Bei der Beobachtung oder Überwachung von weiten oder komplexen Arealen mit einer großen Anzahl an bewegten Objekten, wie sie in denkbaren Anwendungsszenarien (Bahnhof, Stadion, Wald,…) vorliegen können, werden häufig mehr Kameras benötigt, als (im wirtschaftlichen oder technischen Sinne) zur Verfügung stehen. Mit der Lösung dieses Problems beschäftigt sich das Projekt „Q-Trajectories“.

Der Ansatz in diesem Projekt fordert, dass die Kameras sich organisieren und untereinander kooperieren müssen, um mit ihrer limitierten Beobachtungskapazität, eine ausreichende Überdeckung zu erreichen.

Durch die Nutzung von Smart-Cameras, welche als autonome Rechner angesehen werden können, ist es möglich, die erfassten Informationen ohne zentrale Weiterleitung direkt an Ort und Stelle zu verarbeiten. Mit dieser Eigenständigkeit jeder einzelnen Kamera und durch gegenseitiges Ergänzen ist neben einer hohen Robustheit und Ausfallsicherheit des Systems ein Weg zur Kompensation des möglicherweise nicht vollständig abgedeckten Überwachungsraums gegeben.

Die Analyse der Bewegungstrajektorien muss demnach ebenfalls dezentral und kooperativ im vernetzten System erfolgen. Es muss also ein Informationsfluss zwischen Kameranachbarn herrschen, indem Wissenswertes im Bezug auf die Bewegungsmustererkennung und -bewertung ausgetauscht wird. Zudem kann mit Hilfe einer lokalen Analyse auffälliges Verhalten innerhalb der vorgegebenen Zeitschranken erkannt und darauf in irgendeiner Weise (z.B. Informieren des Sicherheitspersonals) reagiert werden. Was letztendlich als auffälliges Verhalten zu interpretieren ist, ist abhängig von der raum-zeitlichen Situation und lässt sich aus den Einzel- bzw. Gruppentrajektoriemustern (Periodisches Muster, Flock, Encounter, …) oder aus signifikanten Abweichungen von existierenden Mustertypen (angelernte Wissensbasis mit Referenzmustern) ableiten.

 Einzel- und Gruppenbewegungsmuster (v.l.n.r.: linear, periodisch, zirkulär, Flock, Encounter, Leadership)