnih kamera koje su
bazirane na 3D modelu promatrane scene. Bramberger je predstavio drugaiji pristup praenja
pomou vie distribuiranih pametnih kamera. U ovom pristupu, praenje se izvodi tako da se
doslovno prati promatrani objekt tj. kada objekt napusti polje pregleda kamere, zadatak praenja
je da se prebaci na sljedeu kameru koja promatra objekt. Prislukivanje je automatizirano izmeu
susjedskih kamera unutar mree. Velipasalar je razvio jedan po jedan arhitekturu sistema za
praenje. Ovaj sistem koristi vie kamera za praenje bez vraanja informacija na centralni server.
[3]

3.3. Distribuirano prepoznavanje pokreta

Kako bi lake shvatili strukturu distribuiranog sistema pametnih kamera i izbora s kojima
se proizvoai susreu, odabrali smo za primjer distribuirani sistem za prepoznavanje pokreta.
Ovaj sistem je dizajniran za jedan vor kamera te prvo je smiljen algoritam za jedan vor kamera
pa teko onda odlueno kako e se on distribuirati u sistem. Na slici 3.2., vidimo subjekt uhvaen
na distribuiranom sistemu pametnih kamera. Niti jedna kamera nema cijeli pogled na subjekt pa
se kao rezultat toga moraju kombinirati podatci s vie kamera da bi se izgradio kompletan model
subjekta. Mogli bismo postali neobraene saete video okvire izmeu vorova ali to bi trailo
veliku irinu mree i ne bi imalo prednosti za nae znanje o podatcima. U mnogim optikim
algoritmima izvodimo vie faza analize te tako proizvodimo poveano shvaanje svakog video
signala.
 Sl.3.2. Subjekt za prepoznavanje pokreta se kree kraj zida kamera [3]

Ako se obrada moe izvesti bez spajanja rezultata vie kamera, ta faza se moe napraviti
lokalno i shvaanje scene se moe poslati drugoj kameri za spajanje. Kao to je prikazano na slici
3.3.,jedna kamera izvlai konturu subjekta i alje ju drugoj kameri koja onda zavrava konstrukciju
modela spajajui dva rezultata tj. u naem sluaju generira oblik subjekta iz konture. No,
komunikacijski uzorci izmeu kamera ne smiju biti fiksni. Ukoliko se subjekt kree, ne samo da
neke kamere gube i dobivaju subjekta u vidnom polju ve se i cjelokupna uloga vora kamera
mora promijeniti. Ukoliko kamera izgubi subjekta iz vidnog polja, uglavnom elimo maknuti tu
kameru u raunanje i stvaranje slike o subjektu. Nadalje, izbor koja e kamera izvesti zadnju fazu
prepoznavanja moe varirati. U primjeru na slici 3.3. izbor glavne kamere je proizvoljan jer svaka
kamera ima jednak pogled na subjekta. No, zbog gore navedenog razloga elimo moi mijenjati
fokus naih kamera tj. koja e kamera izraunati i obraditi subjekta s obzirom kako se subjekt
kree.

Sl.3.3. Stvaranje kompletnog modela subjekta s vie kamera [3]

3.4. Mree samopodesivih inteligentnih kamera

Sa poveanim brojem sofisticiranih ureaja za osjet, obradu i komunikaciju podatcima,

inteligentne kamere su znaajno poveale sposobnost snimanja i analiziranja scene. Mree
inteligentnih kamera mogu ubrzo postati vitalni dio u nekim podrujima primjene kao to su
operacije spaavanja, upravljanje katastrofama te ouvanje i nadzor divljine. Mnoge od ovih
primjena su dinamine te tako zahtijevaju od kamera da se prilagoavaju promjeni uvjeta.
Samopodesivost omoguuje takvu prilagodbu gdje kamere zajedno jedna s drugom formiraju
autonomnu mreu koja moe klasificirati dosad neviene uvjete i upravljati s trenutnim resursima.
Karakteristike mree mogu varirati zavisno o primjeni, no samopodesivost obino ukljuuje izbor
kamere, upravljanje njezinim vidnim poljem (FOV field of view) te dodjelu zadataka. [7]
 Sl.3.4. Jednostavni scenarij za samopodesivu mreu inteligentnih kamera [7]

Na slici 3.4. kamere na zranom vozilu bez posade promatraju iroko podruje i predviaju
eljene zadatke te prilagoavaju postavke kako bi postigli odgovarajuu kvalitetu usluge (QoS
quality of service). Kamere na zemljanom vozilu bez posade koriste informacije iz zranog vozila
da bi se pribliili sceni kako bi prepoznali osobe, geste i objekte. Manje kamere na vozilima mogu
tada snimiti visoko kvalitetne slike mete iz blizine koje onda policajci koriste u prepoznavanju i
istrazi.
Na slici 3.4. vidimo scenarij koji ukljuuje detekciju, lokalizaciju i reidentifikaciju. Veliki
broj senzora omoguava potpunu pokrivenost promatranog podruja s razliitim vidnim poljima
(trapez). Suradnja izmeu kamera omoguava pokretanje video analitikog zadatka na
najprimjerenijem senzoru. Vea vidna polja (FOV) mogu pratiti pokretnu metu te ju u isto vrijeme
identificirati i analizirati njezino ponaanje. Neprestana podjela informacija (crvene strelice)
omoguava distribuciju znanja (npr. opis mete) izmeu kamera koje onda omoguavaju eljenu
kvalitetu usluge (QoS) video analitikog zadatka u ovom scenariju bez preklapajuih vidnih polja.
Mrea kamera ima nekoliko zahtjeva za samopodesivost te svaki dio samopodesivog kruga ima
svoje zahtjeve za mnogobrojne kamere.
 3.4.1. Pet stupova samopodesivosti

U mrei inteligentnih kamera, samopodesivost je zajedniki i autonomni proces traenja

odreenog stanja mree koji je optimalan za tadanje kriterije. Moemo navesti pet stupova
samopodesivosti: kamere, mrea, okruenje, zadatci i uinak.

Sl.3.5. Osnovni elementi samopodesivih mrea inteligentnih kamera [7]

Slika 3.5. nam prikazuje 5 elemenata za izgradnju samopodesivosti koje svaka mrea
pametnih kamera mora uzeti u obzir. Okruenje, mrena povezivost, karakteristike svake kamere
posebno, zahtjevi zadataka i ciljevi uinka utjeu na suradnju inteligentnih kamera dok one
pokuavaju postii maksimalnu svijest o situaciji.
Kamere, mrea i okruenje

Prvi stup, kamere, definira svaku kameru da bude samopodesiva s obzirom na svoju fiziku
lokaciju te s obzirom na resurse povezane s potronjom energije (baterija), osjetom (vrsta senzora
ili FOV), obradom (procesor i memorija) i komunikacijom (protokol).
Mrea definira povezivost izmeu kamera u smislu kako komuniciraju i kako dijele vidna
polja. Povezivost se moe promijeniti s obzirom na karakteristike kamere, broj kamera i irinu
komunikacijskog kanala. Stoga, svaki protokol koji upravlja komunikacijom i obradom mora uzeti
u obzir razliite aspekte. Neki od njih su: optimalno dijeljenje komunikacijskog kanala, uvanje
od pogreaka u prijenosu, usmjeravanje informacija o uinkovitosti energije i komunikacijska
podrka izmeu veeg broja ureaja.
Trei stup, okruenje, ukljuuje promatranje lokacije ili kontrolnih toaka koje kamera
uvijek mora pokrivati te promatranje svakog statine ili pokretne prepreke koja bi mogla blokirati
vidno polje.

Zadatci

Svaka pametna kamera surauje s drugim kroz odluke vezane za zadatke i operacije.
Odluke vezane za zadatke izvravaju dodijeljene zadatke kao to je procjena izgleda i pozicije
pokretne mete. Operacijske odluke rezultiraju u dijeljenju informacija svim kamerama u svrhu
rjeavanja odreenog zadatka i omoguavanja suradnje inteligentnih kamera kao to je planiranje
video analitike procedure. Stoga, elementi samopodesivih zadataka ukljuuju ograniavanje
resursa kao to su energija, cijena obrade te balans optereenja zadatcima izmeu kamera. Balans
optereenja zahtjeva promjenu zadataka s obzirom na sloenost i potrebne resurse. Za primjer
moemo navesti kada neka mrea promjeni zadatak prepoznavanja ponaanja sa zadatkom
detektiranja objekta, izvlaenja znaajki i prostorno-vremenskog zakljuivanja. Iako promjena
procedura u teoriju zvui lagano i odgovarajue, potreba za promjenom sloenih zadataka
komplicira proceduru mrea pametnih kamera.
Uinak

Kriteriji uinka se mjeri pomou uspjenosti samopodesive strategije. Tipini uinak se

mjeri preciznou i potrebnom vremenu za zavretak zadatka, potroenoj energiji, cijeni
komunikacije i roku trajanja svake kamere ali i itave mree. Svi se ti kriteriji oslanjaju na svojstvo
mree da neprestano optimizira svijest o situaciji i da bude otporna na greke.
Optimalno stanje mree ovisi o strukturi mree i stanju svake kamere pojedinano no,
optimizacija esto ukljuuje promjenu algoritama i hardverskih parametara. Parametri algoritma
ukljuuju hvatanje i obradu okvirnih stopa, rezoluciju slike, nivo saimanja i definiciju zadatka.
Hardverski parametri ukljuuju broj kamera koje sudjeluju i poziciju svake kamere te njihova
vidna polja. Promjena vidnog polja ukljuuje optimizaciju vanjskih parametara kamere, kao to su
orijentacija i poveanje te unutarnjih parametara kao to su lea i fokus. Optimizacija takoer ovisi
o kriteriju kvalitete slike, kao to je minimalna rezolucija promatrane mete i njezine orijentacije s
obzirom na kameru.
Mree inteligentnih kamera se moraju nositi s multifunkcionalnou, ogranienjem irine
komunikacijskog kanala i vremenskim karakteristikama mree. Struktura mree se promjeni kada
se kamera pokrene, ugasi zbog utede energije te napusti ili ue u mreu za vrijeme dok radi. Zbog
tih razloga, svojstva samopodesivosti se moraju prilagoditi nemoguim uvjetima dok obavljaju
zadatke koji nisu uvijek unaprijed odreeni. Na primjer, mrea inteligentnih kamera mora aurirati
svoju konfiguraciju te istovremeno procjenjivati poar u goruoj zgradi te pratiti kretnje
vatrogasaca i stanara koji naputaju zgradu.

3.4.2. Rekonfiguracija kao kontinuirani ciklus

Slika 3.6. prikazuje neprekidni ciklus koji opisuje glavne faze omoguivanja zajednike
rekonfiguracije. Ciklus se sastoji od otkrivanja topologije, samougaanja, premjetanje resursa i
zadataka te aktivnog vida. Primarni cilj samougaanja odnosno rekonfiguracije je dinamino
odreivanje susjeda svake kamere tako da one mogu suraivati jedna s drugom. Efektivna
rekonfiguracija ovisi o svojstvima mree da li moe koristiti samougaanje i otkrivanje topologije
radi izvlaenja i auriranja njezine strukture.
 Sl.3.6. Kontinuirani ciklus rekonfiguracije u mrei inteligentnih kamera [7]

Samougaanje

Samougaanje ukljuuje geometrijsku analizu koja se odvija pomou unutarnjih i vanjskih

informacija kamere. Vanjske informacije kamere odreuju 3D lokaciju i orijentaciju kamera
unutar globalnog koordinatnog sustava. Pristupi za samougaanje mogu varirati u odnosu na vidno
polje, vorove ili preklapajue kamere. U veini sluajeva, samougaanje poinje na jednoj kameri
u koordinatnom sustavu te se serijski nastavlja kroz mreu sve uz strateku suradnju kamera
odnosno pomou informacija o njihovoj lokaciji i orijentaciji.
Za kamere s preklapajuim vidnim poljima, zajednika kalibracija usklauje slike s vie
vidnih polja, izvlaei opisne znaajke sa svakog vidnog polja te ih potom alje kroz mreu. Da bi
se naao pogodan par, kamere surauju tako da usporeuju obraene opise s opisima koje prime
kroz mreu. U svrhu definiranja potencijalnog para, kalibracijski algoritmi odreuju slinosti
izmeu vidnih polja. Da bi se smanjila lista moguih kandidata, koriste optimizacijski proces da
proberu najbitnije slinosti.
Kada su kamere s nepreklapajuim vidnim poljem, nepromatrano podruje izmeu vidnih
polja uvelike kompliciraju ugaanje. Jedan pristup za olakano ugaanje u ovim sluajevima je
tako da mree koriste kretnje mete ali ova strategija pretpostavlja da se meta kree konstantno kroz
vidna polja kamera, to nije uvijek tono.

Otkrivanje topologije

Mrea ima nekoliko moguih strategija za pronalazak topologije odvojenih kamera,

ukljuujui i analiziranje obrazaca kretanja, primjenjujui tehniku reidentifikaciju za lociranje
mete u pokretu i odreivanje slinosti u razliitim vidnim poljima. Praenje meta kroz mreu
odvojenih kamera zahtjeva mehanizme za prebacivanje kontrole zadatka za praenje s jedne
kamere do druge te za dodjeljivanje odreene kamere odreenoj meti.

Sl.3.7. Reidentifikacija mete izmeu odvojenih vidnih polja [7]

 Na slici 3.7. akcijski mehanizam moe upravljati prebacivanjem i kontrolom zadatka za
praenje svaki puta kada meta napusti vidno polje kamere koja ga trenutno prati. Kamere koje
mogu pratiti metu e signalizirati da su u mogunosti odnosno da je meta u njihovom vidnom
polju. Direktno na primjeru na slici 3.7. vidimo kamere c1 do c4 koje surauju pri praenju mete.
Kako meta naputa vidno polje kamere c1 u trenutku 0 (t0), c1 prebacuje kontrolu kameri c2 koja
smanjuje optereenje izmeu kamera, prikazano podebljanom linijom u t1 grafu. Kako meta
nastavlja prolaziti kraj etiri kamere, prebacivanje kontrole za praenje je nain koji pomae u
odreivanju topologije mree. [7]

Premjetanje resursa i zadataka

Mree inteligentnih kamera s ogranienim resursima moraju upravljati baterijom odnosno

njezinom izdrljivou, irinom komunikacijskog kanala i snagom procesiranja. to je mrea vea,
sve je vanija kontrola resursa. Kamere moraju smanjiti snagu procesiranja i to postiu
prebacivanjem video analitikih zadataka na kamere koje su pod manjim optereenjem.
Rekonfiguracija mora utvrditi koje je podruje bitno za nadgledat te koliko kamera se mora
ukljuiti. Istraivai su predstavili velik broj rjeenja za ovaj problem koje sadre razne modele
vidnog polja.
Upravljanje resursima mora promijeniti parametre svake kamere i cijele mree da bi se
prilagodili dinaminosti scene i dostupnosti resursa. Optimizacija resursa se koristi za poveanje
uinka mree no to rjeenje je jo uvijek u razvoju i istraivanju. Sva mogua rjeenja usklauju
potronju energije s eljenim uinkom tako da se resursi premjeste na mjesto zadatka ili da se
optimizira komunikacija video podatcima. Optimizacija u realnom vremenu je kljuna za
odravanje mree i produljivanje njezinog ivotnog vijeka.
Premjetanje ili planiranje zadataka je kljuni dio ciklusa zbog toga jer zadatci mogu biti
sloeni i brojni. Glavna ideja je dodjeljivanje ciljeva svakoj kameri tako da im se omoguava
suradnja u svrhu ostvarivanja glavnog cilja mree. Sve strategije premjetanja moraju uzeti u obzir
ogranienja resursa svake kamere ime odreuju najpogodniju za izvrenje danog zadatka.
Iskljuivanje nepotrebnih kamera zbog utede energije redefinira topologiju i zahtjeva
odgovarajue premjetanje zadatka u realnom vremenu.

Aktivni vid

Aktivni vid ukljuuje neprestane interakcije izmeu inteligentnih kamera i okruenja u

svrhu odluivanja to promatrati i kako poslagati prioritete izmeu zadataka. Kamere mogu
aktivno promijeniti unutarnje i vanjske parametre (translaciju, rotaciju, irinu, nagib i poveanje)
zbog prilagoenja njihovih vidnih polja odreenom zadatku, kao to je poveanje preciznosti u
lokalizaciji objekta. Kamere mogu proiriti vidno polje i nagnuti se da bi se poveao dio slike u
kojem se nalazi meta te poveati lice mete ili registracijsku oznaku. Takoer mogu podesiti
unutarnje parametre zbog poveanja kvalitete slike, npr. poveanje parametra arenice kada meta
ue u sjenovito podruje.
 4. PRIMJENA MREA INTELIGENTNIH KAMERA

Kamere koritene u raznim poljima mogu biti bazirane na dva sistema, s ili bez markera.
Sistemi s markerom koriste kamere za praenje pozicije fiksiranih markera tj. odreenih
anatomskih dijelova na ljudskom tijelu. Iako je ova metoda veoma koritena u mnogim
istraivanjima i razvojnim projektima, stavljanje markera na subjekta uvelike ograniava
praktinost. S druge strane, sistemi koji ne koriste markere primamljivu alternativu zato to
ukljuuje manje pripreme pri skupljanju podataka. No u ovoj tehnologiji tee je definirati
biomehanike funkcije subjekta zbog ne detaljnog oznaavanja anatomskih dijelova na ljudskom
tijelu.

4.1. Medicina

Kako vidimo u tablici 4.1. kamere bez markera mogu nai razne primjene koje se oslanjaju
na kvantitativno mjerenje i inteligentno odluivanje o ljudskim pokretima. U mnogim
medicinskim aplikacijama, prednosti u pristupanim, ali efikasnim preciznim metodama snimanja
pokreta bi mogle pomoi pri tranziciji mjerenja ljudskog pokreta iz istraivakog okruenja do
stvarne primjene u medicinskim centrima, sportskim objektima i domovima. S ovim novim
metodama za snimanje pokreta, ne strunjaci mogu mjeriti pokrete cijelog tijela s minimalnim
tehnikim treningom, to sisteme ini veoma prigodnim za kliniku praksu ili sportske treninge.
Snimanje kao i brojanje koordiniranih pokreta zasebnih dijelova tijela omoguuje novi pogled na
status funkcija, tretmana i rehabilitacije te rizik od ozljede. [5]
 Tab.4.1. Primjena mree inteligentnih kamera bez markera u medicini [5]
Opis sustava
Snimanje pokreta bez markera
koristei osam sinkroniziranih
VGA kamera (640 x 480
piksela, >100Hz)
Sinkronizirane web kamere
(640 x 480 piksela, 25Hz)
Jedna kamera (1000 x 1400
piksela, 25Hz)
Kamera dubine iz jednog
kinetikog ureaja (640 x 480
piksela, 30Hz)
Kamera dubine iz jednog
kinetikog ureaja (640 x 480
piksela, 30Hz)
Primjena
Prouavanje pokreta u svrhu
odreivanja faktora rizika za
sportske ozljede
Procjenjivanje hoda i
pozicijske tranzicije u
pacijentov dom
Analiza pozicijske tranzicije
Mjerenje kinematike ruku
Pomae pacijentu pri kontroli
trupa za vrijeme hodanja gornjeg dijela tijela koristei
Znaajke i doprinos
Stvaranje 3D modela subjekta
koristei laserski skener i
ujednaavanje modela s
vizualnom konturom iz mree
kamera.
Mjerenje kinematike gornjeg
dijela tijela pri brzim
pokretima i pri svjetlosnim
uvjetima te stvaranje 3D
modela subjekta
Rekonstruiranje 3D modela iz
silueta
Mjerenje parametre hoda i
prepoznavanje pozicija
stajanja i sjedenja.
Praenje dijelova tijela
koristei teoriju maksimalne
vjerojatnosti iz Gauss-
Laguerre transformacijske
domene.
Raunanje 2D putanja ljudskih
zglobova
Oznaava ruke pomou
algoritma za konture i onda
procjenjuje poloaj lanaka na
prstima koristei algoritam za
modele
Mjeri pokrete prstiju u
realnom vremenu
Mjeri poziciju zglobova
metodu praenja kostura
Daje povratnu informaciju za
nagib trupa
 4.1.1. Poboljanje funkcije zglobova

Primarni cilj tretmana nakon lokomotorne ozljede ili bolesti je poboljanje funkcije
zglobova povezanih s prirodnom kretnjom. Generalno, poetna dijagnoza i tretmani nakon nje za
ove ozljede su rune procedure. Fizioterapeut ili koristi jednostavne ureaje, kao to su
goniometre, za mjerenje pasivne kretnje zglobova ili promatra kako pacijent izvodi odreeni
zadatak, uglavnom povezan s dnevnom aktivnosti. Istraivanja su pokazala da mjerenje broja
aktivnih kretnji moe poveati osjetljivost procjene koja moe biti dijelom zasluna za razvoj
ortopedije, neurologije i gerijatrije. Mreni sistemi kamera to analiziraju ravnoteu pri etanju e
popraviti detekciju i osjetljivost brojanja ozljeda i omoguiti paljiviju njegu. Sposobnost mjerenja
pokreta u medicinskim centrima, sportskim objektima i domovima omoguuje fizioterapeutima i
trenerima da preciznije identificiraju bitne parametre kretnje.

4.1.2. Rehabilitacija

Protokoli za rehabilitaciju za mnoga zdravstvena stanja, ukljuujui lokomotorne ozljede i

neuroloke povrede, uzima u obzir fizikalnu terapiju koja cilja da pacijent povrati funkcionalne
pokrete. Fizioterapeuti esto preporuuju umjerenu tjelovjebu za one koji imaju rizik od padanja.
Integriranjem jednostavnog sistema za snimanje pokreta s fizioterapeutskim protokolima bi
pomoglo pri praenju napretka i za dobivanje povratne informacije pacijenta. Iako sadanja
izvedba sistema s vie kamera je dovoljno jednostavna za pomo pri rehabilitaciji u posveenim
objektima, takav sistem jo uvijek zahtjeva sloenu ugradnju te ga ograniava za upotrebu u
kuama. S pristupanim videom i dubinsko-osjetljivim kamerama, sistem bi uskoro mogao biti od
koristi i u kunoj rehabilitaciji.

4.1.3. Nadzor na daljinu

Snimanje pokreta bi takoer moglo biti dio nadzora na daljinu, omoguujui

fizioterapeutima praenje napretka pacijenta s dijagnosticiranim zdravstvenim stanjem ili zbog
gledanja pacijenta u sluaju novih nezgoda i bolesti. Zbog toga to ee mjere podatke, takvi
ureaji bi mogli pridonijeti boljem tretmanu pacijenta. Procjena je jeftinija i preciznija jer je
pacijentovo stanje prouava u njegovom tipinom okruenju. Sistem snimanja pokreta moe
pomoi pri gledanju starijih i nemonih osoba zbog padova ili drugih abnormalnih pokreta.

4.1.4. Procjena rizika povrede

Lakoa upotrebe sistema bez markera takoer moe olakati procjenu rizika sportske
povrede. Primjer moemo vidjeti na slici 4.1. koja usporeuje kinematiku gornjih udova i
kinematiku izmeu tri tipa teniskih servera da predloi poveani rizik ozljede ramena i lea. Drugi
istraivai su koristili 3D metodu snimanja pokreta za mjerenje kretnje donjih udova i torza te za
demonstraciju kako rezultati mjerenja mogu pomoi fizioterapeutima da analiziraju faktore rizika
zbog ozljede krinih ligamenata pri tranju i okretanju.

Sl.4.1. Primjena metode za snimanje pokreta bez markera za analizu teniskih servisa [5]
(a) Konfiguracija mree pametnih kamera u okolini, (b) 3D laserska slika subjekta (lijevo) i odgovarajui
model u dijelovima s izraenim zglobovima (desno), (c) praenje pokreta atletiara
 4.2. Komunikacija sljedee generacije

Jo jedno vano podruje primjene za mree pametnih kamera bez markera je

komunikacija sljedee generacije tj. teleimercija (teleimmersion), koja omoguava zemljopisno
udaljenim korisnicima meusobnu komunikaciju kroz njihove 3D avatare. U tablici 4.2. vidimo
neke projekte koje predstavljaju komunikaciju sljedee generacije. Ona naglaava mane sadanje
2D videokonferencije kao to su nemogunost zadravanja kontakta oi u oi te precizno snimanje
dinamike izraza i gesta lica. Mrea pametnih kamera koristi slike visoke rezolucije, strateki
postavljene ekrane za prikaz udaljenih korisnika i omoguuju odgovarajuu okolinu za stvaranje
iluzije kontinuiteta izmeu fizikalne i virtualne stvarnosti. Istraivai su naveli neke mane 2D
tehnologije sluei se preklapanjem vie kamera poslaganih u linearni red tako da mogu dostaviti
puno video podataka s viestrukih toaka vida kako bi napravili detaljan 3D model. Sloeniji red
kamera bi mogao snimiti ogromne 3D scene na nekim zabavnim dogaajima poput koncerata,
sportskih dogaaja i modnih revija. [5]

Sl.4.2. Aplikacija teleimercije na Kalifornijskom Sveuilite, Berkeley [5]

Aplikacija koristi zvune kamere i Kinect te ukljuuje (a) udaljeno plesanje, (b) uenje tai chi-a, (c)
uenje geolokih znanosti, (d) virtualna arheologija, (e) dizajniranje s udaljenosti i (f) telemedicina
 Tab.4.2. Primjena mree inteligentnih kamera bez markera u teleimerciji [5]

Opis sistema Primjena Znaajke i doprinos

3D prisutnost: 16 HD kamera
Berkeley teleimercija: 16 do
48 VGA kamera (640 x 480
piksela)
Blue-c:16 VGA kamera (640
x 480 piksela)
Sistem od pet Kinect kamera
Sistem od osam kamera od 1
megapiksel
Poetni prikaz: tri IR kamere,
tri XGA kamere u boji i jedna
Kinect kamera
Videokonferencija Rekonstrukcija hibridnog 3D
sustava iz vizualne ljuske i
osnovnog zvuka.
Tai chi, umjetnost, Rekonstrukcija 3D sustava
arheologija, geoloke slika s neobinom
znanosti, telemedicina reprezentacijom vieskalne
mree. Prilagodljivo 3D
video kodiranje s kontrolom
detalja i boja.
3D ogledalo, virtualni butik, Prvi potpuni 3D teleprisutni
sajam auta, umjetnost sistem s aktivnim LCD
panelima. 3D rekonstrukcija
iz silueta s prilagodljivom 3D
transmisijom
Videokonferencija, Efikasna kompresija 3D
interakcija 3D modela geometrijske mree. 3D
prijenos podataka s
ispravkom pogreaka pomou
UDP-a.
3D LIDAR (light detection Rekonstrukcija 3D poliedra iz
and ranging) model vie silueta. Telekonferencija
oi u oi
Videokonferencija 3D rekonstrukcija s
ratrkanim kamerama
baziranim na IR obrascu
projektiranja.
Telekonferencija oi u oi.

4.2.1. 3D rekonstrukcija poetnog prikaza

ak i sloeni redovi kamera snimaju scenu iz jedne lokacije pa ne mogu potpuno izgraditi
3D oblike i strukture. Nasuprot tome, sistem vie kamera nudi fleksibilnost u odabiru poetnog
prikaza te tako stvara sistem bez markera za snimanja pokreta omoguujui 3D video poetnog
prikaza. Ugraivanjem ovog sistema u 3D modele i njihovu virtualnu okolino, moe pojaati
osjeaj prisutnosti i promovirati blisku komunikaciju izmeu geografski udaljenih korisnika. Prva
3D rekonstrukcija poetno prikaza ljudskog subjekta koristei se sistemom vie kamera je bila
1997. Od tada, istraivai su razvili mnogo sustava s vie kamera koristei se raznim
tehnologijama za snimanje za pasivnu ili aktivnu 3D rekonstrukciju. U pasivnim sistemima,
kamere snimaju scenu iz vie uglova dok raunalo pokree optiki algoritam za obradu slike koji
rekonstruira scenu. Aktivni sistemi, s druge strane, koriste laser ili strukturu svjetla kako bi postigli
aktivnu iluminaciju koja pojednostavljuje proces 3D rekonstrukcije.

4.2.2. Pasivna 3D rekonstrukcija

Veina pasivnih 3D rekonstrukcija se bazira na kombinaciji triju metoda. U prvoj metodi,

rekonstrukciji iz silueta, sistem skuplja 3D informacije iz vizualnih sjenki tako da generalizira veze
izmeu subjektovih silueta i sredita kamere. Iako je ta metoda veoma brza u obradi podataka,
teko se pouzdati u siluete u nekim sloenijim okolinama i samo konveksne povrine se mogu
rekonstruirati iz vizualnih sjenki. Blue-c, sagraen 2003., je bio prvi teleimercijski sistem baziran
na siluetama cijelog tijela.
Voksel rekonstrukcija11 koristi algoritme koji prave 3D oblike tako da izdvajaju i rezbare
slike scene s vie kamera zavisno o gustoi slike. Voksel je grafika jedinica u 3D mrei koja
predstavlja osnovnu jedinicu za grau mree. Ovaj pristup omoguuje proizvoljnu geometriju i
topologiju ali vokseli visoke rezolucije su veoma skupi za obradu. Sistem 3D prisutnosti za
videokonferenciju, razvijen 2003. koristi hibridni pristup, kombinirajui voksel rekonstrukciju i
dubinsku zvunu procjenu.
U rekonstrukciji slike, sistem koristi gustu zvunu mreu iz vie pari zvunih kamera za
rekonstrukciju scene. Taj pristup moe rijeiti konkavne povrine, ali obrada moe biti nepouzdana
to se tie teksture i sklona pogrekama oko zatvarajuih granica. 2001. godine, istraivai na
Pensilvanijskom Sveuilitu su razvili teleimercijski sistem u kojem se preklapaju tripleti zvunih
kamera te tako snimaju gornji dio tijela udaljenih korisnika. Teleimercijski sistem na
Kalifornijskom Sveuilitu u Berkeleyju je iskoristio prednosti slinog zvunog sistema kako bi
generirao pogled na cijelo tijelo u 360 stupnjeva. Na slici 4.2. moemo vidjeti ostale primjene
teleimercijske tehnologije u Berkeleyju. [5]
 4.2.3. Aktivni optiki sistemi

Aktivne 3D kamere postaju vana tehnologija za budue 3D teleimercijske sisteme.

Kamere za mjerenje leta kao to su Swiss Ranger i Microsoft Kinect 2.0 koriste udaljenost toaka
u scenama tako da mjere vrijeme potrebno svjetlu da pree od jednog IR odailjaa nazad do
senzora kamere nakon refleksije od 3D povrinu. Kamere za projekciju, kao to je Microsoft
Kinect 1.0 koriste obrazac svijetla projektirane strukture za rekonstrukciju nepoznate geometrike
povrine. Kamere za strukturu svjetlom, veinom Kinect, dobile su mnogo pozitivnih komentara
jer omoguuju jeftinu i efikasnu obradu scene ljudskog subjekta koji se nalazi u robusnoj, mranoj
ili bilo kakvoj drugoj oteavajuoj okolini. Veliki minus kod aktivnih kamera je manjak
hardverske sinkronizacije za omoguavanje koritenja vie poetnih toaka jer moe doi do
interferencije putanja aktivne svjetlosti pri odbijanju od istu povrinu. [5]

4.3. Video nadzor i potvrda cilja

U sistemima za video nadzor, mrea inteligentnih kamera pomae pri identifikaciji lica i
spola, aktivnom prepoznavanju i detekciji anomalija. Standardni sistem za video nadzor se sastoji
od etiri faze obrade: detekcije, lokalizacije, praenja te potvrde i prepoznavanja. U tablici 4.3.
moemo vidjeti neke istraivake sisteme koji potpomau ove faze. U fazi detekcije, sistem koristi
pozadinu da uoi subjekta u svakom poloaju. Nakon toga obrauje tonu lokaciju subjekta na
zemlji (lokalizacija) iz koordinata slike, koja je bazirana na perspektivnom modelu kamere. U fazi
praenja, sistem pretpostavlja subjektovu lokaciju iz prethodnih slika. U fazi potvrde i
prepoznavanja, sistem identificira subjekta te ga detektira i prati.
 Tab.4.3. Primjena mree inteligentnih kamera bez markera u video nadzoru [5]
Opis sustava
Sistem krinog potvrivanja: tri
statine kamere na irokom
prostoru
Flexiview: preklapanje statikih
kamera-ping pogled u vanjskoj
okolini
Sistem za pratnju i
prepoznavanje: 5 sinkroniziranih
statikih kamera u vanjskoj
okolini
Sistem detekcije dogaaja: dvije
statike kamere u vanjskoj
okolini
Sistem za pratnju i osjet: osam
PTZ (pan-tilt-zoom) kamera
(320 x 240 piksela)
Sistem za ponovnu
identifikaciju: dvije Kinect
kamere
Primjena
Pratnja vozila i potvrda
Prepoznavanje ljudskih pokreta i
4D virtualna realizacija
Pratnja i prepoznavanje lica
Detekcija abnormalnosti i
generiranje dogaaja
Zajednika pratnja i osjet
Identifikacija osoba
Znaajke i doprinos
Integrirani jednofazni poredak
za pratnju i potvrdu.
Naglaavanje znaajki baziranih
na 3D strukturi i prirodi kretnje.
Generiranje avatara koji
indiciraju lokaciju i glume
ljudske akcije. Vremenske i
prostorne znaajke iz silueta za
prepoznavanje akcija.
Otkrivanje automatskih znaajki
s algoritmom za praenje
Hidden Markov model za
klasifikaciju objekata i detekciju
padova. Primjena videa za
efikasnu komunikaciju.
Kontrola rasprenih PTZ kamera
za pokrivanje maksimalne
povrine i mete. Algoritam za
raireno praenje baziran na
Kalman filteru.
Identifikacija bazirana na
razlikama. Pojaano praenje i
razdvajanje boja i dubina mape.
 Tehnologije snimanja pokreta su korisne za podravanje ovih faza zato to razdvajaju
fizike aktivnosti od proizvoljnih toaka vida kako u unutarnjoj tako i u vanjskoj okolini. Mree
video nadzora na irokom podruju obino imaju rijetko rairene kamere zbog cijene ugraivanja
i ograniene irine komunikacije te tako oteavaju konstantno praenje subjekta kroz mreu. U
takvim mreama, video nadzor na nepreklapajuim podrujima zahtjeva da algoritmi moraju moi
slati znaajke kroz cijelo podruje. Stoga je presudno da se izvade znaajke iz subjekta koji je
potencijalna meta za praenje s vie kamera. Koristei te robusne znaajke, sistem moe povezati
iste identifikacije i preko nepreklapajuih podruja. Najnovija istraivanja su pokazala da se
pretpostavljanje lokacije razlikuje u vie pogleda zato to je transformacija projekcije iz 3D
koordinata u 2D koordinate slike nelinearna. Sistem obrauje finalnu lokaciju objekta u pokretu
tako da spaja pretpostavljene projektirane lokacije iz vie kamera.

Sl.4.3. Snimanje sferne 2D slike s tri kamere te spajanje na 3D sfernu povrinu [5]

U jednom sistemu, algoritam za 3D praenje i prepoznavanje lica koristi reprezentaciju

sfernih harmonika (SH) da bi smanjio razlike pogleda s vie kamera. SH reprezentacija se sastoji
od SH zajednikih jednostavnih funkcija definiranih preko sferne jedinice. SH komponente su
izraunate projektiranjem povrine 3D sfere lica na jednostavne funkcije. Slika 4.3. pokazuje
rekonstrukciju 3D sfere lica iz tri kuta, koju algoritam koristi za raunanje SH komponenti. Glavna
prednost ovog pristupa je konstrukcija 3D znaajki iz 2D lica to izbjegava odreivanje modela
to esto uzrokuje pogreke u kalibraciji i procjeni pozicije.

Sl.4.4. Pratnja i potvrda preko nepreklapajueg podruja kamera [5]

(a) Shematski prikaz podruja s tri kamere, (b) 3D struktura tri vozila s teksturnim mapama i (c) rezultat
praenja

Slika 4.4. prikazuje rezultate sistema koji koristi lokalne znaajke u 3D prostoru. Sistem
spaja praenje i potvrdu kao jedinstvenu fazu i provodi detekciju za vrijeme praenja. Zbog toga
to je objekt ogranien na 2D poloaj, pretpostavke kretnje su pojednostavile praenje jer se broj
parametara smanjio. Svaka kamera konstantno osvjeava model prikaza objekta te prenosi nove
podatke drugim kamerama. Ako su slinosti na kamerama previe razliite, kamera dodaje novi
identitet u model. Veina sistema u tablici 4.3 su relativno novi, naglaavajui da se tehnologija
bez markera tek razvija u video nadzoru i praenju. To e se vjerojatno nastaviti jer 3D modeli
pokreta su mnogo pouzdaniji od 2D modela kako u detekciji tako i u prepoznavanju ljudskih
aktivnosti.
Vanjski video nadzorni sistem, Flexiview omoguuje 4D virtualnu realizaciju 3D
informacija o vanjskim scenama, kao to su zgrade, velika podruja i ostali statiki objekti,
dodajui dinamiku u obliku pjeaka koji sudjeluju u sceni. S obzirom na mnotvo informacija u
mrei inteligentnih kamera, jedan od ciljeva Flexiview-a je da analizira scenu i proizvede toan
zakljuak o videu za virtualnu realizaciju. [5]

Sl.4.5. Flexiview sistem [5]

Iz vie 3D pogleda scene na sveuilite Maryland (lijevo), sistem generira 4D virtualni realizaciju
(desno). Ove scene su bazirane na videu iz etiri kamere.

Kao to vidimo na slici 4.5., sistem ukljuuje pjeake u 3D virtualnu scenu kao avatare to
oponaaju ljudske aktivnosti bazirane na video snimljenom iz vie uglova i kamera u istom
vremenskom intervalu. Razumijevanje ljudskih aktivnosti u Flexiview-u je postignuto obradom
vremenski i prostornih znaajki iz silueta pjeaka sa svakog segmenta videa.

4.4. Beine mree inteligentnih kamera za nadzor javnih mjesta

Zbog poveanja potrebe sigurnosti na javnim mjestima, razni projekti se fokusiraju na

prepreke u razvojnim sistemima za nadzor javnih mjesta. Mnoga rjeenja ukljuuju beine
kamere, koje su postale sve jeftinije i pristupanije i imaju bolju mogunosti balansiranja procesne
snage i koritenja energije. Te beine kamere mogu funkcionirati kao cjelina, tvorei beinu
mreu vizualnih senzora (WVSN wireless visual sensor network) iji dijelovi, osim vidnog
senzora, imaju sposobnost obrade, spremanja i komunikacije. Zbog potrebe balansiranja
performansi i potronje energije, dolazi do razvoja SWEETcam14 (Solar Wi-Fi Energy Efficient
Tracking camera) sistema. [6]

Sl.4.6. Dizajni beinih mrea vizualnih senzora (WVSN) [6]

Na slici 4.6. pod a) vidimo vieslojnu mreu koja koristi dvije vrste kamera da bi se smanjio
teret obrade podataka. Druge mree, pod b), koriste kamere s preklapajuim poljima vida za bolju
procjenu aktivnosti objekta u 3D prostoru. Mree pod c) se oslanjaju na viemodalni senzor za
poboljanu procjenu situacije, koristei na primjer i slike vatre i podatke o temperaturi. Izbor
komunikacijske tehnologije u WVSN-u je veoma bitan. Mnoge beine pametne kamere koriste
Zigbee sistem (IEEE 802.1.4)14 zbog njegovog svojstva niskog koritenja snage. Ostale kamere s
veim zahtjevima obino koriste Wi-Fi (IEEE 802.11). Prepoznavanje objekta i praenje
ponaanja su dvije glavne strategije raunalnog snimanja u mnogim aktivnim WVSN dizajnima.
 Tab.4.4. Primjena WVSN-a za nadzor javnih mjesta [6]
(fps, frames per second; DTN, delay-tolerant networking; MAC, media access control; SoC, system on chip; WVSN,
wireless visual sensor network; WVSNP, wireless video sensor node platform)
Sistem Uinkovito Vie- Potrebna Beina Raunalni vid OS Preklapa Sigurnost
st energije modalni koliina veza nje
senzor energije kamera
Citric Uspavani Zvuk Obrada 802.15.4 Stisnut osjet; Ugraeni DA Enkripcija
Napajanje vorovi slike u razdvajanje Linux podataka
baterijom bude se na mrei; okvira, na
15 fps na zvuk; mala odvajanje vorovima,
1280 x 1024 Uinkoviti veliina pozadine, vie komuni-
ili 30 fps na senzor slike kamera po kacijski
640 x 480 slike i objektu protokol
radio
HuSIMS Uspavani Detektori Obrade WiMAX Alarmi za Veliki NE Komuni-
Napajanje vorovi; dima, slike u 4G neuobiajeno sustav sa kacijski
mreom kamere s svjetla, mrei, ponaanje semanti protokol
Fps na malom vlage i povezani kom
320x240 snagom temp. vorovi, obradom
obrade, odvojeni podataka
senzori mreni
uinkovite senzori s
snage niskom
razinom
energije
OmniEye Uspavani Temp., Obrada 802.11 JPEG Linux DA Enkripcija
Napajanje vorovi svjetlo i slike u kompresija podataka
baterijom bude se na zvuk mrei, (70%), na
30 fps na zvuk; biljeke o prilagodljivo vorovima,
640 x 480 Uinkoviti obradi razdvajanje komuni-
senzor podataka pozadine kacijski
slike i protokol
radio,
MAC sloj
Wi-FLIP Uspavani Svjetlo Male 802.15.4 Detekcija TinyOS NE Komuni-
Napajanje vorovi, slike, koristei se kacijski
baterijom niski nivo i niska Gaussovim protokol
Prijenos pametna stopa diferencijama
640x480 obrada okvira
slike svakih slike
15 sekundi
CamInSens Rasprena Svjetlina, Rairena 802.11 Nije opisano TinyOS i DA Komuni-
Napajanje obrada, temp., 3D veliki kacijski
mreom Mica lom obrada sustav za protokol
Rezolucija kamere s svjetlosti slike upravlj-
nije opisana niskom anje
potronjom
energije
 DTN-Citric Isto kao Zvuk Rairena 802.15.4 Neodreeno Ugraeni DA Komuni-
Napajanje Citric obrada i razdvajanje Linux kacijski
baterijom sprem- pozadine protokol
Rezolucija anje u
nije opisana mrei
Flexi-WVSNP Uspavani Zigbee Prebaci- 802.11, Nije opisano SoC NE Komuni-
Napajanje vorovi, mreni vanje 802.15.4 vatrozid kacijski
baterijom, uinkovit senzor izmeu protokol
15 fps na SoC radija
640x480 procesor
MeshEye Uspavani Nema Rairena 802.15.4 Razdvajanje ARM7 NE Komuni-
Napajanje vorovi i obrada u pozadine po mikro- kacijski
baterijom uinkovit mrei okvirima kontroler protokol
Fps na MAC sloj,
30x30 plus
640x480

Energetska uinkovitost

Tablica 4.4. je prikaz trenutnih sistema za nadzor uz pomo beinih inteligentnih kamera.
Sistemi predstavljaju nedavne istraivake projekte ugraene u nadzorne aplikacije. Sistemi u
tablici 4.4. koriste razne strategije za upravljanje snagom. Neke imaju stanja koja koriste malo
energije za vrijeme mirovanja dok druge koriste senzore s uinkovitijim koritenjem energije.
Senzor slike s uinkovitim iskoritavanjem energije moe biti dizajniran s analognim strujnim
krugom u svrhu nie potronje energije. No, nia potronja energije dolazi uz cijenu; u Wi-FLIP
sistemu, vidimo niu stopu snimanja slika u svakoj kameri. U nadzornim sistemima sa
preklapajuim kamerama, vorovi kamera mogu signalizirati susjednim vorovima da se upale ili
ugase s obzirom na putanju praenog objekta. Da bi se smanjila potronja energije, mnoge
platforme pametnih kamera moraju raditi s videima manje rezolucije dok u nekim platformama
uinkoviti mreni protokol, kao to je MAC (media access control) sloj, doprinosi niskoj potronji
energije. Veina sistema ima baterijsko napajanje, i niti jedan sistem, osim SWEETcam, ne koristi
obnovljiv izvor energije kao to je suneva svjetlost. [6]
Viemodalni sustav

Koristei viemodalni sustav, odnosno vei broj senzora, moe omoguiti dodatne
informacije o dogaaju to pomae u spreavanju lanih detekcija. Sistem za praenje ljudskih
situacija (HuSIMS human situation monitoring system) koristi veliki broj senzora u gradovima
da bi detektirao poare u zgradama. Video senzori uoavaju abnormalno kretanje za vrijeme
poara te dimni senzori potvruju da je vatra uistinu problem. Senzori mogu biti na vorovima ili
na njihovim mreama kako je u sistemu OmniEye. Citric i DTN (delay-tolerant networking)-Citric
koriste zvune podatke kako bi odluili u kojem energetskom stanju vor mora biti.

Potrebna koliina energije

Kako svaki vor kamere generira video visoke rezolucije, slanje kompletnih podataka sa
svih kamera istovremeno je izvan mrenih granica. Mnogi sistemi koriste obradu podataka u mrei
prije slanja istih na server te tako zavravajui lokalnu obradu na svakom voru odvojeno. Mnogi
moderni sistemi danas koriste obradu podataka zasnivanu na virtualnom oblaku kako bi rijeili
analizu videa i detekciju anomalija. Koristei povezane vorove u gusto naseljenim senzorskim
mreama doprinosi smanjivanju koliine video podataka koje vor mora poslati. Neki sistemi
koriste vie kanala da bi se ubrzao protok podataka.

Beina veza

Ukoliko veliki sistem za nadzor optereuje oblinju mreu, beine veze kao WiMAX
mogu odrati visoki nivo performansi putem komunikacijskog kanala tako da oblinji Wi-Fi ili
Zigbee mree ne koriste taj kanal. I OmniEye i MeshEye koriste svoje MAC sloj protokole za
povienje performansi u velikim, gustim vorovima. Kada je beina komunikacija isprekidana,
DTN tehnike su esto uinkovite. U DTN sistemima, kao to je DTN-Citric, podatci se mogu
skupiti lokalno prije nego su sigurno poslani preko mree.

Raunalni vid

Veina sistema koji koriste obradu podataka u vorovima se oslanjaju na odvajanje

pozadine u svrhu detekcije objekta u pokretu s jednom kamerom u realnom vremenu. Izbor
algoritma za oduzimanja pozadine uvelike ovisi o raunalnim i osjetnim mogunostima sistema.
Zaklanjanje objekta je esti problem za sisteme s jednom kamerom. U WVSN-u, razliite kamere
mogu pratiti isti objekt tako da kada je on zaklonjen za jednu kameru, druge kamere ga nastave
pratiti. Na jednostavnom primjeru sa dvije kamere, jedna kamera izraunava putanju objekta i
aktivira drugu kameru kada objekt postane zaklonjen. Citric koristi vie kamera i raspreno
prepoznavanje objekta kako bi se objekt pratio i nakon to postane zaklonjen vidnom polju jedne
kamere. HuSIMS koristi jednostavan algoritam za prepoznavanje ponaanja objekta iz rezultata
praenja objekta i njegove pozicije tijekom vremena. Tehnika se zasniva na mrei s vie kamera,
u kojoj svaka kamera obrauje opaanja i prenosi isto drugim kamerama. Zbog interne
komunikacije, kamere donose zakljuak o aktivnosti objekta.

Operacijski sustav

Linux je postao popularni operacijski sustav za beine nadzorne sisteme zbog njegovog
nezavisnog hardvera. Linux se takoer koristi za ugraene aplikacije te dolo je do razvoja raznih
preinaka sustava Linux kako bi se ugodili zahtjevi za sisteme u realnom vremenu. Ukoliko vor
pametne kamere ima ograniene skladine mogunosti, potreban je manji operacijski sustav kao
to je TinyOS. Neki nadzorni sistemi, kao to je HuSIMS, stvorili su veliki softver za upravljanje
koji istovremeno moe obraditi podatke s vie izvora i s velikog broja vorova.

Preklapanje kamera

Kamere sistema Citric ukljuuju viak pokrivanja u svoju video analizu. Ukoliko je objekt
u vidnom polju dvije kamere, svaka kamera moe pratiti objekt u 3D prostoru. Praenje objekta s
jednog videa na drugi bez preklapanja kamera je puno tee i zahtjeva puno sloeniju tehniku
raunalnog vida.

Sigurnost

Sigurnost je velika briga u dizajnu WVSN-a. Beini nadzorni sistemi moraju zatititi bilo
kakve podatke koje mogu otkriti privatne informacije o objektu i okruenju koji se prate, od onih
koji njukaju po komunikacijskom mediju ili pokuavaju provaliti u lokalno spremite podataka
ili u udaljeno spremite odnosno server. Kako vidimo u tablici 4.4, mnogi sistemi nemaju lokalnu
enkripciju podataka te tako se oslanjaju samo na sigurnosne servise komunikacijskog protokola.
Takve odluke su u svrhu smanjenja potronje energije umjesto vee funkcionalnosti. Drugi sistemi,
kao to je Citric, koriste enkripcijske alate da bi lokalno osigurali podatke prije nego ih poalju
mreom.

4.5. SWEETcam sistem

SWEETcam (Solar Wi-Fi Energy Efficient Tracking camera) sistem je jedini koji se
napaja obnovljivim izvorom odnosno sunevom energijom. Slika 4.7. pokazuje SWEETcam
arhitekturu. Koristi prednosti Raspberry Pi-a kao to je operacijski sustav Linux i hardverska
nezavisnost. MSP430 ima neobinu malu potronju energije i u uspavanom i radnom stanju. [6]

Sl.4.7. Arhitektura SWEETcam sistema [6]

Hardver i softver

SWEETcam koristi popularni Raspberry Pi raunalni sistem na jednoj ploi, koji pokree
Linux i ima impresivne serijske komunikacijske mogunosti. Raspberry Pi ima 700 MHz ARM
procesor i odvojenu grafiku karticu za obradu videa to mu omoguava pokretanje sloenih
raunalnih algoritama kako bi radio bre od svih sistema iz tablice 4.4. Zbog toga to Raspberry
Pi ima prilagoeni Linux OS, moemo koristiti razne knjinice raunalnog vida koje su ve
razvijene za Linux sisteme.

Beina veza

SWEETcam koristi 802.11 Wi-Fi beini protokol zbog toga to nam treba velika koliina
energije za prijenos podataka odnosno visoko-rezolucijskih slika i videa. Zigbee (ili IEE 802.15.4)
bi moda bio jeftiniji i imao veu uinkovitost energije, no Zigbee ne moe isporuiti dovoljnu
koliinu energije te ima slab komunikacijski domet. SWEETcam trenutno koristi Roving
Networks RN-174 WiFly modul, koji koristi samo 4A za vrijeme uspavanog stanja, to je vrlo
malo te je SWEETcam iznimno uinkovit na podruju potronje energije.

Senzor slike

SWEETcam koristi Raspberry Pi modul kamere, koji moe uslikati 1920 x 1080 slike u
boji na 30 fps. Taj senzor slike moe takoer koristiti CSI izlaz na kameri, to eliminira potrebu
za koritenjem USB mrene kamere te uvelike smanjuje potronju energije. Za obradu slike,
SWEETcam koristi OpenCV knjinicu te pomou prilagoenog C++ raunalnog jezika, moemo
se koristiti tom knjinicom.

Mikrokontroleri

Zbog toga jer oslanjanje na iskljuivo hardvere niske potronje nije dovoljno, SWEETcam
koristi samoobnovljive mikrokontrolere radi utede energije. SWEETcam koristi MSP430
mikrokontroler kako bi sigurno pokrenuo i ugasio Raspberry Pi. Okida eka signal da je proces
gaenja bio uspjean prije nego li ugasi napajanje sistema. Takoer stavlja sistem u nain spavanja
ako pasivni infracrveni senzor pokreta ne detektira kretanje. Kroz serijsko suelje, MSP430 moe
primiti poruku od Raspberry Pi-a da spusti razinu detektiranja. Na primjer, ukoliko divlja ivotinja
pokree alarm, MSP430 moe biti u nainu spavanja sve dok ne bude potrebno da opet bude
osjetljiv na pokret.

Obrada slike

Sl.4.8. SWEETcam algoritam za detekciju objekata [6]

Na slici 4.8. vidimo modul za obradu slike koji odvaja pozadinu i pomou kontura
klasificira objekte. Kada je sistem pokrenut, modul za detekciju neprekidno slika pri rezoluciji od
1280 x 720 te smanjuje slike na rezoluciju od 426 x 240 zbog obrade. Modul za obradu slike odvaja
pozadinu i pronalazi konture te zatim ih stavlja u okvire koji prate pokrete kontura. Da bi se
uklonila buka i lana detekcija, obrada ubacuje korak koji ignorira sve objekte ispod zadane
veliine. Klasifikacija objekta je jedna od najsloenijih zadataka u sistemima raunalnog vida jer
se koriste utrenirane tehnike za klasifikaciju objekta koje su bazirane na prijanje snimljenim
bazama podataka. Da bi se smanjila sloenost i poveala fleksibilnost, klasifikacija objekta u
SWEETcam sustavu je bazirana na ranijoj kalibraciji dimenzija traenog objekta. Zbog te
jednostavnosti, taj mehanizam detekcije zahtjeva jo jedan dodatni senzor da bi se izbjeglo lano
detektiranje. Istraivanje nadzora raunalnim vidom se razvija u smjeru karakterizacije ponaanja
zbog toga to traenje obrazaca u kojima se objekti kreu omoguava preciznije zakljuke o
ponaanju objekta bez kompromitiranja privatnosti.
 5. ZAKLJUAK

U ovom radu je dobiven zadatak koji je obuhvaao pregled mrea inteligentnih kamera te
njihovih glavnih sastavnica. Pomou usporedne metode objanjena je razlika izmeu inteligentne
i obine kamere te arhitektura sistema pametnih kamera. Spomenut je i ubrzani razvoj pametnih
kamera te njihovo ugraivanje u mree inteligentnih kamera. Nadalje, istraeno je kako se pametne
kamere ugrauju u mrene sustave te to je sve potrebno da bi ta mrea funkcionirala. Donesen je
zakljuak o pet stupova samopodesivosti koji je nuan uvjet za samostalni rad mree inteligentnih
kamera. Uz to sve, bitan dio za ispravan rad mree je rekonfiguracija, koja ima veoma vanu ulogu
u odravanju itavog sistema. Zakljueno je da mree koje se same rekonfiguriraju za vrijeme
obavljanja veeg broja zadataka imaju posebne zahtjeve, kao to su pravovremeno premjetanje
zadataka s ogranienim resursima, dijeljenje podataka o vidnim poljima kroz mreu te meusobna
suradnja izmeu mnogobrojnih ureaja. Mree samopodesivih pametnih kamera su vitalni dijelovi
u suradnji i zajednikom odluivanju velikog broja aplikacija i ureaja. Sljedea stavka je primjena
mrea inteligentnih kamera u kojoj se nalazi podjela tehnologije na sisteme s markerima i bez njih.
Iz danog istraivanja se vidi da je tehnologija bez markera velika prednost unutar aplikacija za
hvatanje pokreta, kao to je nadgledanje pacijenata izvan bolnice, realistina licem u lice
komunikacija preko kontinenata i nadzor velikih povrina. Daljnjim razvojem inteligentnih
kamera dolazi do pojave beinih mrea vizualnih senzora za nadzor, koji moraju nai
odgovarajui nain rada koji e savreno izbalansirati potronju energije i specifikacije za rad
uzimajui u obzir i sami dizajn. Detaljnim istraivanjem da se zakljuiti da je SWEETcam najbolji
beini sistem za nadzor koji pokuava rijeiti problem uinkovitosti energije pomou obnovljivih
izvora odnosno solarnog panela. Smatra se da je to budunost nadzora javnih prostora, ne samo
zbog ekonominosti ve i zbog odlinih performansi, dizajna te beine veze. Ovo istraivanje je
zakljuilo da e se beine mree vizualnih senzora rapidno iriti zbog smanjenja trokova obrade
i poveanja snage procesora, odnosno obraivakih jedinica. Postupkom spajanja prednosti
raunalnog vida, ugraene obrade podataka, senzora slike i mree, istraivai idu u smjeru
pojednostavljenja te automatiziranja analize velike koliine mrenih podataka. Iz toga se
zakljuuje da e ubrzo svaka kamera za osobnu upotrebu imati neku vrstu obraivake jedinice
koja e na licu mjesta obavljati jednostavne zadatke kao to su prepoznavanje lica ili pokreta,
registracijskih tablica ili ak ljudskog ponaanja.
LITERATURA

[1] Y.Shi, S.Lichman Smart Cameras: A Review

[2] Prof. B.Rinner Distributed Smart Cameras IEEE Computer, veljaa 2006.

[3] B.Rinner, W. Wolf An Introduction to Distributed Smart Cameras, Proc. IEEE, Vol.96,
No.10, str. 1565-1575, kolovoz 2004.

[4] M.Reisslein, B.Rinner, A.Roy-Chowdhury Smart Camera Networks IEEE Communications

Magazine, str. 23-25, lipanj 2014.

[5] C.Chen, J.Favre, G.Kurillo, T.P.Andriacchi, R.Bajcsy, R.Chellappa Camera Network for
Healthcare, Teleimmersion, and Surveillance IEEE Communications Magazine, str.26-36, lipanj
2014.

[6] K.Abas, C.Porto, K.Obraczka Wireless Smart Camera Networks for the Surveillance of Public
Spaces IEEE Communications Magazine, str.37-44, lipanj 2014.

[7] Juan C., SanMiguel, K.Shoop, A.Cavallaro, C.Micheloni, G.L.Foresti Self-Reconfigurable

Smart Camera Networks IEEE Comunications Magazine, str.67-73, lipanj 2014.
SAETAK/ABSTRACT

Inteligentne kamere su kamere koje mogu izvriti zadatke daleko sloenije od jednostavnog
slikanja ili snimanja. Zahvaljujui ugraenoj jedinici za inteligentnu obradu slike i algoritma za
prepoznavanje obrazaca, pametne kamere mogu detektirati kretnju, mjeriti objekte, itati
registracijske tablice vozila i ak prepoznati ljudsko ponaanje. One su glavna komponenta
aktivnog i automatiziranog kontrolnog sistema mnogih aplikacija i one e igrati veliku ulogu u
naem svakodnevnom ivotu u bliskoj budunosti. Opisana je njihova uloga u mrei inteligentnih
kamera te detaljno istraene funkcije, nain rada, prednosti i nedostatke te primjenu mrea
inteligentnih kamera. Ovaj rad daje sveobuhvatan pregled tehnologija i aplikacija pametnih
kamera. Ovdje su analizirani razlozi iza brzog razvoja pametnih kamera te je raspravljeno o
razliitim kategorijama na koje se dijele te je dan pregled na njihovu arhitekturu sistema. Takoer
su istraeni njihovi inteligentni algoritmi, znaajke i primjene. Na kraju je zakljueno sa raspravom
o njihovim problemima u dizajnu, izazovima i buduim tehnolokim smjerovima.

Kljune rijei: inteligentne kamere, mrea, prepoznavanje obrasca, primjena, raunalni vid, video
nadzor, ugraeni sistemi

Smart cameras are cameras that can perform tasks far beyond simply taking photos and
recording videos. Thanks to the purposely built-in intelligent image processing and pattern
recognition algorithms, smart cameras can detect motion, measure objects, read vehicle number
plates, and even recognize human behaviors. They are essential components to build active and
automated control systems for many applications, and they will play significant role in our daily
life in the near future. It is described about their role in smart camera networks and closely
examined networks functions, mode, advantages and disadvantages, and application. This paper
aims to provide a first comprehensive review of smart camera technologies and applications. Here,
the reasons behind the recent rapid growth of the smart cameras are analyzed, different categories
of them are discussed and their system architectures are reviewed. It is also examined their
intelligent algorithms, features and applications. Finally paper is concluded with a discussion on
design issues, challenges and future technological directions.

Keywords: smart cameras, network, pattern recognition, application, computer vision, video
surveillance, embedded systems.
IVOTOPIS

Vedran Mendelski je roen u Slavonskom Brodu, 09. oujka 1995. godine. Osnovnu kolu
Vjekoslav Klai je pohaao u Garinu u razdoblju od 2001. do 2009. godine. Nakon zavrene
osnovne kole upisao je Klasinu Gimnaziju Fra Marijana Lanosovia u Slavonskom Brodu, koju
je zavrio 2013. godine. Iste je godine upisao sveuilini studij elektrotehnike na fakultetu
elektrotehnike, raunarstva i informacijskih tehnologija u Osijeku.