Que contient un vidéo plein écran?
Projets compétitifs
Jusqu’à 1,2 million de dollars en financement progressif destiné au développement pour faire avancer une technologie
Le ministère de la Défense nationale (MDN) cherche des solutions pour aider les analystes en matière de surveillance et d’interprétation de grands volumes de flux vidéo plein écran (FMV). Les analystes FMV permettent la détection, l’identification et le suivi d’événements, d’individus et d’objets d’intérêt.
Résultats
web_id | Titre du projet | Innovateur | Montant | Étape |
---|
Défi banc d’essai: Que contient un vidéo plein écran?
La solution financée par TerraSense Analytics Ltd. est le 3e projet du 1er appel de propositions de projets compétitifs à passer à un banc d’essai. La technologie Multimodal Input Surveillance & Tracking (MIST) de Terra Sense Ltd., une solution d'IA matérielle et logicielle intégrée, détecte, suit et identifie plusieurs objets, personnes et événements intéressés à travers plusieurs capteurs. L'objectif de ce banc d’essai est que le MDN/FAC teste cette technologie qui vise à aider les analystes à surveiller et à interpréter de grands volumes de flux vidéo écran (FMV), à identifier les activités d'intérêt et à alerter les opérateurs.
Financement total : 8,9 millions de dollars
Énoncé du défi
Le ministère de la Défense nationale (MDN) cherche des solutions pour aider les analystes en matière de surveillance et d’interprétation de grands volumes de flux vidéo plein écran (FMV). Les analystes FMV permettent la détection, l’identification et le suivi d’événements, d’individus et d’objets d’intérêt.
Contexte
Les Forces armées canadiennes (FAC) ont acquis de nouvelles plateformes aériennes de renseignement pour la surveillance et la reconnaissance (ISR) tout en se préparant pour la prochaine génération d’aéronef multi missions (remplacement des aéronefs de patrouille maritime CP140 Aurora). Ces plateformes renforceront la capacité des FAC afin de permettre la surveillance et le support opérationnel critique, en temps quasi réel, aux organisations militaires.
Ces plateformes aéroportées seront équipées d’un ensemble de capteurs de pointe qui permettront la collecte d’images et flux vidéo plein écran. Bien que la capacité à exploiter ces plateformes ait évolué pour atteindre un niveau élevé de sophistication, la capacité à surveiller et à interpréter les flux vidéo continue d’imposer une charge de travail importante sur la communauté des opérateurs. Les FAC doivent développer de nouveaux outils afin de surveiller automatiquement les images vidéo, cerner les activités d’intérêt et alerter les opérateurs.
Grâce à l’accès à de tels outils, un opérateur pourra surveiller simultanément plusieurs flux, ce qui améliorera l’efficacité et réduirait la charge de travail. La tâche de surveillance des images vidéo est adaptée aux technologies émergentes, car il s’agit d’identifier les éléments d'intérêt sur un fond d'écran en mouvement en présence d’autres activités. En plus de reconnaitre les éléments d’intérêt, un défi additionnel est de déterminer si le système observe une activité qui peut être d’intérêt pour l’opérateur. Ceci inclut le comptage d’objets d’intérêt, l’analyse d’habitude et l’identification de signes de comportements anormaux.
Résultats et considérations
Le résultat escompté est le développement d’outils pour la surveillance automatique et l’interprétation de plusieurs flux vidéo en direct/en temps quasi réel ou flux vidéo plein écran collecté grâce à diverses technologies de caméras (p. ex. haute résolution, électro-optique, infrarouge). Il convient de noter que ces caméras photographient souvent des zones pour lesquelles des renseignements a priori limités sont disponibles.
La solution proposée devrait permettre satisfaire à ce qui suit :
- génération des métadonnées afin de faciliter la récupération rapide d’images ou de segments vidéo;
- reconnaissance et suivi automatique des objets spécifiques dans le champ de vision (c.-à-d. : bâtiments, véhicules, individus, etc.);
- suivi des objets mobiles alors qu’ils se déplacent dans le champ de vision;
- comparaison automatique des habitudes pour un même secteur à différents temps, utilisant potentiellement des données de divers capteurs de plusieurs plateformes et développer un modèle d’habitude de vie normale pour une région;
- détection du comportement anormal d’objets (c.-à-d. : des véhicules voyageant à sens inverse du trafic régulier) avec un niveau de confiance fiable, pour alerter ainsi les opérateurs au sujet des éléments d’intérêt.
Détails de la page
- Date de modification :