通过实时自动相机参数调优提升视频分析准确性
机器学习
2022-09-19 v4 计算机视觉与模式识别
摘要
在视频分析流水线（VAP）中，运行于远程服务器的分析单元（AU，如目标检测与人脸识别）高度依赖监控相机捕获高质量视频流以实现高准确性。现代 IP 相机具有大量直接影响视频流捕获质量的相机参数。其中少数参数（如曝光、对焦、白平衡）由相机内部自动调整，其余则否。我们将此类相机参数称为非自动（NAUTO）参数。本文首先表明，环境条件变化会对 AU 所得洞察的准确性产生显著不利影响，而此类不利影响可通过响应环境条件变化动态调节 NAUTO 相机参数来潜在缓解。随后提出 CamTuner——据我们所知，首个在 VAP 中响应环境条件不利变化动态适配 NAUTO 相机参数以优化 AU 准确性的框架。CamTuner 基于 SARSA 强化学习，并包含两项新颖组件：轻量级分析质量估计器与极大加速离线 RL 训练的虚拟相机。我们的受控实验与真实世界 VAP 部署表明，相较于采用默认相机设置的 VAP，CamTuner 在大型企业停车场中多检测出 15.9% 的行人与 2.6%–4.2% 的车辆（无任何假阳性），在 5G 智能交通路口场景中多检测出 9.7% 的车辆，从而实现了准确可靠自动车辆碰撞预测（AVCP）的新用例。CamTuner 为显著提升视频分析准确性开辟了超越精炼深度学习模型渐进改进的新途径。
引用
@article{arxiv.2107.03964,
title = {Enhancing Video Analytics Accuracy via Real-time Automated Camera Parameter Tuning},
author = {Sibendu Paul and Kunal Rao and Giuseppe Coviello and Murugan Sankaradas and Oliver Po and Y. Charlie Hu and Srimat T. Chakradhar},
journal= {arXiv preprint arXiv:2107.03964},
year = {2022}
}