Системы противопожарной видеоаналитики.
Что же это такое – «противопожарная видеоаналитика»? Алгоритмы компьютерного зрения, от которых берет начало сам термин «видеоанализ», применяются давно: распознавание номерных знаков, лиц, детекция прохода через границу, выделение и сопровождение движущихся объектов – все это если уже не прошлое, то как минимум настоящее. Но прогресс не стоит на месте, и в последние несколько лет были созданы алгоритмы для определения признаков дыма и огня по изображению. Именно о них и пойдет речь в этой статье.
«Классические» системы пожарной безопасности существуют давно, и в России их применение закреплено федеральным законом. Но давайте обратим свой взгляд на то, как можно повысить эффективность их работы с помощью средств видеонаблюдения и, в частности, средств противопожарной видеоаналитики.
Для начала обратимся к фактам и статистике.
ПРОБЛЕМА
По данным пожарной администрации США (U.S. Fire Administration, FEMA), хотя количество пожаров за последнее время в коммерческих помещениях снижается до 3% в год (но смертность растет до 8,5% в год), это количество исчисляется сотнями тысяч, а убытки – сотнями миллионов долларов США. Самое интересное, что, несмотря на относительно высокий процент оснащения зданий автоматическими системами пожаротушения (до 60% в образовательных учреждениях), они не срабатывают в 8% случаев. Давайте задумаемся: а что было там, где ее не было вообще? Процент же оснащения системами пожаротушения складов, офисных знаний не превышает 20%, а у некоторых классов помещений (таких, как гаражи) близок к нулю. В 2000 г. более 70% таких зданий вообще не были оснащены системами пожарной безопасности.
А что в России? За 2010 год произошло 179 098 пожаров, что на 4,5% меньше, чем в прошлом году, при которых погибло свыше 12 983 человек (уменьшение по сравнению с прошлым годом составило 6,9%). На пожарах получили травмы 13 067 человек. Подразделениями ГПС спасено 84 548 человек и материальных ценностей на сумму более 44,6 млрд руб.
Что же видно? Судя по статистике, даже в США проникновение «классических» систем пожарной безопасности далеко от 100%, что уж тут говорить про видеонаблюдение (на базе которого могла бы работать противопожарная видеоаналитика).
Здесь, как и везде, работает правило: каждый платит за свой уровень безопасности. Кто-то не делает ничего, кто-то начинает и останавливается на пожарной системе, кто-то устанавливает вдобавок охранную сигнализацию и СКУД, а кто-то ставит и видеонаблюдение. Однако везде, где видеонаблюдение уже установлено, как правило, есть и классическая противопожарная система на базе датчиков, и тут-то видеоанализ и может нам помочь. Будем исходить из того, что человек уже имеет установленные пожарные датчики и систему видеонаблюдения.
Отдельно стоит отметить случаи, когда установить противопожарную систему на базе датчиков невозможно в принципе – например, открытый паркинг, внутренний двор, открытый склад и прочие открытые пространства. Именно в таких случаях видеоанализ проявляет свои уникальные преимущества. Другой пример – обнаружение пожаров в лесных массивах.
Еще один существенный плюс системы с противопожарной видеоаналитикой – потенциально более быстрое время срабатывания по сравнению с датчиком. Если не брать в расчет дорогие мультикритериальные датчики возгорания, то, например, в случае сквозняка в помещении либо просто большого его объема «классическая» противопожарка может или не сработать вовсе, или сработать уже тогда, когда концентрация дыма такова, что даже сквозняк ей не помеха, – поздно! А камера может увидеть белесый туман в помещении гораздо раньше.
КАК ЭТО РАБОТАЕТ, ИЛИ НЕ ВСЕ ДЕТЕКТОРЫ ОДИНАКОВО ПОЛЕЗНЫ
Как же работает алгоритм детекции дыма и/или огня? Система пытается увидеть характерные признаки возгорания в помещении. Подходы бывают самые разные: например, примитивные детекторы дыма/огня просто фиксируют движение в кадре, где его быть не должно (например, днем на складе, как правило, есть люди, они и так определят пожар, если он произойдет, но какое может быть движение ночью?). Конечно, подобный подход неприемлем. Вы не получите ничего, кроме кучи ложных срабатываний и невозможности отличить тень от опасных признаков огня. Хороший детектор отличается от плохого именно количеством ложных срабатываний. Совершенно ясно, что детектор, который постоянно дает «ложняки», не будут воспринимать всерьез и просто отключат через пару дней.
Из-за того что обычно дыма без огня не бывает, разработчики объединяют в одно целое детекторы дыма и огня. Но есть большая разница в принципах их детекции.
Прежде всего обратим внимание на то, что дым, как и огонь, бывает разным.
Есть так называемый быстрый дым, характерный для открытых пространств, где он относительно быстро рассеивается и перемещается, а также медленный дым, характерный для закрытых помещений. Важно понимать, что два этих явления совершенно по-разному воспринимаются компьютерным алгоритмом, который пытается их увидеть. Система, которая хорошо видит дым в помещениях, скорее всего, будет хуже работать на открытых пространствах, и наоборот. Общий критерий задымленности – это обычно снижение контрастности в какой-то локальной области пространства, которая при этом меняет свою форму.
Обратите внимание на рис. 1 – здесь недостаточно дыма для срабатывания датчиков, тем не менее система уже видит явные признаки дыма (примерно так же, как увидел бы их человек) и дает тревогу.
Огонь, например, может быть детектирован как мерцающая область с изменениями интенсивности яркости. Конечно, можно представить примеры сцен, где типичный детектор будет давать ложные срабатывания при совпадении факторов. Например, мерцающий монитор с ЭЛТ, колышущиеся шторы на ветру и т. п. Но все эти факторы можно свести к нулю, например, замаскировав эти участки изображения.
Каким же образом детектор с определением возгорания по изображению способен дать дополнительный уровень безопасности объекту?
ПЕРСПЕКТИВЫ
Существует любопытный закон: «какой-нибудь детектор» способен написать даже слабый программист за пару дней, а вот сделать «хороший детектор» иногда бывает по силам только большой команде с хорошими мозгами и за внушительный срок. И вся разница между ними будет именно в количестве ложных срабатываний.
К сожалению, сложно говорить о том, когда компьютерное око будет способно заменить старого, доброго оператора. Я бы не стал делать ставку на компьютер в сложных алгоритмах видеоанализа, но, с другой стороны, очевидно, что там, где начинается система от 16 камер, «заканчивается» и человеческое внимание.
Вердикт: будущее за симбиозом человек – машина. Только таким образом сложные системы будут способны приносить пользу и не требовать при этом десятков операторов. Будущее (точнее, уже почти настоящее) в том, что компьютер с помощью средств видеоанализа будет выдавать человеку (оператору) тревожные инциденты, требующие действий, а человек не будет рассеивать свое внимание между мультикартинкой из 16 камер, а будет действовать по конкретным тревогам, которые отобрал ему компьютер. Например, система дает тревогу оператору: «в камере 13 был обнаружен дым» или «в камере 37 обнаружен огонь», при этом пожарная тревога может быть заведена именно на классический датчик, а оператор может отреагировать на раннее срабатывание или отклонить ее в том случае, если сочтет ее ложной. Вердикт: будущее за симбиозом человек – машина. Только таким образом сложные системы будут способны приносить пользу и не требовать при этом десятков операторов. Будущее (точнее, уже почти настоящее) в том, что компьютер с помощью средств видеоанализа будет выдавать человеку (оператору) тревожные инциденты, требующие действий, а человек не будет рассеивать свое внимание между мультикартинкой из 16 камер, а будет действовать по конкретным тревогам, которые отобрал ему компьютер. Например, система дает тревогу оператору: «в камере 13 был обнаружен дым» или «в камере 37 обнаружен огонь», при этом пожарная тревога может быть заведена именно на классический датчик, а оператор может отреагировать на раннее срабатывание или отклонить ее в том случае, если сочтет ее ложной. В случае, когда вы уверены в своих датчиках, эта система может работать даже в отложенном режиме без оператора вообще, т. е. присылать SMS/MMS с просьбой «глянуть, что там творится». И все равно она будет полезна, потому что вы знаете о том, что «классические» датчики сработают при пожаре, но при наличии времени и желания можете их опередить и оценить ситуацию по видеоизображению.
С одной стороны, в закрытых помещениях системы с противопожарной видеоаналитикой явно не способны (и не должны) заменить «классические» противопожарные системы на базе датчиков. Здесь их функция – это дублирование системы и потенциально более раннее время срабатывания. Это не будет лишним с учетом того, что даже согласно статистике США в одном случае из 12 (это те самые 8% случаев) «классическая» система не срабатывает вообще. У нас в России ситуация скорее всего еще хуже.
Но, с другой стороны, при работе на открытых пространствах алгоритмы компьютерного зрения могут здорово помочь в спасении имущества и жизни наших сограждан. И здесь у них мало конкурентов.
Статьи по теме:
Видеонаблюдение
Советы домовладельцам по обеспечению безопасности
Три критических вопроса при выборе видеоаналитики для видеонаблюдения
FCC запрещает авторизацию оборудования для китайских телекоммуникаций и оборудования для видеонаблюдения, которое считается угрозой национальной безопасности
Перенос локального видеонаблюдения в облако
Hanwha Techwin переименовывается в Hanwha Vision
Перспективы использования цифровых систем передачи изображения по радиоканалу
Датчики нейроморфного зрения в смартфонах
Ambarella добавляет новую SoC с поддержкой искусственного интеллекта для камер безопасности
