एक लावारिस बैग समस्या केवल इसलिए है क्योंकि वह कहाँ है। किसी ख़ाली यार्ड में लगभग कुछ भी अलग दिखता है; व्यस्त-घंटे के कॉनकोर्स में वही बैग हज़ारों वस्तुओं में से एक होता है, और यही वह स्थिति है जिसके लिए यह module बनाया गया।
यह Module
लावारिस-वस्तु पहचान ObjectTrack Pro के भीतर एक नियम है, और इसके पीछे का module कोई मोशन डिटेक्टर नहीं बल्कि एक दो-चरणीय न्यूरल पाइपलाइन है। पहला कॉन्वोल्यूशनल नेटवर्क सैंपल किए गए फ़्रेम पर ज्ञात श्रेणियों की वस्तुओं को चिह्नित करता है और बीच में उन्हें ट्रैक करता है; दूसरा नेटवर्क तय करता है कि हर वस्तु किस श्रेणी की है; फिर परिणाम को उन नियमों के विरुद्ध परखा जाता है जो आपने उस कैमरे पर खींचे हैं। लावारिस बैग उन्हीं नियमों में से एक है, साथ में रेल ट्रैक पर मौजूद लोग और परिधि से जुड़ा काम जिसका अब अपना पेज है।
भीड़ ही सबसे कठिन हिस्सा है, और यही दस्तावेज़ीकृत डिज़ाइन-बिंदु है। प्रॉडक्ट गाइडेंस स्पष्ट रूप से कहती है कि यह module प्रतिकूल आउटडोर स्थितियों में और भीड़ में भी टिका रहता है, जहाँ मोशन-आधारित डिटेक्टर नहीं टिकता: 08:15 बजे का कोई प्लेटफ़ॉर्म सामान का एक चलता-फिरता समूह होता है जो एक-दो सेकंड के लिए सब लावारिस-सा दिखता है। इसलिए यह नियम आपके खींचे गए क्षेत्र के भीतर वस्तु की स्थिरता से काम करता है, साथ में एक न्यूनतम वस्तु-आकार और एक निकटता-फ़िल्टर जो मालिक के बग़ल में खड़े होने पर मामले को फ़्लैग होने से रोकता है।
सार्वजनिक स्थान ही वह जगह है जहाँ यह अपनी उपयोगिता साबित करता है। गाइड ट्रांसपोर्ट हब और अन्य सार्वजनिक स्थानों को इसका परिवेश बताती है, और इसे चलाने वाली प्रोडक्शन estate ठीक वही हैं: लंदन अंडरग्राउंड, जहाँ प्लेटफ़ॉर्म ट्रैक पर गिरते लोगों और ख़तरनाक प्लेटफ़ॉर्म-किनारे भीड़ के साथ-साथ लावारिस सामान भी पहचानता है, और डबलिन एयरपोर्ट, जहाँ यह पूरे यात्री-प्रवाह पर टर्मिनल और गेट-क्षेत्रों को कवर करता है।
जो प्रशिक्षित कैटलॉग कवर नहीं करता, उसे एक वाक्य कवर कर सकता है। StreamVLM™ उन वस्तुओं और स्थितियों के लिए prompt से परिभाषित डिटेक्टर जोड़ता है जिन्हें कोई भेजा गया module नहीं संभालता, जैसे कोई विशिष्ट कंटेनर, कोई उपकरण या कोई स्थानीय समस्या, बिना किसी डेटासेट और बिना किसी ट्रेनिंग-साइकल के।
नियम
नीचे दी गई हर चीज़ हर कैमरे के लिए module सेटिंग्स में खींची या टाइप की जाती है, और बिना कुछ भी ऑफ़लाइन किए बदली जाती है। जब किसी कॉनकोर्स की व्यवस्था बदलती है, तो दोबारा प्रशिक्षित करने के लिए कोई साइट-व्यापी मॉडल नहीं है।
फ़्रेम का वह हिस्सा जिसका विश्लेषण करना है, एक बहुभुज के रूप में खींचा गया और वर्टेक्स-दर-वर्टेक्स संपादन-योग्य, साथ में यह भी कि कैमरा दृश्य को ऊपर से देख रहा है या बग़ल से। डिफ़ॉल्ट रूप से यह पूरा फ़्रेम होता है, जो लगभग कभी वह नहीं होता जो किसी कॉनकोर्स को चाहिए।
डिटेक्टर की श्रेणी। क्षेत्र में छोड़े गए बैग, सूटकेस और तुलनीय वस्तुएँ ही इवेंट उठाती हैं, न कि कोई भी वस्तु जो चलना बंद कर दे।
Ignore bags closer than किसी व्यक्ति के अपने बैग के बग़ल में खड़े होने के दौरान अलर्ट को दबा देता है। बहिष्करण-क्षेत्र बैग के अपने बाउंडिंग-बॉक्स को आपके तय किए फ़िल्ट्रेशन-फ़ैक्टर से बड़ा करके बनता है, इसलिए फ़ैक्टर 2 का मतलब है पीले बॉक्स से दोगुना बड़ा लाल बॉक्स।
Consider abandoned anew after N minutes तय करता है कि एक इवेंट उसी जगह मौजूद उसी वस्तु को कितनी देर तक कवर करे, ताकि एक घंटे तक पड़ा रहने वाला बैग एक घंटे के अलर्ट में न बदल जाए। यह एक दोहराव-अंतराल है, अलार्म-तक-का-समय नहीं: IREX कोई dwell थ्रेशोल्ड प्रकाशित नहीं करता।
कोई बैग या व्यक्ति उम्मीदवार बनने से पहले कम-से-कम 1,024 पिक्सेल में, यानी 32 × 32 में हल होना चाहिए। वाहनों को 2,025 चाहिए, यानी 45 × 45। यही वह आँकड़ा है जो तय करता है कि एक कैमरा प्लेटफ़ॉर्म पर कितनी दूर तक पहुँचता है।
दृश्य में मौजूद लोगों और वाहनों के गति-पथ संग्रहीत करता है ताकि उन्हें बाद में मीडिया प्लेयर में खोजा जा सके। यह हर कैमरे के लिए अलग से चालू किया जाता है, और यही एक स्थिर अलर्ट को अन्वेषण की एक कड़ी में बदल देता है।
अलर्ट के बाद
एक लावारिस-वस्तु अलर्ट "क्या" और "कहाँ" का जवाब देता है। जाँच को "कौन" चाहिए, और प्लेटफ़ॉर्म वहाँ तक एक छलांग में नहीं बल्कि चरणों में पहुँचता है। Saved tracks में दृश्य से गुज़रे हर व्यक्ति के संग्रहीत गति-पथ रहते हैं, जो मीडिया प्लेयर में खोजे जा सकते हैं, ताकि बैग तक आने का रास्ता दोबारा चलाया जा सके और उसे नीचे रखने वाले व्यक्ति को फ़्रेम में पहचाना जा सके। इसमें कुछ भी स्वचालित नहीं है: module एक वस्तु की रिपोर्ट करता है, और ऑपरेटर ट्रैक को वापस पढ़ता है।
कोई कॉनकोर्स शायद ही कभी आपको कोई चेहरा देता है। इसके बजाय पर्सन री-आइडेंटिफ़िकेशन किसी व्यक्ति को कपड़ों, सामान, बाल या टोपी के रंग जैसी बाहरी बनावट के आधार पर कैमरे-दर-कैमरे फ़ॉलो करता है, और ObjectTrack Pro अतिरिक्त रूप से फ़्रेम में हर व्यक्ति के लिए एक ह्यूमन सिल्हूट डिस्क्रिप्टर भी निकाल सकता है, जो किसी व्यक्ति को तब भी सिल्हूट से खोजने योग्य बनाता है जब और कुछ हल न हो। दोनों ही बनावट-मिलान हैं, पहचान नहीं: वे बताते हैं कि व्यक्ति वही है, न कि वह व्यक्ति कौन है।
पर्सन री-आइडेंटिफ़िकेशन देखें →एक बार जब ऑपरेटर व्यक्ति की पुष्टि कर लेता है, तो मल्टी-कैमरा ऑब्जेक्ट ट्रैकिंग उसे मानचित्र और इनडोर फ़्लोर-प्लान पर पूरे कैमरा-नेटवर्क में फ़ॉलो करती है, अलर्ट के क्षण से आगे और पीछे दोनों दिशाओं में, ताकि सवाल यह भी बन जाए कि वह कहाँ से आया, न कि सिर्फ़ यह कि वह कहाँ गया। इसका हर क़दम उन्हीं Case ID और ऑडिट नियमों के तहत चलता है जो किसी भी अन्य खोज पर लागू होते हैं: वैध आधार खोज चलने से पहले दर्ज किया जाता है, और जिस ऑपरेटर ने इसे चलाया वह लॉग में दर्ज रहता है।
मल्टी-कैमरा ऑब्जेक्ट ट्रैकिंग देखें →कंट्रोल रूम में
इवेंट कैमरे और module-नियम के अनुसार एक नामित अलार्म मॉनिटर पर फ़िल्टर किए जाते हैं, इसलिए कॉनकोर्स कैमरों से आने वाला "Abandoned item" एक ऐसा वर्कस्पेस बन जाता है जिसका अपना response protocol मॉनिटर के विवरण में लिखा होता है। नोटिफ़िकेशन हर मॉनिटर के लिए अलग से चालू किए जाते हैं और Sover सुरक्षित मैसेंजर के ज़रिए रिस्पॉन्डर तक पहुँचते हैं, साथ में फ़्रेम, कैमरा, स्थान और एक प्लेबैक-लिंक संलग्न होता है।
रियल-टाइम अलर्ट और साक्ष्य देखें →आप जो नियम-नाम टाइप करते हैं वही इवेंट-नाम बन जाता है, इसलिए घटना के बाद इवेंट-नाम से की गई खोज किसी अवधि के लिए estate पर हर लावारिस-वस्तु अलर्ट लौटा देती है। saved tracks के साथ मिलकर, यही तरीक़ा है जिससे कोई घटना-समीक्षा रिकॉर्डिंग खंगालने के बजाय पूरी सुबह का पुनर्निर्माण करती है।
Ask IREX और वीडियो खोज देखें →कोई भी अलार्म मॉनिटर अपने इवेंट, फ़्रेम सहित, HTTP से पहुँच योग्य किसी भी सिस्टम तक भेज सकता है, और इसी तरह एक लावारिस-वस्तु अलर्ट किसी पब्लिक-एड्रेस वर्कफ़्लो, किसी स्टेशन-नियंत्रण सिस्टम या किसी मौजूदा इंसिडेंट-डेस्क को सक्रिय कर देता है। REST API सूचियों, मॉनिटर और उपयोगकर्ताओं को भी उन्हीं शर्तों पर कवर करता है।
आवश्यकताएँ
यह कहाँ चलता है
लावारिस वस्तुएँ एक सार्वजनिक-स्थान की समस्या हैं, इसलिए यह module उन क्षेत्रों में पहुँचता है जहाँ बड़ी संख्या में अजनबी और उनका सामान ऐसी जगह से गुज़रते हैं जिसे कोई नियंत्रित नहीं करता।
प्लेटफ़ॉर्म, कॉनकोर्स और इंटरचेंज, जिसमें लंदन अंडरग्राउंड की वह तैनाती भी शामिल है जहाँ लावारिस सामान ट्रैक-घुसपैठ और प्लेटफ़ॉर्म-किनारे भीड़ के साथ-साथ चलता है।
और पढ़ें →पूरे यात्री-प्रवाह पर टर्मिनल और गेट-क्षेत्र, जहाँ एक लावारिस बैग का अलर्ट हज़ारों देखभाल-प्राप्त बैगों के बीच से गुज़रता है।
और पढ़ें →क्रॉसिंग और निरीक्षण हॉल, जहाँ किसी क़तार-क्षेत्र में छोड़ी गई वस्तु उसी estate पर वॉचलिस्ट और वाहन-संबंधी काम के साथ-साथ मौजूद रहती है।
और पढ़ें →पावर स्टेशन, ऑइल टर्मिनल, पाइपलाइन और गैस सुविधाएँ, परिधि-घुसपैठ और आग व धुआं पहचान के साथ-साथ लावारिस-वस्तु पहचान भी चलाती हैं।
और पढ़ें →प्रवेश-प्रवाह, कॉनकोर्स और स्टैंड, जहाँ भीड़ ख़ुद वह वजह है जिससे छोड़ा गया बैग देखना मुश्किल और खोजना ज़रूरी हो जाता है।
और पढ़ें →सार्वजनिक भवन और संघीय सुविधाएं, जहाँ लॉबी और उसके बाहर की क़तार सबसे खुली हुई जगह होती है।
और पढ़ें →भीड़भाड़ वाली जगह ही डिज़ाइन का मामला है, और यही दस्तावेज़ीकृत अंतर है इस module और मोशन-आधारित module के बीच। यह नियम किसी ख़ाली फ़्रेम में गति से नहीं, बल्कि आपके खींचे गए क्षेत्र के भीतर वस्तु की स्थिरता से काम करता है, साथ में एक न्यूनतम वस्तु-आकार और हर कैमरे के लिए ट्यून किया गया एक निकटता-फ़िल्टर। प्लेसमेंट ही परिणाम तय करता है: आवश्यकता है कि जो क्षेत्र मायने रखता है वहाँ 50 पिक्सेल प्रति मीटर से अधिक हो।
अपने-आप नहीं, और किसी भी डिटेक्टर को यह दावा नहीं करना चाहिए। प्लेटफ़ॉर्म जो देता है वह जवाब तक का रास्ता है: saved tracks दृश्य से गुज़रे हर व्यक्ति के गति-पथ संग्रहीत करते हैं ताकि रास्ता दोबारा चलाया जा सके, पर्सन री-आइडेंटिफ़िकेशन चेहरा न दिखने पर बाहरी बनावट के आधार पर व्यक्ति को कैमरों में फ़ॉलो करता है, और मल्टी-कैमरा ऑब्जेक्ट ट्रैकिंग फिर समय में आगे और पीछे उसका रास्ता पुनर्निर्मित करती है। पहचान की पुष्टि एक Case ID के तहत ऑपरेटर करता है, और प्लेटफ़ॉर्म ख़ुद किसी मालिक का दावा नहीं करता।
IREX इस module के लिए कोई dwell थ्रेशोल्ड प्रकाशित नहीं करता, और हम कोई गढ़ेंगे भी नहीं। जो दस्तावेज़ीकृत और कॉन्फ़िगर-योग्य है वह है री-ट्रिगर अंतराल, "consider abandoned anew after N minutes", जो नियंत्रित करता है कि उसी जगह मौजूद वही वस्तु कितनी बार एक नया इवेंट उठाए, और वह निकटता-फ़िल्टर जो किसी के वस्तु के बग़ल में खड़े होने पर अलर्ट को दबा देता है। जो व्यवहार आपको वास्तव में मिलता है वह पायलट के दौरान आपके अपने कैमरों पर ट्यून किया जाता है।
IREX ने रेलवे, मेट्रो और वायु-परिवहन के लिए विशेष सुरक्षा-एनालिटिक्स बनाई, और इन दुर्लभ घटनाओं के लिए ट्रांसपोर्ट एजेंसियों के साथ मिलकर तथा सिंथेटिक 3D परिवेश बनाकर समर्पित ट्रेनिंग-डेटा तैयार किया, और यही वह चीज़ है जिसने भूमिगत स्टेशनों की दृश्य-स्थितियों में पहचान को भरोसेमंद बनाया। IREX उस डेटासेट का आकार प्रकाशित नहीं करता, और न ही कोई प्रति-module सटीकता-आँकड़ा प्रकाशित होता है: सटीकता को पायलट के दौरान आपकी अपनी फ़ीड पर बेंचमार्क किया जाता है और वही मापे गए आँकड़े अनुबंध में जाते हैं।
यही StreamVLM™ के लिए है। एक सरल-भाषा वाला prompt आपके चुने कैमरों पर एक सक्रिय डिटेक्टर बन जाता है, बिना किसी डेटासेट और बिना किसी ट्रेनिंग-साइकल के, जो किसी एक साइट के लिए विशिष्ट वस्तुओं और स्थितियों की लंबी पूँछ को कवर करता है। एक ही कैमरे पर प्रशिक्षित module के साथ-साथ कई prompt से परिभाषित डिटेक्टर चल सकते हैं।
नहीं। ObjectTrack Pro को दस्तावेज़ीकृत रूप से केवल फ़िक्स्ड-कैमरा के लिए बताया गया है, और मोबाइल अपलोड व ड्रोन फ़ुटेज स्पष्ट रूप से इस module के दायरे से बाहर हैं। अपलोड की गई वीडियो का विश्लेषण Gallery के ज़रिए होता है, लेकिन अलग modules के एक सेट के साथ।
यह अपने-आप चलता है और किसी व्यक्ति को अलर्ट करता है। पहचान किसी इंसान के सत्यापन के लिए संकेत हैं: कोई प्रतिक्रिया स्वायत्त रूप से नहीं चलती, और सत्यापन व निर्णय उसी Case ID के तहत दर्ज होते हैं जिसके तहत पहचान दर्ज हुई थी।
पढ़ते रहें
पीक समय का कॉनकोर्स ही इस module के लिए सच्ची परीक्षा है। इसे सबसे बुरी स्थिति की ओर इंगित करें और वहीं इसे परखें, किसी ख़ाली प्लेटफ़ॉर्म पर नहीं।