音声によるカメラターゲティング機能がより使いやすくなりました - ユニバーサルソリューション SmartCam A12 Voice Tracking

ビデオ会議で発言している参加者を追跡するというテーマは、ここ数年で勢いを増しています。 テクノロジーの進歩により、オーディオ/ビデオ情報をリアルタイムで処理するための複雑なアルゴリズムの実装が可能になり、ポリコムは約 10 年前、インテリジェントな自動話者追跡を備えた世界初の主流ソリューションを導入しました。 数年間、シスコはそのようなソリューションの唯一の所有者であり続けましたが、シスコは長く待つ必要はなく、ポリコムのソリューションに対する公正な競合相手となるインテリジェント XNUMX カメラ システムの自社バージョンを市場に投入しました。 長年にわたり、ビデオ会議のこの分野は、いくつかの機能によって制限されてきました。 独自の の製品ですが、この記事は最初の製品に特化しています。 普遍的な ビデオ会議のハードウェアとソフトウェアの両方のインフラストラクチャと互換性のある、音声によるカメラ ガイダンスのソリューション。
ソリューションの説明と機能の実証に進む前に、重要な出来事に注意してください。
ハブラコミュニティに紹介できることを光栄に思います 新しいハブ、ビデオ会議ソリューション (VCC) 専用。 さて、私とUFOの共同努力のおかげで、 ビデオ会議 はハブレに本拠地を持っています。この広範で最新のトピックに関わるすべての人に購読を勧めます。 新しいハブ.

カメラを発言者に向ける XNUMX つのシナリオ

現時点では、ビデオ会議ソリューションのインテグレーターは、プレゼンターをターゲットにするタスクを実装するために XNUMX つの異なる方法を自ら選択しています。

1. 自動 - インテリジェント
2. 半自動 - プログラム可能

最初のオプションは、Cisco、Polycom、およびその他のメーカーのソリューションだけです。以下でそれらについて検討します。 ここでは、ビデオ会議で発言している参加者にカメラを向ける完全自動化を扱います。 オーディオ/ビデオ信号を処理するための独自のアルゴリズムにより、カメラは希望の位置を独立して選択できます。

XNUMX 番目のオプションは、さまざまな外部制御コントローラーに基づく自動化システムです。これらについては詳しく検討しません。 この記事では、特に話者の自動追跡について説明します。
カメラ ポインティングを実装する XNUMX 番目のシナリオを支持する人はかなりの数いますが、これには理由があります。 経験豊富なインテグレータは、ポリコムとシスコのインテリジェント ソリューションが自動化を適切に機能させるには理想的な動作条件が必要であることを理解しています。 ただし、そのような条件を常に提供できるとは限らないため、カメラの向きの問題に対する次の解決策によってシステムの動作が保証される場合があります。

1. 必要なすべてのプリセット (PTZ デバイスの位置と光学ズーム倍率) は、事前に手動でカメラのメモリ (または場合によっては制御コントローラー) に入力されます。 原則として、これは会議室の全体的な平面図であり、ポートレート モードでの各会議参加者のビューです。

2. 次に、必要なプリセットを呼び出すためのイニシエーターが指定された場所にインストールされます。これらはマイク コンソールまたはラジオ ボタンのいずれかであり、一般に、制御コントローラーに理解できる信号を提供できるデバイスです。

3. 制御コントローラーは、各イニシエーターが独自のプリセットを持つようにプログラムされています。 部屋の一般的な計画 - すべてのイニシエーターがオフになっています。
その結果、たとえば会議システムや制御コントローラーを使用する場合、発言者はスピーチを開始する前に個人のマイク コンソールを起動します。 制御システムは保存されたカメラ位置を即座に処理します。

このシナリオは問題なく機能します。システムは音声の三角測量やビデオ分析を実行する必要がありません。 ボタンを押すとプリセットが機能し、遅延や誤検知はありませんでした。
制御および自動化システムは、場合によっては XNUMX 台ではなく複数のビデオ カメラが設置されている、大規模で複雑な部屋で使用されます。 まあ、中小規模の会議室には、（予算があれば）自動システムが非常に適しています。
まずは建国の父たちから始めましょう。

ポリコム EagleEye ディレクター

このソリューションはかつてビデオ会議の分野でセンセーションを巻き起こしました。 Polycom EagleEye Director は、インテリジェント カメラ ガイダンスの分野における最初のソリューションです。 このソリューションは、EagleEye Director ベース ユニットと XNUMX 台のカメラで構成されます。 最初の実装の特徴は、XNUMX 台のカメラが発言者のクローズアップ ビューのみに割り当てられ、XNUMX 台目のカメラが会議室の全体図に割り当てられていることです。 同時に、一般的な計画のカメラは、会議室の別の場所にベースから完全に分離して配置できます。自動誘導プロセスには直接関与しません。
システムは次のように動作します。

1. 室内カメラが作動中 - 全員が沈黙
2. 話者が話し始めます。マイク アレ​​イが音声を拾い、音声の三角測量を含む特許取得済みの技術を使用してカメラが音声に向かって移動します。 一般的なカメラはまだアクティブです
3. メインカメラは、ビデオ分析を実行して音源を探し始めたところです。 システムは、目、鼻、口の接続によって発言者を識別し、発言者の写真をフレームに入れて、メインカメラからのストリームを表示します。
4. スピーカーが変わります。 マイクアレイは、音声が別の場所から来ていることを認識します。 一般プランが再びオンになります。
5. そしてポイント 2 から円を描きます
6. 新しいスピーカーが前のスピーカーと同じフレーム内にある場合、システムはアクティブなフローを一般的なショットに変更することなく、「ホット」位置変更を行います。

私の意見では、欠点はメインカメラが XNUMX 台しかないことです。 このため、スピーカーを変更するときに大幅な遅延が発生します。 そして、指差しの瞬間に、システムは部屋の全体的な計画をオンにするたびに、活発な会話中に、このちらつきがイライラし始めます。

ポリコム EagleEye ディレクター II

これは、比較的最近リリースされた Polycom のソリューションの 1 番目のバージョンです。 動作原理が変更され、シスコのソリューションに近くなりました。 現在、両方の PTZ カメラがメインカメラとなり、プレゼンター間でチャンネルをシームレスに切り替える役割を果たします。 会議室の一般的なレイアウトは、EagleEye Director II ベース ユニットの本体に統合された別個のカメラによってキャプチャされるようになりました。 何らかの理由で、この広角カメラからのストリームは、画面の隅の追加ウィンドウに表示され、メインストリームの 9/XNUMX を占めます。 測位の原理は同じです - 音声三角測量とビデオ ストリーム分析です。 ボトルネックも同じです。システムが話している口を認識しない場合、カメラは照準を合わせません。 そして、この状況は非常に頻繁に発生する可能性があります - 話者が背を向けた、話者が横を向いた、話者が腹話術師である、話者が手や書類で口を覆った。
どちらのプロモーション ビデオも適切に撮影されており、2 人が順番に話し、言語療法士の診察を受けているかのように口を開けています。 しかし、このような洗練された条件であっても、非常に大幅な遅延が発生します。 しかし、フレーミングは完璧で、快適なポートレートショットです。

Cisco TelePresence SpeakerTrack 60

このソリューションを説明するために、公式パンフレットのテキストを使用します。
SpeakerTrack 60 は、参加者間を素早く直接切り替えるための独自のデュアルカメラ アプローチを採用しています。 XNUMX 台のカメラがアクティブなプレゼンターのクローズアップを素早く検出し、もう XNUMX 台のカメラが次のプレゼンターを検索して表示します。 マルチスピーカー機能は、次のスピーカーが現在のフレームにすでに存在する場合、不必要な切り替えを防ぎます。
残念ながら、私は SpeakerTrack 60 を自分でテストする機会がありませんでした。 したがって、結論は「現場からの」意見と、以下のデモビデオの分析結果に基づいて導き出される必要があります。 新しいプレゼンターを指さすとき、最大でほぼ 8 秒の遅延が発生することを数えました。 ビデオから判断すると、平均遅延は 2 ～ 3 秒でした。

HUAWEI インテリジェント トラッキング ビデオ カメラ VPT300

ファーウェイのこのソリューションを偶然見つけました。 このシステムの費用は約 9 ドルです。 Huawei端末でのみ動作します。 開発者は独自の「トリック」を追加しました。それは、部屋に他に誰もいない場合、XNUMX つの画面上に XNUMX つのスピーカーからのビデオ レイアウトを表示するというものです。 特徴と宣言された機能の点で、これは自動誘導システムの非常に興味深いバージョンです。 しかし、残念ながら、デモ素材はまったく見つかりませんでした。 このトピックに関して掲載された唯一のビデオは、音楽に設定された、オリジナルの音声なしで編集されたソリューションのビデオ レビューでした。 したがって、システムの品質を評価することはできませんでした。 このため、このオプションは検討しません。
Huawei には Habré に関するアクティブなブログがあるようです。同僚がこの製品に関する有益な情報を公開できるかもしれません。

新しい - ユニバーサル ソリューション SmartCam A12 音声追跡

スマートカム A12VT - スピーカーを追跡するための XNUMX つの PTZ カメラ、部屋の全体的なレイアウトを分析するための XNUMX つの内蔵カメラ、およびケースの底部に組み込まれたマイク アレ​​イを含むモノブロック - ご覧のとおり、かさばるものはありません。敵のような壊れやすい構造物。
新製品の説明を始める前に、比較できるように Cisco と Polycom のソリューションの特徴と機能をまとめておきます。 スマートカム A12VT 既存のオファーと。

ポリコム EagleEye ディレクター

• 端末なしのシステムの小売価格 - $ 13K
• EagleEye Director + RealPresence Group 500 ソリューションの最小コスト — $ 19K
• 平均スイッチング遅延 3 秒
• 音声ガイダンス + ビデオ分析
• 話し手の顔に対する高い要求 - 口を隠すことはできません
• サードパーティ機器との非互換性

Cisco TelePresence SpeakerTrack 60

• 端末なしのシステムの小売価格 - $ 15,9K
• TelePresence SpeakerTrack 60 + SX80 コーデック ソリューションの最小コスト - $ 30K
• 平均スイッチング遅延 3 秒
• 音声ガイダンス + ビデオ分析
• 発言者の顔の要件 - 確認しなかった、情報が見つからなかった
• サードパーティ機器との非互換性

SmartCam A12 音声追跡

• 端末なしのシステムの小売価格 - $ 6,2K
• ソリューションの最小コスト スマートカム A12VT + Yealink VC880 - $ 10.8K
• ソリューションの最小コスト SmartCam A12VT+ ソフトウェア端末 - $ 7,7K
• 平均スイッチング遅延 3 秒
• 音声ガイダンス + ビデオ分析
• 話者の顔の要件 - 要件なし
• サードパーティの互換性 - HDMI

このソリューションの主な否定できない利点としては、次の XNUMX つがあります。 SmartCam A12 音声追跡 私は次のことを見つけました:

1. 接続性の多様性 — HDMI を介して、システムはハードウェアとソフトウェアの両方のビデオ会議端末システムと統合されます。
2. 低価格 — 同様の機能を備えた A12VT は、上記の提案よりも予算内で何倍も手頃な価格です。

システムがどのように機能するかを示すために、ビデオレビューを録画しました。 この仕事は宣伝というよりも機能的なものでした。 したがって、このビデオにはポリコムのプロモーション ビデオのような哀愁がありません。 プレゼンテーションの会場として選ばれたのは、駐在員事務所ではなく、パートナーであるIPMatika社の研究室会議室でした。
私の目標は、システムの欠陥を隠すことではなく、逆に、機能のボトルネックを明らかにし、システムに間違いを起こさせることでした。

私の意見では、システムはテストに問題なく合格しました。 私が自信を持ってこれを言えるのは、この記事を書いている時点では解決策は見つかっていないからです。 SmartCam A12 音声追跡 私たちの顧客の実際の会議室を XNUMX か所訪問しました。 自動化の誤動作は、推奨された操作規則に違反した状況でのみ観察されました。 特に、近くの参加者との最小距離。 カメラのすぐ近く（XNUMX メートル未満）に座っている場合、マイク アレ​​イはあなたを認識できず、レンズはあなたを追跡できません。

距離に加えて、カメラの高さという別の要件もあります。

カメラの設置が低すぎると、音声の位置決めに問題が発生する可能性があります。 残念ながら、テレビの下のオプションは機能しませんでした。
ただし、ディスプレイ デバイスの上にシステムを設置するのは、デバイスが動作する理想的な方法です。 カメラシェルフは付属しており、標準では壁掛けのみ対応しています。

SmartCam A12 音声追跡の仕組み

メイン PTZ レンズには同等の役割があります。それらのタスクは、プレゼンターを交互に追跡し、全体的な計画を表示することです。 室内の全体像の分析と物体までの距離の決定は、システムのベースに統合された 1 台のカメラから受信したビデオ ストリームを使用して実行されます。 この機能により、スピーカーを変更する際のレンズの反応時間を 2 ～ XNUMX 秒に短縮できます。 参加者が短い文章を交わしても、カメラは心地よいリズムで参加者を交互に映す。
システムの動作を示すビデオデモには機能が完全に反映されています スマートカム A12VT。 ただし、ビデオをまだ見ていない人のために、自動化の動作原理を言葉で説明します。

1. 部屋は空です。レンズの XNUMX つは全体的な計画を示し、もう XNUMX つは準備が整い、人々を待っています。
2. 人々が部屋に入り、席に着きます。フリーレンズが XNUMX 人の極端な参加者を見つけて、その周囲に画像をフレームに収め、部屋の空いている部分を切り取ります。
3. 人々が移動している間、レンズが交代で室内にいる全員を追跡し、フレームの中心に保ちます。
4. スピーカーが話し始めます。レンズはアクティブで、全体的な計画に合わせて調整されています。 XNUMX 番目のメッセージはスピーカーに向けられており、その後ブロードキャスト モードになります。
5. スピーカーが変わります。最初のスピーカーに合わせて調整されたレンズがアクティブになり、XNUMX 番目のレンズがワイドショットを落として新しいスピーカーに合わせて調整されます。
6. 映像を最初のスピーカーから XNUMX 番目のスピーカーに切り替える瞬間に、フリーレンズが部屋の全体的なプランに即座に調整されます。
7. 全員が沈黙していれば、無料のレンズには遅延なく既製の一般的な計画が表示されます。
8. 話者がまた変わったら、フリーレンズは彼を探しに行きます

まとめ

私の意見では、昨年の ISE と ISR で発表されたこのソリューションは、ハイテクを人々に近づけるものであり、人々にではないにしても、確実にビジネスに近づけるものです。 400万ルーブルでそのような「おもちゃ」を家庭用に買う人はほとんどいないことは明らかですが、ビジネスや企業のビデオ会議にとって、これはカメラの自動照準の問題に対する非常に手頃な価格で便利な解決策です。
汎用性を考えると SmartCam A12 音声追跡、このシステムは、最初からソリューションとして使用することも、既存のビデオ会議インフラストラクチャの機能の拡張として使用することもできます。 上記のメーカー独自のシステムとは対照的に、HDMI 経由での接続はユーザーにとって大きな一歩です。

テストに協力してくれたパートナーに感謝します。
会社 イプマティカ — Yealink VC880 ターミナル、会議室、薬科由良用。
会社 スマートAV — ソリューションおよびシステムの提供を最初かつ独占的にレビューする権利のため SmartCam A12 音声追跡 テスト用。

最後の記事で オンライン会議室デザイナー - 最適なビデオ会議ソリューションの選択、ウェブサイトのプロモーションとして vc4u.ru и VKSデザイナー 私たちは発表しました 10％割引 価格から ディレクトリ 暗号語によって ハブル 2019年の夏の終わりまで。

割引は次のセクションの製品に適用されます。

• ハードウェアビデオ端子
• ビデオ会議用カメラ
• VKSサーバー

決断に向けて SmartCam A12 音声追跡 既存の 5% にさらに 10% 割引を提供します - 15 年の夏の終わりまで合計 2019%。

皆様のご意見やアンケートへの回答をお待ちしております！

ご清聴ありがとうございました。
敬具
キリル・ウシコフ（ウシコフ)
の頭
ビデオ監視およびビデオ会議システム
[メール保護]
stss.ru
vc4u.ru

登録ユーザーのみがアンケートに参加できます。 ログインお願いします。

SmartCam A12 音声追跡はどのくらい便利ですか?

• ついに、ソフトウェアおよびハードウェア端末向けのユニバーサル ソリューションが登場しました。

• この解決策は良いですが、他にも利用可能なオプションがあります（コメントに書きます）

• システムは脆弱で、Polycom や Cisco には及ばない - なぜ 3 倍の料金を支払わなければならないのか、コメントに書きます。

• そもそも、会議室で自動ガイダンスが必要なのは誰でしょうか?

• そもそも、会議室に PTZ カメラが必要な人はいるでしょうか? — ウェブカメラを接続しましたが、問題ありませんでした。

8 人のユーザーが投票しました。 5名のユーザーが棄権した。

出所： habr.com