كيف يقلّل تتبّع الأجسام من تكرار الاستدلال في جهاز NVR منزلي؟
يقلّل تتبّع الكائنات عمليات الاستدلال المتكررة في مسجل الفيديو الشبكي (NVR) من خلال الحفاظ على هوية الهدف بين الإطارات، بحيث يمكن للملاحظات اللاحقة إعادة استخدام الحالة بدلًا من التعامل مع الهدف نفسه على أنه هدف جديد.
لا يزال مسجل الفيديو الشبكي المنزلي بحاجة إلى اكتشاف الكائنات للعثور على شخص أو مركبة أو حيوان، لكنه لا يحتاج إلى إعادة تشغيل كل قرار لاحق من الصفر في كل إطار فيديو. وبمجرد أن يربط المتتبّع الاكتشافات بهدف مستمر، يمكن لخط المعالجة الاحتفاظ بالموقع والهوية والعمر والسمات المخزنة مؤقتًا، وإطالة الفاصل بين عمليات تشغيل الكاشف المكلفة، وإعادة تشغيل النماذج الثانوية فقط عندما يتغير الهدف بشكل ملحوظ. لذلك يأتي التوفير من إعادة استخدام الحالة، وليس من استبدال التتبّع للاستدلال البصري بطريقة سحرية.
يصبح من الأرخص إعادة استخدام الاكتشاف بعد تحويله إلى مسار مستمر
ينتج اكتشاف الكائنات مربعًا تصحيحيًا وفئةً لإطار واحد جرى تحليله، بينما يضيف التتبّع الاستمرارية من خلال تحديد ما إذا كانت الملاحظة الجديدة تنتمي إلى هدف معروف مسبقًا. ويحوّل هذا الربط تدفقًا من المربعات المتشابهة بصريًا إلى كائن ذي حالة يمكن تحديث موقعه وهويته بمرور الوقت بدلًا من إنشائه مستقلًا في كل إطار.
يمكن لمتتبّع متعدد الكائنات الاحتفاظ بـ معرّفات مسارات مستمرة، ما يمنح المراحل اللاحقة من خط المعالجة مفتاحًا ثابتًا للشخص أو المركبة نفسها. والمخرج المفيد ليس مجرد مستطيل آخر، بل سجل هدف يستمر عبر الملاحظات ويمكنه الاحتفاظ بسجل زمني.
هذه هي أولى مزايا الحوسبة، لأن القواعد اللاحقة لم تعد بحاجة إلى التساؤل عما إذا كان كل مربع كائنًا جديدًا تمامًا. إذ يمكن لزمن البقاء في المنطقة والاتجاه وإزالة تكرار الأحداث ونماذج السمات اللاحقة الرجوع إلى سجل مسار واحد إلى أن يغادر الهدف أو يُفقد أو يُعاد إسناده.
تتيح معرّفات المسارات المستقرة للنماذج الثانوية إعادة استخدام التصنيف السابق
غالبًا لا تأتي أكبر تكلفة متكررة من المتتبّع نفسه، بل من نموذج ثانوي كان سيصنّف الكائن المكتشف نفسه في كل إطار. وإذا ظل معرّف المسار ثابتًا، فيمكن لخط المعالجة إرفاق نتيجة سمة سابقة بذلك الهدف وإجراء تحديث لها فقط عندما يتغير مظهر الكائن أو حجمه بما يكفي لتبرير استدلال جديد.
يطبّق DeepStream هذا النمط من خلال تخزين التصنيف الثانوي مؤقتًا حسب معرّف الكائن، وإعادة الاستدلال عند ظهور الكائن للمرة الأولى أو عندما تزداد مساحة المربع المحيط به بدرجة كبيرة. ويمكن لمسجل فيديو شبكي منزلي تطبيق البنية نفسها على سمات مثل نوع المركبة أو فئة الملابس أو وجود طرد أو أي مصنّف آخر مكلف لكل كائن.
تبقى الذاكرة المؤقتة صالحة فقط ما دامت هوية الهدف موثوقة، وما دامت السمة المعاد استخدامها يُتوقع أن تظل مستقرة. فقد يتحمل مصنّف الألوان إعادة استخدام النتيجة عبر إطارات كثيرة، بينما يمكن أن تتغير وضعية الجسم أو اتجاه الوجه أو حالة الجسم المحمول بسرعة تستلزم تحديثًا دوريًا أو قائمًا على الأحداث.
تكون إعادة استخدام السمات أكثر فاعلية عندما تتغير الخاصية المخزنة مؤقتًا ببطء أكبر من موقع الكائن. ولهذا يمكن لخط التتبّع إعادة استخدام تصنيف نوع المركبة عبر إطارات كثيرة مع الاستمرار في تحديث المربع في كل إطار، وفصل الحالة الهندسية السريعة عن الحالة الدلالية الأبطأ بدلًا من تحديث كل المخرجات بالمعدل نفسه.
يمكن للتتبّع وصل الإطارات التي يُتخطى فيها الكاشف الأساسي
بعد تثبيت الهدف، تستطيع بعض المتتبّعات تمرير موقعه عبر الإطارات التي لا يعمل فيها الكاشف الأساسي، ثم مطابقة الحالة المتوقعة مع الاكتشاف التالي. ويتيح ذلك لمسجل الفيديو الشبكي تقليل تكرار تشغيل الكاشف من دون تحويل كل إطار متخطى إلى نقطة عمياء كاملة للكائنات التي يجري تتبّعها بالفعل.
يدعم DeepStream صراحةً تخطي إطارات الكاشف مع التتبّع بين عمليات الاكتشاف، وتشير إرشادات المتتبّع الحالية إلى أن التتبّع الأقوى قد يسمح بفاصل اكتشاف أكبر مع خسارة أقل في الدقة. ويزداد المكسب عندما يكون الكاشف الأساسي أكثر تكلفة بكثير من المتتبّع.
لكن الكاشف لا يزال يؤدي مهام لا يستطيع التتبّع تولّيها: اكتشاف كائن جديد، وتصحيح الانحراف، والتعافي بعد الحجب، وإنهاء المسارات الملتبسة أو إعادة تهيئتها. وتعتمد أساليب الربط، مثل التتبّع عبر ربط الاكتشافات عبر الإطارات، على الاكتشافات بوصفها دليلًا؛ لذلك يؤدي إطالة الفاصل أكثر من اللازم في النهاية إلى مقايضة وفورات الحوسبة بفقدان عمليات الدخول وضعف التصحيحات.
يعتمد صافي التوفير على تكلفة الكاشف وحركة المشهد واستقرار المسارات
يضيف التتبّع تحديثات حالته الخاصة وتقدير الحركة ومقارنة السمات وأعمال الربط، لذا فإن السؤال الصحيح هو ما إذا كانت هذه التكلفة الإضافية أقل من تكلفة الاستدلال الذي يتيح لخط المعالجة تجنّبه. ويوفر الكاشف أو المصنّف الثانوي الثقيل مجالًا أكبر للتوفير مقارنةً بكاشف صغير يعمل على مسرّع غير محمّل بكثافة.
كما يوفّر المتتبّع قدرًا أقل من الحوسبة في المشاهد المزدحمة التي تدخل فيها كائنات كثيرة أو تغادر أو تتداخل أو يتغير مظهرها بسرعة، لأن إنشاء الأهداف وإعادة التعرف عليها يحدثان بوتيرة أعلى. لذلك تُبقي معايرة مسجل الفيديو الشبكي العملية معدل اكتشاف الكاميرا وسرعة استدلال الكاشف كمقياسين منفصلين، ثم تقارن زمن استجابة المتتبّع وفاصل الاستدلال وعدد المسارات النشطة وعمليات تحديث المصنّف واستدعاء الأحداث على المقاطع المسجلة نفسها، بدلًا من افتراض أن فاصلًا واحدًا فعال عالميًا.
تتناول ZimaSpace حالة الإخفاق القريبة، إذ توضّح أن الأحداث القصيرة قد تختفي قبل تكوّن مسار صالح. لا يقلّل التتبّع العمل المتكرر إلا بعد توفر حالة مفيدة، ولذلك يجب قياس كفاءة الحوسبة واستدعاء الأحداث القصيرة معًا.
يمكن قياس نقطة التوازن العملية بوقت المسرّع الذي تم توفيره لكل كائن متتبَّع، لا بمعدل إطارات المتتبّع وحده. فإذا استهلك المتتبّع وقتًا من الجهاز يقترب من وقت عمل الكاشف الذي جرى تخطيه، أو أدت عمليات إعادة التعرف المتكررة إلى تشغيل المصنّفات مجددًا، فقد لا يتحول الانخفاض الظاهري في عدد عمليات الاستدلال إلى سعة مفيدة لإضافة كاميرات أخرى.
المنتجات الموصى بها
مركز التكنولوجيا والذكاء الاصطناعي
المزيد للقراءة
ما هي حالة Plex، وما الأجزاء التي يجب استمرارها؟
حالة Plex الدائمة هي المعلومات التي تحافظ على تجربة الخادم بعد إعادة التشغيل وإعادة البناء؛ أما الوسائط وبيانات التحويل المؤقتة فلها أدوار منفصلة.
كيف يتعامل Plex مع المصادقة في الجلسات المحلية والبعيدة؟
تبدأ المصادقة في Plex بهوية الخادم والحساب، ثم تحدد مسارات الشبكة المحلية أو البعيدة إمكانية الوصول وسلوك الاتصال الآمن.
لماذا قد يتباطأ البحث في Plex مع نمو بيانات المكتبة؟
نمو المكتبة وحده ليس التشخيص. اختبر بنية الاستعلام، والفهارس، وحالة ذاكرة التخزين المؤقت، وزمن استجابة وحدة التخزين، ونشاط الكتابة قبل إلقاء اللوم على حجم...
